作者｜黄楠
编辑｜袁斯来
硬氪获悉，具身智能基础设施供应商「灵御智能」近日完成数亿元Pre-A轮融资，本轮由株洲产投、飞图创投、未来边际创投、芯能创投等联合投资，资金将重点投入规模化量产本体的产能扩充、真机数据采集管线的持续升级，以及云端操作平台的迭代开发。Maple Pledge 枫承资本长期出任公司私募股权融资顾问。
这也是公司今年内完成的第三轮融资，过往投资方包括英诺基金、华映资本、银河创新资本、福田资本、力合创投、天鹰资本等，累计融资达数亿元。
2026年，具身智能正从技术演示走向商业化落地的深水区。市场的押注逻辑正在改变，初创企业的成长性不再是唯一标尺，被放大审视的，更是“真实场景数据驱动模型进化”这条路径的商业可行性。
灵御智能成立于2025年初，公司聚焦具身智能底层基础设施建设，业务覆盖机器人本体研发、真机数据采集与云端操作平台搭建，目前已实现面向开放零售场景的规模化商业部署，构建了从硬件本体到数据管线的完整闭环。
创始团队兼具学术底蕴与产业视野。联合创始人兼首席科学家莫一林为清华大学自动化系长聘副教授，师从美国工程院院士、机器人操作先驱Richard M. Murray，谷歌学术引用逾万次；联合创始人兼CEO金戈为清华大学自动化系学士、经管学院MBA，曾任远镜创投管理合伙人、奥量光子副总裁，在高科技领域具备多年创业投资与企业管理的复合经验。
此外，公司核心管理团队多为清华大学本科出身，成员之间拥有超过二十年的共事与信任基础。团队主要成员均具备字节、快手、腾讯、美团等一线科技企业的从业经历，积累了丰富的产业经验。
灵御TA系列机器人在家庭场景中（图源/企业）
在灵御智能团队看来，具身智能Infra所输出的底层能力，可以落地为一套可交付系统，由可量产的机器人本体、带有物理交互标签的数据资产，以及打通机器与模型的云端平台共同组成。三者互为支撑，构成一个完整的闭环。
这个判断基于一个被行业反复验证的前提：想要机器人在物理世界获得可靠的作业能力，来自本体在真实场景下的交互数据，是补齐仿真现实迁移鸿沟的关键底座。仿真数据可以承担预训练、样本扩充的工作，但很难完全复刻现实中无穷多的物理扰动与长尾边缘情况。
联合创始人兼首席科学家莫一林告诉硬氪，“物理世界的复杂性超乎想象，很多东西你根本想不到。”而应对这种复杂性的前提，一台真正“抗造”的机器人是前提，“它要能在真实场景中连续作业而不出故障，有足够的力控精度以完成精细操作，保证长期运行的一致性，以让每一帧数据都具备可复用性。”
灵御自研的TA系列机器人，正是从这一需求出发定义本体。它的核心指标不是“像不像人”，而是“稳定地完成任务和产出高质量数据”。基于这个逻辑，研发团队在几个关键维度上做了取舍。
成本是首要考量因素。灵御TA系列机器人定价控制在同类产品的二分之一乃至三分之一以下，用自研算法替代昂贵零部件，剔除冗余配置。例如以电流反馈算法替代六维力传感器，团队使用了轮式底盘加夹爪方案取代双足和灵巧手，后者对数据采集贡献有限，却大幅增加系统复杂度与能耗。硬件方案更轻量，部署和运行也随之简化。
精度是第二个关键维度。它不只指向机械臂的定位精度，更指向数据链路的时间与空间对齐能力。当前，TA系列可在视觉、关节、力觉与控制指令间实现亚毫秒级的时间同步。
稳定性决定了这套方案在真实场景中的“生存能力”。TA系列从关节模组选型、散热管理到闭环控制都围绕“持续作业”来设计，确保在超市这种人流遮挡、网络波动的环境中仍保持可重复的作业状态，避免因长时间运行，导致关节发热、震动累积、精度漂移等问题出现影响数据质量。
灵御TA系列机器人在仓储物流场景中（图源/企业）
操控层面，是整套系统“上手可用”的最后一道关口，核心在于解决端到端延迟问题。灵御团队将整条操作链路拆解为二十余个环节，逐一优化，将图传延迟+力/位混合控制响应压缩至90毫秒以下。这意味着，操作员与机器人的动作同步基本达到肉眼无感。
跨城场景下，画面稳定、操作跟手、任务执行不受地域距离影响，目前，这一能力已在真实的跨城远程作业中持续验证。当TA机器人进入客户现场后，普通员工经过专业工程师简短培训即可独立上岗操作。
有了可量产的机器人本体，数据采集管线随之启动。自2026年6月至今，灵御的数据产能从一天数小时爬升到数百小时，计划年底达到数千小时日产能。当前全球最大的开源真机数据集在十万小时量级，根据灵御团队实测显示，目前其数据库扩张速度，约一个月就能产出同等规模的数据。
但数据量不等于数据价值。灵御在数据层面真正的差异化，在于每一条真机数据都带有完整的物理交互标签，比如关节力矩、接触力、末端受力曲线等力觉信息。这恰恰是目前多数数据方案中缺失的维度。
灵御智能DexUMI（图源/企业）
仿真环境中的物理引擎与真实世界存在偏差，人类视频只记录视觉而无法还原受力与接触反馈。而这些信息恰恰是机器人在真实世界中完成操作所必需的，比如推开一扇有阻力的门、从货架上取出一个表面有油污的物体、在晃动环境中保持抓取的稳定性。
力觉数据只有在真实机器人执行物理操作时才能产生，仿真、第三方视频素材，以及实验室受控Demo场景，都很难还原真实环境下丰富多变的接触反馈，很难产出高质量的原生力觉交互样本。
对此，莫一林有一个判断，“随着数据规模的扩大，行业会从只要‘能用就行’，逐渐过渡到追求更高质量的数据。当模型能力逼近天花板时，缺失多维度信息的数据集将会率先失效。”
灵御的优势在于，它的机器人已经实现了百台级规模部署，在京东七鲜超市等真实零售场景中全天候作业。每一次抓取、递送、与货架的物理接触，都在同步记录力觉数据，回流至云端构成一套不断增长的物理交互数据库。
基于这套规模化运转的数据采集体系，灵御智能联合创始人兼CEO金戈透露，灵御智能计划在未来一年内构建百万级高质量真机数据集，数据集覆盖完整时间同步、空间标定与力觉标签，满足模型直接训练的工程化要求，为具身智能模型训练、场景泛化和后续系统演进提供底层支撑。
本体和数据之外，灵御正在迭代的Nexus平台承担的是连接层的角色——把机器、操作员、模型三者串联起来。
当前在京东七鲜超市的运营中，灵御采用远程操控模式，操作员在指挥中心面对屏幕，操控数百公里外不同门店的机器人。
相比封闭的仓储环境，七鲜超市等真实零售场景对机器人提出了截然不同的考验：人流密集且动线随机，顾客随时可能从任意方向经过；货架上的商品不断被取走、放回、补货，状态持续变化；试吃递送的时机和方式需要随顾客的停留与移动灵活调整。这意味着机器人的每一个动作都无法被完全预演，必须具备在高度不确定的环境中稳定作业的能力。
灵御TA系列机器人在太原��鲜超市中工作（图源/企业）
但Nexus的远期定位不止于“远程操作台”。它被设计为一个人机混合的协同平台，简单任务由机器自主完成，复杂任务或模型置信度下降时，由云端操作员无缝接管。每一次人工接管本身就在产生“示范数据”，即由操作员的精准操控、力度控制、对异常情况的应对策略，都会被记录下来，经筛选标注后用于模型迭代。
“这套模式本身已经在创造价值。零售客户不需要在每个门店配备技术人员，操作员可以集中管理，人力成本可控，服务质量标准化。”金戈告诉硬氪，而从一人一机到一人多机，再到多人多模型协同，这是Nexus设定的演进路径。金戈将其类比为自动驾驶的渐进过程，“最开始三辆车配一个安全员，现在能做到五十辆车配一个安全员。我们相信，只有当机器人在真实场景中真的跑起来，才有可能把自主性逐步提升。”
回到那个最根本的问题：一家具身智能基础设施公司，最终要解决什么？
在灵御智能的叙事里，答案清晰而克制。不是去造一个无所不能的通用机器人，而是为行业提供可规模化的本体、高质量的真机数据、以及连接机器与云端的通讯架构。
从降低单条数据成本到年底数千小时日产能，从京东太原七鲜超市的单点验证到北京、天津的多城市批量部署，这条路径或许不够性感。当越来越多具身智能公司需要高质量数据喂养算法时，灵御所扮演的“数据采集母机”角色，或将成为生态中不可或缺的关键拼图。
以下为硬氪与灵御智能联合创始人兼首席科学家莫一林、联合创始人兼CEO金戈的访谈节选（略经编辑）：
硬氪：行业普遍追求设备全自主作业，进入落地场景中却问题频发，如何看待目前具身机器人能力的真实边界在哪里？
金戈：全自主确实是行业追求的终局，但从产业落地的情况来看，在高度开放的商业场景中实现常态化全自主作业，与理想状态之间还有明显距离。
我们在客户对接中注意到一个现象，不少企业起初对全自主方案会表现出明确倾向，但随着越贴近实际场景，市面上的全自主能力大多停留在单点功能演示层面；一旦进入真实商超环境，客流随机性、交互方式的多变性、货架陈列的动态调整，这些高扰动因素叠加后，系统在可靠性和泛化能力上还很难支撑稳定运营。
硬氪：这种“演示级”与“商用级”能力落差背后，其技术底层的影响因素是什么？
莫一林：核心在于模型OOD（分布外）泛化短板，对训练分布的依赖。
当前，具身模型的能力高度依赖训练数据的分布。对于训练集中见过的场景、物体和交互逻辑，模型可以完成精度极高的感知与操作任务，但面对从未见过的边缘场景与未知扰动，容错能力会断崖式下跌。这是AI模型典型的“抄近道”问题，即模型往往不会真正理解任务本质逻辑，只会拟合训练数据中的浅层特征，这也就导致了场景变量稍有偏移，模型就直接失效。
一个典型案例是，在商超进行分拣任务时，让机器人把红色苹果放到盘子里，在干净规整的预设背景下，它表现稳定；而一旦现场有人穿了件红衣服，模型就会直接识别失效、任务报错，因为模型并没有建立“苹果”的语义表征，只是学会了“红色=目标”的特征映射。
这类问题的根本症结是，靠实验室环境下的数据增强无法根本解决。人工构造的场景变量永远只是真实物理世界的局部映射。顾客着装的色彩分布、货架陈列的随机性、自然光照的变化、操作平面的物理属性差异，这些变量的组合近乎无限，当中绝大多数变量在模型训练阶段根本不会被考虑到。
这是灵御选择先让机器直接进真实场景作业的原因。只有在持续的商业运营中，那些根本预设不到的Corner Case（边缘任务）才会自然暴露，而每一次暴露都是模型进化的机会。出现频率高的边缘情况，数据积累快，优先被迭代解决；低频的异常场景，由人兜底即可，不影响整体商业交付。这也解释了为什么我们采用“半小时人操作、半小时自主表演”的排班方式——在保障客户价值的前提下，让机器在可控的边界内持续积累真实场景数据，支撑模型渐进式进化。
灵御TA系列机器人进行商品抓取工作（图源/企业）
硬氪：业界有看法认为“远程操控”是全自主到来之前的过渡方案，你们怎么看这个模式的价值？
莫一林：远程操控本身就有很大的商业价值，不是妥协。
对客户来说，它直接降低人力成本。我们的操作员可以放在宿迁，远程操作北京、天津门店的机器。国内地区发展不平衡，这反而成了优势——以前要进城打工的人，可以在家乡工作。
另外是标准化管理。过去1000家店有1000个员工，每个门店店长要分别管。现在我们在一个集中地点，一个人就能统一调度几十个人，到点上工，工作质量可监控。还有一些污染等不舒适场景，比如垃圾分拣、辐射、粉尘、高温环境等，操作员可以在舒适房间里远程做，不用去现场。
所以即使L2阶段会持续很长时间，远程操控本身就在创造价值。大家当然都希望机器人完全自主，但事实是能力上还有很大缺陷。做个demo可以，真实超市环境非常复杂，人随时来，交互方式随时变，现阶段去做完全自主很困难。
我们接受这是一个慢慢进步的过程。不是0和1，中间有0.9、0.95、0.999。每进步一点，对客户都在降成本，对我们都在积累更好的数据。今天半小时工作、半小时表演，明天可能是50分钟自主、10分钟人介入。
大模型讲“涌现”，那是语言模型的叙事。具身智能面对的是物理世界，物理世界的进化没有奇点，只有一步一个脚印的渐进线。
投资方评论：
株洲产投表示，灵御智能在具身智能热潮中展现出的清醒与确定性，在行业普遍还处于早期探寻终局形态时，公司选择以人机混合智能切入真实场景，先用遥操作机器人解决高危、工商业场景中的实际问题，再通过真实作业积累数据、反哺算法和产品迭代，这种顶尖互补的团队、领先的低延时技术、极致的成本控制，以及已经验证的商业化能力，让我们相信灵御智能不仅有前瞻方向，更有把方向变成产业结果的执行力。
飞图创投表示，作为十年深耕工业机器人赛道的专业投资者，我们认为灵御紧扣人形本体的运动特征，完成机械臂本体的原创性结构革新，结合自研领先的运动控制体系与云平台技术，在实现类人运动灵活性的同时，实现极具竞争力的成本控制。团队实现顶尖学术能力与产业工程化能力的深度融合，对行业演进具备前瞻判断，商业化落地进展突出。
未来边际创投表示，本次交易是我们成立以来第一次对外投资。我们看好灵御公司硬件铺量+真机数据闭环构建的数据飞轮壁垒。这套模式具备显著网络效应，有望在人机混合智能产业演进中占据关键生态位，契合机构支持前沿硬科技成果产业化、推动未来产业落地的投资定位。
在未来期望上，本轮投资机构均一致性表示，希望以新的生产基地为支点，加快规模化量产和行业标杆场景落地，让机器人真正进入更多产业现场，持续沉淀高质量真机数据，形成“硬件交付—数据积累—能力进化”的正循环。
