靈初智能想做具身智能時代的“賣鏟人”

文 | 高恒說

靈初智能最近接連發布模型、開源數據和融資消息，但這些動作真正指向的，不是又一家機器人公司站上風口，而是具身智能行業正在換一道題：機器人到底從哪里學會干活。

按照公司披露，靈初智能新一代具身智能模型Psi-R2在MolmoSpaces榜單中超過PI、DreamZero等模型，位列全球第一；同時發布Psi-W0，并開源1000小時高質量人類操作全模態數據集。隨后，公司宣布完成新一輪融資，投資方包括國投先導、京西瑞瓴。

靈初智能的野心也藏在這里。它押注的不是整機出貨，而是人類操作數據、靈巧手、世界模型和物流場景里的數據閉環。換句話說，它想搶的不是一臺機器人，而是機器人學會干活之前最稀缺的數據入口。但這條路能不能走通，最終不看榜單，也不看融資，而要看這些數據能不能進入模型、進入倉庫，并變成客戶愿意持續付費的生產力。

01：多輪融資背后，資本押的是數據入口

靈初智能被資本看見，首先是因為它踩中了具身智能最熱的融資窗口。但比“又一家機器人公司拿錢”更值得看的，是它把故事講到了一個更底層的問題上：機器人訓練數據從哪里來。

公開報道顯示，靈初智能已完成天使輪及Pre-A輪合計20億元融資。天使輪投資方包括國開金融、國中資本、央視融媒體產業投資基金、某千億上市公司旗下戰投、長飛光纖旗下基金等；Pre-A輪由上海國資徐匯資本等領投，部分地方國資及市場化基金跟投。4月12日，公司官方公眾號又宣布獲得國投先導、京西瑞瓴的新一輪投資。

這些融資動作要放在整個具身智能賽道里看。投中嘉川CVSource數據顯示，2025年具身智能融資規模達到329億元。另有媒體報道，據不完全統計，2026年至今，中國具身智能及機器人賽道已披露融資合計約200億元。短短幾個月，行業里多出七家新晉獨角獸，銀河通用、千尋智能、自變量機器人、智平方、星動紀元等公司，都在資本熱潮里被快速推高估值。

但錢多并不代表商業模式已經清楚。具身智能現在至少有三種下注路徑：有人押機器人本體，有人押“大腦”模型，也有人押更底層的數據入口。靈初智能更接近第三種。它不是一家典型的整機公司，按照公司和相關報道中的定位，它更像“小全棧”：不重資產押整機制造，而是把重心放在端到端VLA模型、靈巧操作、數據采集工具鏈和部分硬件設計上。

這條路線有現實基礎。大語言模型可以從互聯網上獲得大量文本，自動駕駛可以靠車隊路測積累數據，但機器人學會折紙盒、掃條碼、裝手機、抓衣服，不能只靠網頁和視頻。它必須在真實世界里理解物體、動作、觸覺、空間位置和作業節拍。具身智能行業已經不缺會展示的機器人，缺的是可以規模化訓練機器人的真實數據。

這也是靈初智能被資本押注的核心邏輯：它試圖先卡住機器人訓練所需要的數據入口，再通過模型和靈巧操作能力，把數據轉化為場景里的生產力。

但問題也在這里。數據采集看起來像機器人時代的“賣鏟子”生意，可它是不是長期生意，還沒有答案。等機器人真正大規模部署以后，數據可能從實際作業中自然回流。到那時，單純采數據未必有足夠壁壘。靈初智能必須證明，它不只是能采數據，還能把數據變成模型能力，再變成客戶愿意付費的生產力。

02：它為什么押人類操作數據

如果說多輪融資解釋了資本為什么看見靈初智能，那么Psi-R2、Psi-W0和近10萬小時人類操作數據，解釋的是它想怎么卡住這個數據入口。

按照公司披露，Psi-R2的預訓練同時使用真機數據和人類數據。其中，真機數據來自 Psi-MobiDex數據集，規模為5417小時；人類數據規模達到95472小時，覆蓋294種場景、4821種任務和1382種物體。與此同時，公司還開源了1000小時高質量人類操作全模態數據集。

這組數據的關鍵，不在人類操作數據“接近10萬小時”這個數字本身，而在它回答了一個行業難題：機器人訓練數據到底從哪里來？

過去，行業常用真機遙操作。人盯著屏幕控制機械臂，讓機器人一遍遍完成任務。這條路直接，但成本高、速度慢，還需要專業設備和場地。更關鍵的是，遙操作的節奏往往跟不上真實生產。一個模型如果要從簡單抓取走向長程作業，只靠這種方式很難堆出足夠數據。

仿真也能快速生成數據，便于并行訓練，但它的問題同樣明顯：仿真和現實之間存在差距。真實世界里的摩擦、變形、遮擋、接觸誤差，很難被完全還原。尤其在靈巧操作里，差一毫米，結果可能就完全不同。

靈初智能選擇回到人身上。

人類本來就在倉庫、便利店、工廠里完成大量高頻動作：抓取、掃碼、分揀、裝配、折疊、插接。這些動作天然帶著任務目標、物體關系和工作節拍。靈初智能的設想是，讓人戴上多模態數據手套，在真實場景里干活，把視覺、觸覺、關節角等信息采下來，再把這些人類操作數據轉化成機器人可用的數據。

這和單純視頻學習、傳統遙操作都不一樣。視頻主要記錄“人看到了什么”，數據手套試圖記錄的是“人的手具體怎么動”：關節如何變化、觸覺何時出現、動作軌跡如何完成。對機器人來說，這些才是學會操作的關鍵細節。

它的模型分工也圍繞這個目標展開。Psi-R2 是策略模型，負責學習“這件事該怎么做”；Psi-W0 是世界模型，負責推演“換種做法會怎樣”。公司披露，Psi-W0 在訓練中加入了約30%的失敗樣本，讓模型不只學習成功軌跡，也理解失敗如何發生。

這一步很重要。真正難的不是讓機器人模仿一次成功動作，而是讓它知道為什么會失敗，以及失敗后怎么調整。對高精度任務來說，人類抓蘋果的動作映射到機器人身上，可能只差一點點就抓不起來。世界模型的價值，就是在真實執行之前，先幫機器人在模型里試錯。

不過，這條路線不能被簡單理解成“數據越多越好”。真正決定數據價值的，不只是規模，而是信噪比、精度和節拍。任務多樣性比物體多樣性更重要，物體多樣性又比場景多樣性更重要；在感知模態上，精準3D位姿的價值高于觸覺，觸覺又高于普通2D圖像特征。

這說明，人類操作數據雖然豐富，但并不天然等于機器人能力。人手和機械手結構不同，人的動作不能直接平移到機器人身上；純第一視角視頻成本低，但精度不足；觸覺數據有價值，但不同硬件格式難統一。

這也是靈初智能這條路線最大的門檻：采到人類數據只是第一步，把人的操作穩定遷移成機器人的能力，才是真正的難題。

03：最終答案不在榜單，在倉庫里

模型能不能成立，最終要回到場景里驗證。對靈初智能來說，這個場景暫時不是家庭，也不是舞臺上更容易傳播的人形機器人表演，而是物流和零售。

但物流和零售不是一個籠統場景，真正有價值的是其中高頻、可量化、又有足夠復雜度的細分環節。靈初智能首站選擇服裝倉儲，是因為這個場景貫通倉庫、門店和C端，SKU極其豐富，顏色、包裝、尺寸各不相同，天然能產生大量多樣性數據。

這個選擇相對務實。家庭場景極端情況太多，短期內難閉環；傳統工廠數據又太封閉，遷移價值有限。服裝倉儲介于兩者之間，既復雜，又相對可控。一個“掃碼”動作看似簡單，但要做到99.9% 以上成功率，還要跟上穩定作業節拍，已經足以檢驗機器人是不是具備真實生產力。

公開報道提到，靈初智能的數據手套已經實現硬件落地，北京地區100套設備正在部署；此前公司已完成1萬小時量級真實手套數據驗證，2026 年目標是突破100萬小時量級。公司還計劃把分布式數據采集和微支付結合，用戶可以購買或租賃數據手套，在家完成簡單操作3分鐘獲得1—1.5美元報酬。

這意味著，靈初智能不是只想做一次性數據采集，而是想把數據采集做成可持續擴張的網絡。這個設想有想象力，也有明顯的不確定性：分布式采集能降低成本，擴大數據來源，但越分散的數據，越考驗質量控制、任務標準化和后續清洗對齊能力。如果采來的數據不能穩定轉化成機器人可執行軌跡，規模越大，噪聲也可能越大。

更關鍵的是，即便數據和模型跑通，具身智能公司也必須面對一個更現實的問題：客戶到底愿不愿意持續付費。

人形機器人場景應用聯盟的不完全統計顯示，2025 年中國市場公開披露的人形機器人中標項目超過292個，披露合同金額合計超18.1億元；但其中235個項目金額在500萬元以下，單筆過億元項目只有4個。多位投資人和行業人士還提到，部分具身智能訂單存在“水分”，不少更像展示采購、意向訂單或數據采集合作，而不是真正意義上的生產力替代。

這才是靈初智能接下來真正要面對的市場。MolmoSpaces榜單第一、接近10萬小時人類操作數據、1000小時開源數據集，都能證明它在技術和數據上有動作。但客戶最終不會為榜單付費，只會為更低成本、更高效率、更穩定的作業結果付費。

所以，靈初智能最值得看的，不是它又融了多少錢，而是它能不能跑通一條閉環：用數據手套采到真實人類操作數據，用Psi-R2和Psi-W0把數據轉成模型能力，再讓機器人進入物流和零售場景干活，最后從真實作業里繼續回流數據。

如果這條鏈路跑通，它就不只是具身智能融資潮里的一家公司，而可能成為機器人時代的數據基礎設施公司。可如果鏈路跑不通，它也會被卷進行業共同困境：Demo很多，訂單很薄，技術看起來很近，真正替代生產力還很遠。

2026年的具身智能，不宜簡單說成商業化爆發元年。更準確地說，它是商業化驗證年，也是淘汰賽開始的一年。靈初智能站在了一個有利位置，但位置不等于結果。真正的答案，不在融資，也不在模型榜單，而在倉庫、貨架和客戶每天計算的那本賬里。