睿芯行获数千万融资：具身模型让新零件免训练抓取

本文约3000字，建议阅读8分钟

硬氪获悉，成都睿芯行科技有限公司（下称“睿芯行”）近日完成新一轮融资，金额达数千万元，投资方为创新工场、中力股份及今天国际。

这家公司2019年成立，创始人是长江学者特聘教授、电子科技大学教授周军和西南交通大学教授徐菱，主攻方向是工业场景下的具身智能技术与产品。

睿芯行最早做的是移动机器人控制器，在AGV、AMR等产品上攒下了SLAM、导航、运动控制、视觉感知与决策等本事，相关产品在工业场景里用得不少。如今公司把这份家底往具身智能机器人整机上延伸，想解决的是机器人进厂时部署贵、环境适应差这些麻烦。

工业拣选线上，零部件形态、尺寸五花八门。按老办法，不同零件得分别采数据、标数据、重训模型，一个零件少说要训一周。要处理几百种零件，部署周期就得拖到几十周。训练还得花云端算力的钱。

针对零配件品类多、形态差异大、订单变化快这些实际情况，睿芯行推出了基于类人脑机制的具身智能免训练抓取模型，公司称其为全球首创。该模型靠自适应学习做到新零件免训练，省掉每个零件一周的训练时间和上千元训练成本，还能用千元级普通3D相机替掉数万元级高精度3D相机，把拣选抓取和感知硬件的开销压下来；系统会看工件特征挑夹爪、气吸、磁吸等抓取方式，适用于工业拣选及相关物料操作场景。

（图源/企业）

周军向硬氪介绍，睿芯行的路子不是给每种新零件都训一个VLA模型，而是在基座模型上加一层知识提取与检索机制，再通过在线学习，让机器人在干活过程中攒经验，拿这些信息去调后面的抓取动作，形成实时反馈与自适应的闭环，做到“边做边学”。

这套机制更接近人抓东西的方式。人拿水杯或钢笔，一般不会先算好物体和手之间的精确距离，而是看着形态、摸着反馈不断调整动作。睿芯行想让机器人也有这种动态适应能力，碰上没训过的新零件，照样能靠实时感知把东西抓起来。

拣选之外，装卸搬运也是睿芯行重点布局的场景。传统移动机器人多靠激光雷达感知环境、完成定位。工厂里的货物、料框或其他设施一挪动，机器人就可能定位失准，得重新识别环境、调整行驶路径。多台机器人同时干活时，交通拥塞、路径冲突、任务分配不合理等问题也会拖累整体效率。

睿芯行的具身“小脑”技术具备环境自适应与多智能体协同能力。有些具身智能企业从机械臂操作切入，睿芯行不一样：公司自2019年成立起就一直在做AGV、AMR等移动机器人技术，在工厂环境里的移动、避障、定位与导航上攒了较长时间的工程经验。

在此基础上，公司近两年自研了千台级智能体协同调度系统，把任务分配、实时动态调度与数据分析捏到一起，解决多台机器人在有限空间内的协同作业问题。公司还在原有移动机器人系统里加了大模型感知能力，提升机器人对动态环境的适应力，并进一步支撑多智能体集群调度。

软硬件协同设计是睿芯行强调的另一项能力。周军表示，具身智能模型跑起来不光看算法，还跟底层硬件的算力、功耗和成本紧紧挂钩。直接靠高算力硬件跑复杂模型，整机成本很难降下来。团队凭在算法与芯片方面的研究积累，能在模型向硬件部署的过程中做协同优化，保证模型精度的前提下，把算法复杂度和硬件资源需求降下去。

产品上，睿芯行已经推出多款面向不同场景的机型。2025年6月29日，公司与中力股份联合发布第一代工业拣选机器人，用户远程下发零部件种类与数量，机器人自动走完拣选流程。面向商超等商业场景，公司也开发了无人拣选方案。商品包装以瓶装、罐装和纸盒等形态为主，机器人用气吸式末端执行器完成抓取。

2025年11月，睿芯行又发布“飞箱”产品与第二代具身拣选机器人。上一代方案要机器人自己移动到不同料框位置才能拣选，飞箱系统则能把对应物料的料框快速送到待拣选平台，缩短物料切换与取料时间。第二代机器人采用双臂设计，两条手臂可适配不同类型的末端执行器，覆盖更多零件品类。

此外，公司还推出了单臂拣选站，能按零件类型切换二指夹爪、气吸、磁吸及灵巧手等末端执行器，并与AMR、CTU及输送带等设备组合，搭出不同的拣选系统。

多机器人协同方面，睿芯行曾在2025年11月于中力股份现场演示50台移动机器人协同作业。演示场地约30米×30米，系统要在有限空间内完成多任务调度，还得处理机器人之间的交通拥塞与路径协调问题。

以下为创始人问答（略经编辑）：

硬氪：睿芯行的“类脑具身模型”该怎么理解？为什么这种架构有望解决现有大模型的训练问题？

周军表示，类脑具身模型可视为一个分层结构：VLA、世界模型等基座模型构成底层，承担基础感知与动作能力的提供；上层则加入知识检索与迁移机制，并借助在线学习，将任务执行与经验积累衔接起来。

人能拿起一个从没见过的零件，并不意味着每遇到一种新物体都得重新学一遍。比如已经学会拿水杯，再拿一个纸杯时，可以照着两者的相似之处迁移已有的抓取经验，不用重新训练上万次。

现有一些大模型，训练与执行是相对分开的：模型先靠大量数据完成训练，部署后再执行任务。碰上新材料，往往还得补数据、重训，才能适应新情况。

我们想把学习和执行融到一起，让机器人在抓取过程中实时拿到反馈、积累经验。遇到新零件时，它可以检索过去处理过的相似物体，把已有知识迁移到当前任务里。这里有两个关键点：一是“边做边学”，不用等攒了大量新数据再训练；二是“知识迁移”，能从过去的经验里提取可复用的信息，帮机器人处理新的物体。

硬氪：这种架构对数据的依赖程度如何？目前已经实现了哪些能力？

周军说，最终目标是把模型对训练数据的依赖压到最低，不过现在还在一步步往前走，不同任务的进展并不一样。拿工业拣选来说，新零件不用专门采数据训练，抓取已经能完成；搬运场景下，用少量数据、甚至不新增训练数据，也能做一部分任务。装配就难一些，操作精度和动作要求更复杂，眼下还得靠更多数据撑着。

他的意思并不是说具身机器人已经不用数据了，而是想借在线学习和知识迁移，省掉每来一个新任务就重复采数据、重新训练模型这道工序。数据需求最后能降到什么程度，还得看技术怎么迭代、更多场景验证之后才能确定。

硬氪问：模型落地现在走到哪一步了？

周军介绍，浙江中力、海尔、京东方、中际旭创等企业的工厂里已经在做落地测试。这些头部工厂引入新技术卡得比较严：机器人得把活干完，还得有足够的泛化能力，换零件、换环境都能适应；作业节拍要尽量贴近人工，成本也得合理。这几条同时过关，客户才可能真把机器人放进生产流程。

他提到，公司此前长期给工业客户做AMR等移动机器人产品，相关产品在一些工厂已有应用。靠这个，公司攒下了客户基础，也更摸得清工厂的实际需求。比起只验证单台机器人能不能做出某个动作，他们更在意它能不能进真实生产环境、稳定把任务完成，并且达到客户对效率和成本的要求。

下一步，公司还要进更多工厂测试，继续验证模型的泛化能力、作业效率和系统稳定性，再一点点把产品从场景测试推向规模化交付。