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。

　　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表示 "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。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。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。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。" 金戈表示，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。

　　在访谈中莫一林指出当前具身模型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，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，这类问题靠实验室环境下的数据增强无法根本解决，只有在持续的商业运营中那些根本预设不到的 Corner Case 才会自然暴露而每一次暴露都是模型进化的机会，这也是灵御采用 "半小时人操作、半小时自主表演" 排班方式的原因。对于远程操控模式莫一林强调其本身就有很大商业价值不是妥协，对客户来说直接降低人力成本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反而成了优势，另外是标准化管理过去 1000 家店有 1000 个员工现在在一个集中地点一个人就能统一调度几十个人，还有污染等不舒适场景操作员可以在舒适房间里远程做，"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，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"。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。