近日，具身智能企業靈御智能完成近億元天使+輪融資，由福田資本領投，力合創投、金沙江聯合資本、復利多、楹輝創投、華倉資本等多家知名機構跟投，老股東英諾基金、天鷹資本持續加注。本輪融資將主要用于數據采集系統的大規模部署及云端協同架構的迭代升級。

在熱鬧非凡的具身智能賽道，這筆融資背后藏著一條更值得關注的邏輯：當大多數團隊忙著讓機器人“站起來、走起來”，靈御智能選擇了一條更底層的路徑，把機器人本體本身變成一臺高質量真機數據的“生產機器”。

01.

數據的“不可能三角”

根據行業測算，訓練一個具備基礎泛化能力的具身智能大模型，至少需要數億條高質量真機數據。而目前全球范圍內，可用于訓練的公開真機數據集總量，可能還不到這個數字的百分之一。

2024年以來，具身智能賽道熱度持續飆升，僅國內就涌現出十幾家人形機器人創業公司。但一個現實困境是：大部分機器人在實驗室里能絲滑完成抓取、放置等任務，一旦走出實驗室，面對光照變化、物體材質不同、桌面高低差異等“微小擾動”，就會頻頻翻車。

根源在哪里？答案是高質量真機數據的極度匱乏。

要理解這個問題，我們需要先明白一個概念：什么是“真機數據”？簡單說，就是機器人本體在真實物理世界中執行任務時，由其傳感器采集到的多模態數據。這種數據包含了物理交互的全部信息，接觸力、摩擦系數、物體形變、光照反射……這些都是仿真環境里“捏造”不出來的。

但獲取真機數據，正面臨一個經典的“不可能三角”：高質量、高效率、低成本，三者幾乎無法兼得。

質量差：傳統遙操作采集依賴人工遙控機器人做動作，數據質量嚴重受限于操作員的技能水平。同一個動作，不同的人錄的軌跡差異巨大；同一個人，狀態好和狀態差采集的數據也不一樣。更麻煩的是，人的生理抖動、反應延遲會混入數據中，形成難以過濾的“人因噪聲”。

效率低：一個熟練操作員花一整天，可能只能采集幾百條有效數據。因為每次換場景、換物體、換動作，都需要重新調試、校準、反復錄制。數據采集的吞吐量，成了模型訓練的最大瓶頸。

成本高：高品質機器人本體動輒幾十萬甚至上百萬一臺，專業操作員的人力成本也不菲，再加上場地租賃、設備維護、數據標注……有團隊算過一筆賬，單條高質量真機數據的綜合成本可能高達3-5元。按照這個速度，要湊夠訓練大模型所需的數據量，預算是個天文數字。

這三條邊相互掣肘：要質量，就得用高精度傳感器加資深操作員，成本飆升、效率拉垮；要效率，就得簡化流程、降低精度，質量又沒法保證；要低成本，要么犧牲硬件品質，要么壓縮人力，結果兩頭不討好。

這就是當前整個具身智能行業的最大卡點。而靈御智能給出的回答是：重新設計那臺“采集數據的機器人”本身。

02.

本體即“數據工廠”：效率、成本、質量的系統突破

靈御的核心洞察，聽起來簡單，執行起來卻有些“反直覺”：機器人本體不是智能的終點，而是數據的起點。

在絕大多數團隊的思路里，機器人是終端產品。先造一個盡可能靈活、擬人的身體，再往里面塞算法，讓它學會干活。但在靈御看來，這種思路把因果關系搞反了。正確的順序應該是：先定義“我需要采集什么樣的數據”，然后反向設計一臺最適合產生這類數據的機器人本體。

這臺機器人不必長得像人，也不必什么都會。它的唯一使命是：以最高效率、最低成本、最好質量，持續不斷地“生產”出高質量的真機數據。

基于這一理念，靈御在過去一年里完成了從硬件到底層系統的全面重構，形成了三大核心優勢。

優勢一：取數效率更高

先講一個真實場景。

2025年第二屆中關村具身智能機器人應用大賽上，有一個環節是考察機器人的數據采集效率。主辦方給出的任務很簡單：采集一組“從桌面抓取水杯并放置到指定位置”的動作數據。

大多數參賽團隊的做法是這樣的：先花半小時調試機器人關節參數，再花20分鐘校準相機內外參，然后用遙操作設備一步一步“手把手”教機器人做動作——操作員推動搖桿，機器人跟著動，每個任務要反復執行十幾遍才能跑的通。一個動作下來，一上午就沒了。

而靈御的機器人上場后，卻讓評委印象深刻：機器人以遠超預期的速度連續執行抓取動作，姿態穩定、軌跡平滑，每完成一次抓取放置，自動重置、自動開始下一次。同樣的一個任務，靈御的機器人完成花費時間僅為同類競品的30%甚至更低。

這種效率差的根源，藏在硬件設計里。

絕大多數機器人在做數據采集時，面臨一個被忽視的問題：本體響應延遲。從操作員發出指令，到機器人關節真正開始運動，中間要經歷“指令傳輸-運動規劃-底層控制-關節響應”多個環節，每個環節幾十毫秒的延遲累積起來，就是幾百毫秒。這意味著操作員必須放慢動作、等待機器人跟上，采集效率自然上不去。

靈御的解決方案是：在硬件層面將整個控制鏈路延遲壓縮到極致。通過自研的高帶寬關節驅動器和高實時性底層通信協議，從接收指令到關節開始運動的端到端延遲控制在90毫秒以內。這帶來的直接效果是：操作員可以像控制自己的身體一樣控制機器人，無需任何“等待-確認”的停頓。

另一個被忽略的維度是本體的物理穩定性。

很多機器人為了追求“輕量化”，在結構剛性上做了妥協。這導致一個嚴重問題：當機械臂快速加減速時，本體自身會發生肉眼可見的震顫。這種震顫會直接混入采集的數據中，讓軌跡變得毛刺叢生。為了過濾這些噪聲，操作員不得不放慢速度、減小加速度，進一步拉低效率。

靈御的設計哲學則完全不同：在重量和剛性之間找到了一個更優的平衡點，確保機器人在高速運動時依然保持結構穩定。這讓數據采集可以以更高的動態性能進行，而不用擔心引入本體噪聲。

優勢二：取數成本更低

如果說效率是顯性的優勢，成本則是靈御構建的另一道隱形護城河。

2026年初，具身智能領域的數據需求正在快速升溫。目前，數據需求目前集中在前沿大模型團隊、海內外具身智能大廠及初創公司，需求方普遍處于“你有多少我就買多少，你什么時候有，我馬上要”的狀態。然而，數據成本高企，賽迪智庫報告顯示，單臺設備產出1萬小時真機數據需耗費上百萬元，且一人一天僅能采集300~500條。

單條數據平均3-5元是業內常態，這還是規?；杉那闆r。對于中小型團隊來說，單條數據的成本動輒數十元甚至上百元，數據采集直接變成了“氪金游戲”。

靈御是怎么把成本打下來的？答案藏在兩個關鍵層面：

第一層：本體BOM成本的大幅優化。

靈御的機器人沒有采用市面上昂貴的“實驗室專用”關節模組，而是基于對數據采集任務的深度理解，重新設計了電機、減速器和驅動器的選型方案。在保證數據采集所需精度和動態響應的前提下，將單臺本體的硬件成本壓縮到了同類產品的三分之一以下。

這不是簡單的“減配”，而是精準的“砍冗余”。很多高價機器人身上采用了數據采集根本用不到的高端傳感器和昂貴材料。但在數據采集場景下，很多數據完全可以通過算法間接推算，不需要每個維度都用物理傳感器測量。靈御的方案是：只采集真正需要的數據維度，用更聰明的標定和濾波算法補全其余信息。

第二層：數據生產效率的提升直接攤薄了單位成本。

前文提到，靈御的單臺機器人單位時間數據產出量是同行的3倍以上。這意味著同樣投入一臺設備和一名操作員，靈御每天產出的數據量是別人的3倍。如果把設備折舊、場地租金、人力成本攤到每一條數據上，靈御的單位成本自然只有別人的三分之一不到。

綜合以上優化方向，靈御內部測算的數據是：在同等數據質量要求下，靈御方案的單條數據綜合成本，單任務每次數據成本在0.6元左右，和umi數據采集成本相似，因此具有非常明顯的成本優勢。

優勢三：數據質量更好

效率和成本做到極致還不夠，如果數據質量不過關，再便宜、再快也是白搭。

這里需要先明確一個概念：什么是“高質量”的真機數據？

通常從三個維度衡量：

時間維度：數據的采樣頻率是否足夠高？能否捕捉到高速動態過程中的細微變化？

信息維度：每條數據包含的信息是否足夠豐富？除了位置、姿態，是否包含力、力矩、接觸狀態等物理交互信息？

空間維度：數據的空間精度如何？能否還原出亞毫米級的操作細節？

靈御的解決方案，是通過本體設計從根本上規避這些問題。

在時間維度上，靈御 TA 機器人在 S100、x86、激光雷達、相機等全套硬件實現了亞微秒級同步，能夠從系統底層保證多傳感器數據在統一時間軸上的高度一致性。這樣的時間精度能力，能夠顯著提升多模態數據對齊質量，為后續模型訓練和數據分析提供更可靠的基礎。

在信息維度上，靈御 TA 機器人完整覆蓋了力控數據，頭部4k雙目視覺數據，腕部2k雙目視覺數據和遙操作眼動數據，據悉整體數據topic數量做到了行業最多。

在空間維度上，重復定位精度0.1mm，意味著同一臺機器人反復執行同一動作，落點偏差小于一根頭發絲的直徑；絕對精度1mm，則意味著不同機器人之間采集的數據可以互相通用——這對于大規模、多工位的數據生產至關重要。

這三個維度的優勢疊加，讓靈御產出的數據具有一個關鍵特性：極強的可復用性。

很多人沒意識到，數據采集最大的成本往往不是采集本身，而是“采了但用不上”。很多團隊辛苦采了幾十萬條數據，換一個操作員、換一臺機器人、甚至只是改變了相機安裝位置，之前的模型就不work了，只能重新采集。

靈御的數據在采集時就通過硬件層面的一致性設計，保證了不同機器、不同操作員、不同時間采集的數據具有高度的一致性。這意味著數據可以像“工業標準件”一樣被反復使用、組合、擴增，真正具備了作為基礎設施的復用價值。

03.

云端協同：從單機智能到“一身多腦”

有了高質量的數據生產管道，下一個問題是：這些數據用來訓練什么？

靈御給出的答案是：一個部署在云端的具身智能大模型——它稱之為“云端大腦”。

很多人會問：機器人在執行任務時需要低延遲響應，把大腦放在云端，網絡延遲怎么辦？

靈御的解釋是：端側留“小腦”，云端放“大腦”。

具體來說，機器人本體上部署的是一個輕量級的“小腦”模型，負責實時控制、運動平穩、安全保護等需要毫秒級響應的底層能力。而更高層次的語義理解、任務規劃、場景認知等“認知能力”，則放在云端由大模型處理。

這種分工的合理性在于：具身智能任務中，90%的算力消耗在“我該做什么”的規劃層面，只有10%消耗在“怎么做”的控制層面。前者對實時性要求不高，但計算量巨大，放在云端可以充分利用GPU集群的算力；后者對實時性要求極高，但計算量小，放在端側由專用芯片處理，既快又省電。

基于這一架構，靈御實現了一個很有意思的能力：“一身多腦”。

傳統模式下，每一臺機器人都有自己的“大腦”（也就是部署在本地的模型）。這意味著每臺機器人的能力上限是固定的，模型更新需要逐臺升級，效率極低。

而在靈御的架構下，云端有一個持續進化的大腦，它可以同時為成百上千臺機器人提供任務規劃服務。每一臺機器人在執行任務時，都會把場景信息上傳到云端，云端大腦實時“思考”出任務序列，下發給機器人的“小腦”去執行。執行過程中采集到的新數據，又會回流到云端，用于大腦的持續訓練和進化。

這就形成了一個“部署—數據—訓練—進化”的商業閉環：越多的機器人部署，產生越多的真實場景數據；越多的數據，訓練出越強的云端大腦；越強的大腦，能夠處理更復雜的任務，吸引更多的部署。

這意味著，未來靈御的云端大腦可以賦能任何形態的機器人。一臺工業機械臂、一臺服務機器人、甚至一臺特殊用途的非人形機器人，只要接入了靈御的云端接口，就能獲得持續進化的智能能力。

這恰恰契合了靈御對自己的定位，“具身智能數據基礎設施提供商”。它不是在做一款機器人產品，而是在搭建一個讓機器人變得更智能的基礎設施。

04.

結語

回顧靈御智能的整體技術路徑，可以發現一條清晰的邏輯主線：

不執著于造出“最像人”的機器人，而是先定義“什么樣的數據才能讓機器人大腦真正變聰明”，然后以極致的工程化思維，系統性地解決數據生產的質量、效率、成本三角困境。在此基礎上，用云端協同的架構實現能力的持續進化和規?；瘡椭?。

這套打法最終形成的，是一個自我強化的正向循環：更好的本體 → 更高質量的數據 → 更強的云端大腦 → 更多的場景落地 → 更多的數據回流 → 更好的本體迭代。

隨著本輪融資的完成，靈御將加速其數據采集系統的規?；渴?。據透露，公司計劃在未來一年內建成高質量真機數據采集網絡，覆蓋工業操作、倉儲物流、家庭服務等多個場景。

對于整個行業而言，靈御的存在或許提供了一個更冷靜的視角：具身智能的終局，不只是比誰的機器人跳得更高、跑得更快，更是比誰能以更低的成本、更高的效率，持續產出讓機器人大腦真正“開竅”的高質量數據。