2025年，无疑是中国具身智能行业的“融资爆发年”。
据IT桔子数据，这一年共发生329起融资事件，融资金额高达398.9亿元，同比增长3倍。赛道格局也从早期的“百家争鸣”快速收敛成了“头部集中”。
去年具身智能融资热余温尚存，2026年，这片“独角兽丛林”中又有多家具身智能企业宣布了最新的融资消息。最近千寻智能以近20亿元的两轮连续融资、估值突破百亿的成绩入场，已经进入了这条赛道的第一梯队。
可这家成立于2024年1月的年轻公司，凭什么在具身智能泡沫开始显现的当下，还能获得如此密集的追捧？
01“脏数据”比“黄金数据”更值钱？据测算，2025年第一梯队所有具身智能公司的全年营收加总仍不足100亿元，与近400亿元的融资总额形成了数倍以上的巨大落差。
尽管在这样严峻的环境下，千寻智能仍然俘获了资本的“芳心”。
更加难得的是这份堪称行业“全明星天团”的融资阵容——不仅有云锋基金、某头部国资机构、红杉中国等超一线财务机构的加持，更有TCL创投、明荟投资等产业资本的深度协同，以及重庆产业投资母基金、杭州金投等国有资本的鼎力支持。
让云锋基金、红杉中国等超一线机构愿意押注的，是千寻智能在技术路线上走出的一条“反共识”之路。
千寻智能没有走传统“世界模型”预测每一帧这一算力消耗巨大的老路，而是选择基于海量人类互联网视频进行预训练，在更少参数量下实现更好效果，显著降低算力成本。
其开源的Spirit v1.5模型有着强大的零样本泛化能力，无需新样本训练即可完成擦拭物体、操作铰链与柔性物体等复杂任务。
今年1月，Spirit v1.5在RoboChallenge评测中综合排名第一，在任务得分与成功率两个维度均超越美国明星公司Physical Intelligence的Pi0.5，成为首个击败Pi0.5的中国开源模型；在“寻找绿盒”任务中，Spirit v1.5将成功率拉至90%；在水果入篮任务中，以80%的成功率领先Pi0.5整整一倍。
不仅让英伟达机器人主管Jim Fan在社交媒体上点赞了这一成果，还引得多位海外科技大佬相继转发。
这意味着，中国具身模型首次在一个全球公认的、可复现的规则下，具备了与国际顶尖玩家同场竞技的能力。
而让技术壁垒变得难以复制的，则是千寻智能在数据采集范式上的根本转向。
要知道，具身智能行业长期面临一个尴尬困境，那就是真实场景数据匮乏。
尽管Interact Analysis数据显示，截至 2025 年年底，中国已经超50个国家或省市区级人形机器人数据采集与训练中心处于使用或规划建设状态，半数以上已经在2025年正式投入使用。
但训练机器人完成某个垂直行业80%的人类工作，至少需要1亿条数据；迈向通用智能更是需要千亿条量级，数据缺口是4-5个数量级。与这个天文数字相比，眼下热火朝天的训练场，不过是杯水车薪。
千寻智能的做法则是反直觉的。
当行业普遍追求高精度、实验室环境、遥操作采集的“黄金数据”时，他们提出“Dirty data is the key to scaling VLA models”（非完美数据才是扩展VLA模型的关键）。通过自研的第五代可穿戴设备，团队将数据采集成本降到了传统的十分之一。
这一策略的背后，是千寻认为数据的多样性，远比“干净”本身更具价值。
其消融实验显示，在预训练数据规模一致的前提下，基于多样化数据预训练的模型在新任务上的微调效率显著更高，达到相同性能所需迭代次数减少约40%；扩大多样化数据规模后，验证误差仍在持续下降，未出现明显早期饱和现象。
换句话说，让模型通过观察失败的重试、不同的操作习惯等这类“不完美”的人类行为，来理解物理世界的物理规律，反而能训练出更强的泛化能力，所以资本才愿意为其买单。
在具身智能从“讲故事”走向“拼实力”的当下，技术路线的差异化正成为穿越周期的关键筹码，而千寻智能，就是这条“反共识”之路上的一个注脚。
02宁德时代光环下的“围城”得益于这套“脏数据”驱动的技术路线和资金储备，千寻智能才得以将实验室里的模型能力，转化为产线上真正运转的机器人产品。
2025年底，这家成立不到两年的公司迎来了自己的高光时刻——其自主研发的人形机器人“小墨”正式进入宁德时代全球首条人形具身智能产线，在动力电池PACK车间承担起电池接插件插接等复杂作业。
面对“多品种、小批量、高柔性”的复杂工况，它能在来料位置发生偏差时实时调整姿态，在插拔柔性线束时动态调节力度——近千块电池零故障量产的记录，作业节拍与熟练工人相当甚至更快，99%以上的插接成功率让它成为产线上不可或缺的“正式员工”。
然而，硬币都有正反面。当千寻智能头顶百亿估值、被产业巨头簇拥着进入核心产线时，真正严峻的考验，往往藏在聚光灯之外的阴影中。
首当其冲的，就是受到大厂“技术同源”的降维打击。
智能汽车与人形机器人在底层架构上的高度重合，让车企具备了从“造车”到“造人”的无缝迁移能力。
理想汽车创始人李想曾明确表示，2015年创办理想时，团队就认为汽车的终极形态是机器人。过去十年，理想逐步完成了感知能力、芯片自研、大模型上车等一系列技术积累，如今其组织架构已经完整对应机器人研发中的“大脑、小脑、身体”各环节。
小鹏汽车则走得更远，其新一代IRON机器人搭载自研图灵AI芯片，全身62个主动自由度关节，据称70%的核心技术与汽车共享。
特斯拉Optimus的视觉感知模块则部分移植了Model Y的FSD算法，仅用几个月就完成了环境建模能力验证，其运动控制模块则大量复用了Model Y的底盘控制技术。
这说明，当千寻智能还在从零搭建感知算法时，车企已经将数亿公里路测验证过的技术栈直接“平移”到了机器人身上。这种起跑线上的差距，不是靠千寻智能的几轮融资就能轻易抹平的。
再者，是难以攻破大厂“场景自有”形成的天然护城河。
车企拥有现成的“练兵场”，可以在不依赖外部订单的情况下完成“研发-使用-迭代”的闭环。
例如小鹏的IRON机器人已经在广州工厂参与P7+车型的生产实训，承担分拣、搬运、质检等工序；比亚迪自2022年启动“尧舜禹”人形机器人项目，2026年计划实现2万台内部自用；奇瑞的墨茵机器人已完成300多台量产交付，应用于工厂巡检、展厅服务等多个场景。
小鹏IRON机器人
相比之下，千寻智能虽然已进入宁德时代产线，但其99%插接成功率的成绩是在EOL与DCR两道特定工序上取得的。
当车企的机器人在自家工厂里全天候“带薪训练”，不断积累真实场景的数据时，千寻智能每一小时的产线数据都需要与产业股东反复协调、争取。这使得二者在场景获取成本上存在云泥之别。
最为致命的，是大厂“供应链优势”带来的成本碾压。
常州某新能源车企的实验室数据显示，采用汽车级供应链的伺服电机成本仅为工业机器人同规格产品的63%，减速器采购价低至41%。
以某种精密齿轮为例，直接复用汽车电机减速器的冲压模具，模具开发成本能直接节省800万元。例如特斯拉Optimus的大量齿轮复用Model3电机模具，单件成本就下降了82%。
而创业公司即便融资近20亿，面对这种成本结构，也只能望洋兴叹。
就连千寻智能创始人韩峰涛对此也多次直言：“我们未来真正的对手就是这些大公司。华为、小米、理想这样软硬都做的企业更有可能做好。”
面对车企巨头的“降维打击”，千寻智能的当务之急，是在大厂尚未全面收割市场之前，必须尽快从“小而美的创业公司”进化成“有壁垒的中厂”。
03如何在大厂下场前变成“中厂”？所谓“中厂”，并非指通过融资进行简单的规模扩张，而是要在技术路线上走出一条难以复制的康庄大道，但在此之前，要做好两件事。
其一，用“服务价值”取代“硬件毛利”，毕竟，卖硬件只是开始，持续产生数据和服务价值才是真正的护城河。
比如小米2024年互联网服务业务毛利率高达76.6%，远超硬件业务的利润水平；AI硬件创企——Plaud，其年化收入即将达到2.5亿美元，其中约半数的收入来自其年度AI订阅服务。
可见，硬件是入口，服务才是利润的源泉。
对此，韩峰涛曾在专访中表示：我们定位是智能服务载体，在具身智能机器人和系统卖出去后，连接才刚刚开始。
数据显示，千寻智能已累计获取超20万小时真实交互数据，预计2026年将突破100万小时。这些数据不是躺在服务器里的死资产，而是驱动模型持续迭代的“活血液”。当一台机器人卖出后，它每天在客户现场产生的操作数据、失败案例、环境交互记录，都在反向哺育千寻智能的Spirit模型。
这种“销售即连接”的模式，让硬件成为入口，数据成为资产，服务成为利润来源。大厂或许能在硬件成本上碾压，但很难在短时间内建立起同等规模的真实场景数据闭环。
其二，就是用“数据资产”构筑不可复制的壁垒。
例如今年2月，鹿明机器人就发布了全球首款背包版UMI数采设备，计划2026年在六大真实场景投放1万台设备，目标直指百万小时级数据产能，并推出“FastUMI Pro数据超市”，让具身智能数据首次以“标准商品”形态进入市场流通。
同月，觅蜂科技也宣布完成数亿元融资，定位具身智能数据基础设施，据测算 2026年行业高质量有效数据缺口超500万小时。
这都意味着，数据本身正在成为一条独立的赛道。
对于起步更早、具有“先发”优势的千寻智能而言，一旦数据形成规模，后来者需要付出的成本是指数级增长的。在这场数据赛跑中，它正悄然拉开身位。
但毋庸置疑的是，冲刺“中厂”之路并非坦途，服务价值的兑现需要时间，数据资产的积累需要耐心，大厂的阴影则始终悬在头顶。千寻智能只要守住“数据驱动、服务先行”的差异化路线，在宁德时代、京东等产业场景中持续沉淀真实交互数据，把每一个落地的机器人变成数据采集的节点，就有机会在模型能力上形成代际领先。
最终，当具身智能迎来属于自己的“ChatGPT时刻”时，真正定义行业规则的，或许不是那个资源最雄厚的巨头，而是那个最早找到数据飞轮、最懂物理世界智能化的“千寻智能们”。
景盛配资提示：文章来自网络，不代表本站观点。
