远见网一、具身智能正从技术演示走向商业化落地的深水区
1、具身智能正从技术演示走向商业化落地
硬氪获悉，具身智能基础设施服务商「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。
值得一提的是，公司管理团队绝大部分均为清华本科，认识超过二十年，有丰富的字节、快手、腾讯、美团等大厂履历和成绩，因为对具身的共识而重聚一起创业。
2、构成一个完整的闭环
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。
基于这个逻辑，研发团队在几个关键维度上做了取舍。
二、用自研算法替代昂贵零部件
1、用自研算法替代昂贵零部件
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。
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。
2、操作员与机器人的动作基本达到肉眼无感
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。
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。
三、莫一林有一个判断
1、在真实机器人执行物理操作时才能产生
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。
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。
2、它被设计为一个人机混合的协同平台
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。
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。
“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。
四、回到那个最根本的问题：一家具身智能基础设施公
1、回到那个最根本的问题：一家具身智能基
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。
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；
2、核心在于模型OOD（分布外）泛化短板
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。
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。
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；
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
