清華系具身智能企業靈御智能已完成數千萬元天使輪融資

又一家清華系具身智能企業浮出水面。

「甲子光年」獨家獲悉，清華系具身智能企業靈御智能已完成數千萬元天使輪融資。本輪融資由銀河創新資本領投，國海創新資本、天鷹資本、廈門思明科創基金跟投，老股東英諾天使基金、華映資本、遠鏡創投持續加注。Maple Pledge楓承資本長期出任私募股權融資顧問。截至目前，靈御智能累計融資近億元。

靈御智能聯合創始人兼首席科學家莫一林是清華大學自動化系長聘副教授。莫一林師從美國工程院院士、機器人操作領域先驅Richard. M. Murray教授，谷歌學術引用超1萬次，2021-2025連續五年獲得Elsevier中國高被引用學者，在優化、控制、機器人領域發表高水平論文100余篇。

靈御智能聯合創始人兼CEO金戈是清華大學自動化系學士、清華大學經濟管理學院MBA，曾任遠鏡創投管理合伙人、奧量光子副總裁，在高科技領域有著多年的創業投資和企業管理經驗。

莫一林（圖左）與金戈（圖右），圖片來源：受訪者

在具身智能領域，已有多家清華系企業嶄露頭角，包括星動紀元、星海圖、千訣科技、自變量、松延動力、加速進化、流形空間、極佳視界等，業務和研究涵蓋了機器人本體、具身智能模型、世界模型等。

靈御智能從清華走出，立足海淀開始創業，他們把業務和研究重點放在了數據上。在他們看來，具身智能卡在“數據荒”上，尤其是“高質量、長序列”的復雜操作數據十分缺乏。盡管這條路看起來有些“樸實”，但莫一林的觀點是，具身智能能領域真正決定勝負的變量是——數據。

「甲子光年」認為，決定機器人能力的不只是本體、模型和算力，更重要的是一套新的基礎設施——具身數據 Infra，這是一套用于規模化生產、管理和利用真實世界機器人交互數據的基礎設施體系。誰能更高效地生產真實世界數據，誰就更有可能推動機器人智能的躍遷。

而靈御智能要打造的就是具身數據Infra。

1.大規模、高質量的數據從哪里來？

如果說AI Infra是計算工廠，那么具身數據Infra就是數據工廠。

具身數據 Infra離不開數據采集母機，這指的是專門用于規模化采集真實機器人操作數據的“生產設備”或“數據工廠機器”。

它可以理解為一套能夠持續、標準化、高效率地產生機器人操作數據的機器人系統平臺，其核心使命就是為具身智能模型提供大規模、高質量的真實世界數據。

在大模型時代，人們習慣把“算力、算法、數據”視為AI的三大要素。但當AI進入物理世界，這個公式發生了微妙變化。對于具身智能而言，數據不再只是訓練材料，而正在演變為一種新的基礎設施。

原因很簡單，大語言模型可以從互聯網獲得海量文本，而機器人需要學習的，是現實世界中人與物體交互的細節——抓取的角度、力的大小、物體的重量、失敗后的調整路徑。這些信息無法從網絡抓取，只能通過真實機器人反復執行任務產生。

這也意味著，具身智能的數據生產方式與互聯網AI完全不同。它不再依賴“數據爬蟲”，而依賴數據采集母機。

靈御智能構建具身數據Infra的思路是研發TeleAvatar（本體）和TeleDroid（系統）。

TeleAvatar，圖片來源：靈御智能

TeleAvatar專為遙操設計，具備多樣化操作模式，可以應對不同復雜環境和任務需求，同時還支持與多種外部設備進行交互。在端側，實時運動控制內核可以保證毫秒級響應與安全力控。

TeleDroid是一套軟硬云一體化系統，其具備智能數據分析能力，可為用戶提供深入的洞察和決策，同時確保數據在采集、傳輸和存儲過程中的安全。這套系統部署在云側，用戶通過完整的數據采集、清晰、自動化標注平臺，可實現數據資產的閉環管理。

兩者合在一起，用戶就可以持續沉淀真機數據，再用數據反哺模型、逐步提升自主能力，形成“部署即采集、采集即訓練”的數據飛輪。

靈御智能的判斷是，真正能驅動模型涌現的高質量數據，還是要從真實物理世界中磨出來。

“這也是過去特斯拉、‘蔚小理’、華為走過的道路。只有通過這種方式，才能采集到足夠量的數據，而這些數據才能把AI真正‘喂養’出來。”金戈告訴「甲子光年」。

靈御智能參加第二屆中關村具身智能機器人應用大賽，圖片來源：靈御智能

雖然具身智能數據采集和自動駕駛數據采集存在一定的相似性，但是莫一林認為，兩者之間是數量級的鴻溝。

自動駕駛本質上是一個二維空間、2自由度的問題，數據能被動采集，目前已積累超過百億小時。但具身智能面對的是三維空間、20+自由度的操作問題，對重量、形狀、摩擦、軟硬等物理屬性高度敏感，仿真難度大，現有開源數據集質量參差不齊，總量僅在十萬小時級。

“如果我們認定機器人需要的數據量也在百億到千億小時級，今天業內處于嚴重的數據稀缺的情況下。尤其是機器人上肢操作的數據最為缺失，還不能依賴自建數采中心來填補，因為量級差太遠了。”莫一林告訴「甲子光年」。

當前具身智能行業獲取數據，主要有四種方式。

第一種是仿真數據，即在模擬環境中生成機器人操作數據，優點是成本低、規模幾乎無限，可以快速訓練模型的基礎能力，但最大問題是“虛實鴻溝”：仿真環境很難準確還原現實世界的物理細節，例如摩擦、柔性物體、傳感器噪聲等，導致模型在仿真中表現良好，到了真實機器人上卻容易失效。