00后北大天才拒絕華為offer，研發數據手套讓AI偷師真人

具身智能的勝負手，可能并不在機器人本身。

這種認知差，正在被最敏銳的資本迅速兌現為籌碼。

近日，靈初智能宣布完成總額約20億元的天使輪及Pre-A輪融資。

這筆20億元的資金，將加速靈初智能在物流場景的規模化落地與數據采集體系建設。

值得注意的是，這是靈初智能首次系統披露公司的融資進展。

過去很長一段時間，這家公司幾乎沒有在資本層面發聲，而是把大部分精力放在技術路線與數據體系的打磨上。

而之所以能吸引國家級資本與地方國資的大規模重倉，也與團隊極其互補的底色分不開：

創始人兼CEO王啟斌在手機、智能音箱及機器人領域擁有20年產品操盤經驗，曾擔任黑莓、Sonos及云跡科技高管；

聯合創始人陳源培是00后，在北大人工智能研究院讀研時師從強化學習（RL）代表人物楊耀東，在斯坦福曾與李飛飛有過深入交流，曾拒絕了華為“天才少年”的高薪offer。

在具身智能公司紛紛卷Demo、卷參數的當下，靈初智能的突圍邏輯清晰且冷峻：放棄昂貴且低效的機器人遙操，All in人類原生數據。

長期以來，具身智能被三座數據大山死死壓住：

仿真環境數采存在無法逾越的Sim-to-Real差距，尤其在處理布料等柔性物體時捉襟見肘；

機器人遙操數采則像是一場昂貴的人力外包，碎片化的試點導致成本居高不下，且無法窮盡物理世界的復雜分布；

而硬件本體與數據的深度耦合則成為了“房間里的大象”。數據與硬件強綁定，采集于哪種本體，便服務于哪家體系。這種封閉結構使數據難以跨平臺流通，整個生態將逐漸演變為彼此割裂的孤島。

風頭正盛的UMI設備數采，在靈初智能看來更像是一個“美麗的陷阱”，同樣存在結構性問題。

在靈初智能看來，這并非一場工具之爭，而是一場數據范式之爭。

UMI本質上是讓人拿著機器人的器官去模擬機器，是一種“Robot-Centric”的邏輯。短期內可以降低門檻，長期卻可能鎖死上限。

如果數據從一開始就圍繞機器人本體采集，那么模型的能力邊界也會被提前鎖定；而如果數據源頭來自人類本身，那么模型學習的將是“任務本質”而非“機器結構”。兩種路徑，決定的是具身智能未來的天花板。

“UMI采集的是機器人夾爪的數據。它無法泛化，今天用UMI采的數據，根本無法直接用到五指靈巧手上。”陳源培指出，這種方案強行將人類擁有20多個自由度的五指靈巧手，降維成了一個只能“開合”的簡易夾爪。

為了破解這一冷啟動難題，靈初智能全棧自研并發布了全球首個具身原生人類數據采集方案——Psi-SynEngine。

其核心邏輯只有四個字：以人為本。

便攜式外骨骼觸覺手套可精準捕捉人手21個關節自由度及全手觸覺信息，并不影響工人正常作業；系統同步記錄頭戴與手部視角的視覺、觸覺、動作及語言數據，為預訓練階段的多模態對齊提供真值支撐。

更關鍵的是成本結構。

據王啟斌透露，通過手套采集數據的綜合成本，僅為真機遙操方案的10%。

真正的護城河，則來自跨本體遷移能力。

“機器人會迭代，夾爪會更換，但人手是不變的。”陳源培表示。

通過基于世界模型與強化學習的遷移算法，靈初能夠將人類動作高質量映射到不同構型的靈巧手上，彌合Embodiment Gap。

當數據源頭脫離硬件本體，模型的能力上限也會隨之被重新打開。

數據基建解決的是“礦從哪來”，即“有沒有數據”的問題，而真正拉開公司之間差距的，是“礦煉成什么”，也就是把這些數據轉化為模型能力的效率。

靈初發布數采體系，外人看可能覺得就是個“賣鏟子”的生意。但在創始團隊的邏輯里，這只是飛輪的起點。

陳源培直言：

數據是用來訓練具身大腦的燃料，而非終點。真正具備長期價值的，是由數據喂養出來的、可遷移的通用操作能力。

靈初智能不賣礦石，也不賣鏟子，賣的是“會干活的腦”。

在靈初的邏輯里，單純靠人力做數采沒什么門檻，本質上賺的是勞動力的錢。而模型對數據的消化、泛化與遷移水平，才直接劃定了這些數據價值的天花板。

因此，靈初走出了一條在行業中相對少見的路徑：

這種“模型驅動數據”的閉環，讓靈初在持續推進模型落地的過程中，能不斷修正數據結構、標注體系與采集方式。

這就把原本死板堆積的“原材料”給帶活了，讓它們變成了一種緊貼模型目標、不斷進化的結構化資產。

相比行業里還在兜售“大物流”“全場景泛化”這類宏大敘事，靈初表現得有些反直覺的克制。

王啟斌透露，2025年下半年靈初內部曾有過一次關鍵掉頭：停止資源投入純展示型Demo，全面轉向真實數據采集與細分場景交付。

為什么？

這種轉變背后的邏輯其實很務實，因為模型進化需要養料，而最硬核的養料，只有在真實交付中碰撞出的“高密度問題”里才能淘出來。

靈初切入的口子極細，甚至有些“挑剔”，比如專門盯著“衣服供包”或“入箱檢”這種高復雜度、強柔性的活兒。

以衣服供包為例，目前靈初已實現對上千件衣物的泛化抓取，節拍提升至800 UPH（即Unit Per Hour，指每小時產出數量），形成從場景部署、數據采集到模型優化的閉環。

這套方法在團隊內部被沉淀為一種“能力飛輪”：每一個新場景的落地都在喂養模型，而變強了的模型，又成了他們敲開下一個復雜場景的敲門磚。

飛輪由此啟動。

在具身智能這個“軟硬耦合”的賽道上，全棧幾乎是必選題。

算法離不開硬件，硬件又反過來塑造數據分布，兩者缺了誰都跑不通系統閉環。

但靈初的“全棧”被賦予了某種分寸感，他們通過戰略篩選，將精力高度克制地集中在核心鏈路，走的是一條精準布局、有的放矢的路子。

在王啟斌看來，市場上能買到且夠用的，靈初絕不碰；但凡是卡住核心能力的環節，必須緊緊攥在自己手里。

之所以費力氣自研數據手套和靈巧手，是因為市面上現有的方案在規模化數采和底層電流環控制算法上，根本達不到高精度操作的要求。

假如將這些環節外包出去，無異于把數據質量和模型演進節奏的“命門”交給了別人。

而對于像輪式底盤這樣已經高度成熟的賽道，他們則選擇通過定制合作來解決，因為那已經不構成技術瓶頸，強行投入只會分散自身精力。

如此取舍背后，其實是在重新厘清靈初這家公司的能力邊界：自研是為了守住核心能力，整合是為了調用通用資源。

這也讓靈初的定位變得愈發清晰——他們本質上是一家通用靈巧操作能力的“大腦驅動公司”，核心算法與數據鏈路自控，硬件形態保持開放，能夠根據不同場景靈活適配。

對于具身智能公司來說，眼下跟時間賽跑很重要。

因為真實場景的數據反饋是有復利效應的，那些進場早、碰到的復雜任務多的人，才能搶先一步觸達那些決定勝負的長尾數據。

這種由規模和密度堆疊出來的領先優勢，是后來者很難用資本直接抹平的。

所以靈初的方法論重心在于模型能力的沉淀。隨著數據飛輪的啟動，數據成本在降，模型能力在升，這種此消彼長會帶他們步入一個更高階的戰場——

去解決那些更復雜、更廣闊的應用場景。

值得注意的是，靈初智能此次披露的融資信息也釋放出一個信號：具身智能正在進入資本與產業共振階段。

據行業人士估算，在過去一年中，靈初估值已提升約6–7倍，正在向具身智能領域的獨角獸邁進。

從國家級產業基金、地方國資平臺，再到通信與光通信產業鏈龍頭，這種資本結構背后，其實是產業界對“具身數據基礎設施”的提前押注。

在這個賽道里，大家爭奪的籌碼早已超出了資金本身，時間才是最稀缺的通貨。

隨著數據飛輪轉速加快，比拼的本質也從聚焦于誰賬面上錢多，轉變成了誰跑在了時間的最前面。

而這種領先優勢極具排他性，一旦時間差形成，差距就會以一種極快的速度被放大，留給后來者的空間只會越來越窄。