睿芯行获数千万元融资：创新工场等参投，新零件拣选免训练

全篇大概3000字，读完约需8分钟。

硬氪得到的消息是，成都睿芯行科技有限公司（下称“睿芯行”）日前拿到数千万元新一轮融资，出资方为创新工场、中力股份和今天国际。

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，两人联合创办，主攻工业场景下的具身智能技术与产品。

起步阶段，睿芯行做的是移动机器人控制器，围绕AGV、AMR等产品攒下了SLAM、导航、运动控制、视觉感知与决策等本领，相关产品在工业场景里用得不少。眼下，公司正把这份家底往具身智能机器人整机上延伸，想啃的是机器人进厂时部署贵、环境适应差这些硬骨头。工业拣选环节里，机器人得应付大量形状、尺寸各不相同的零部件。按老办法，不同零件要分别采数据、标数据、再训模型，一个零件训练周期最少一周；几百种零件排下来，部署周期能拖到几十周。训练还牵着云端算力的开销。

工业零配件品类杂、形态差得远、订单又变得快，睿芯行针对这些实际情况，推出了号称全球首创的基于类人脑机制的具身智能免训练抓取模型。它靠自适应学习让新零件不用训练，每个零件一周的训练时间和上千元训练成本就此省掉；千元级普通3D相机也能顶替数万元级高精度3D相机，拣选抓取和感知硬件的花费随之下降。系统会看工件特征挑夹爪、气吸、磁吸等抓取方式，用在工业拣选及相关物料操作场景。

（图源/企业）

周军对硬氪说，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，再靠在线学习，让机器人在干活过程中攒经验，拿这些信息去调整后面的抓取动作，形成实时反馈、自我适应的回路，做到“边做边学”。

这套机制更像人抓东西的样子。人拿水杯或钢笔，一般不会先算准物体和手之间的精确距离，而是看着形态、摸着反馈一路调动作。睿芯行想让机器人也有这种动态适应本事，碰上没训练过的新零件，照样能靠实时感知把东西抓起来。

拣选之外，装卸搬运还是睿芯行重点押注的场景。传统移动机器人多靠激光雷达感知周边、完成定位，工厂里的货物、料框或其他设施一挪位，机器人就可能定位失准，得重新认环境、改路线；多台机器人同时干活时，交通拥堵、路径冲突、任务分配不合理也会拖累整体效率。睿芯行的具身“小脑”技术具备环境自适应和多智能体协同能力。有些具身智能企业从机械臂操作切入，睿芯行不一样，2019年成立以来一直做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里的协同作业问题。公司还给原有移动机器人系统加了大模型感知能力，让机器人更适应动态环境，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本事。周军说，具身智能模型跑起来不光看算法，也跟底层硬件的算力、功耗和成本绑得紧。直接靠高算力硬件跑复杂模型，整机成本很难压下去。团队凭算法与芯片方面的研究积累，能在模型往硬件部署时做协同优化，保住模型精度的同时，把算法复杂度和硬件资源需求降下来。

产品线上，睿芯行已经推出多款面向不同场景的型号。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和数量，机器人自己走完拣选流程。商超等商业场景也有无人拣选方案：商品包装多是瓶装、罐装和纸盒，机器人就用气吸式末端执行器去抓。

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，飞箱系统则把对应物料的料框快速送到待拣选平台，物料切换和取料的时间都缩短了。第二代机器人换成双臂设计，两条手臂可搭配不同类型的末端执行器，覆盖更多零件品类。

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2025年11月在中力股份现场演示过50台移动机器人协同作业。场地约30米×30米，系统要在有限空间里完成多任务调度，还得处理机器人之间的交通拥塞与路径协调。

以下是创始人问答（略经编辑）：

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

周军：类脑具身模型可以看成一个分层架构。底层是基座模型，包含VLA、世界模型等，提供基础的感知与动作能力；上面一层，我们加了知识检索与迁移机制，再通过在线学习，把执行任务和积累经验接在一起。人能拿起一个从没见过的零件，并不是每遇到一种新物体就得重学一遍。比如已经会拿水杯，再拿纸杯时，凭两者的相似之处就能把已有的抓取经验迁过去，不用重新训练上万次。

现在一些大模型，训练和执行是相对分开的：先拿大量数据训完，部署后再执行任务，碰上新材料往往还得补数据、重训练才能适应。我们想把学习和执行融到一块，让机器人在抓取过程中实时拿反馈、攒经验；遇到新零件时，它能检索过去处理过的相似物体，把已有知识迁到当前任务上。这里有两个关键点：一是“边做边学”，不用等攒够大量新数据再训练；二是“知识迁移”，能从过往经验里抽出可复用的信息，帮机器人对付新物体。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尽量压下来，不过这件事只能一步步来，各任务眼下推进的程度并不一致。

工业拣选这块，不针对新零件专门做数据训练，抓取已经能完成。搬运场景同样可以做到用少量数据、甚至不靠新增训练数据就跑通一部分任务。装配不一样，操作精度和动作要求更复杂，现在仍得靠更多数据撑着。

换句话说，具身机器人并非已经甩开数据，团队想借在线学习和知识迁移，少掉每上一个新任务就得重复采数据、重训模型这道工序。数据需求将来能降到什么份上，还要看技术迭代和更多场景验证的结果。

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已经开展落地测试。这些头部工厂引入新技术时要求不低：机器人得把活干完，还要有足够的泛化能力，换零件、换环境都能应付；作业节拍要尽量贴近人工，成本也得合理。几条同时达标，客户才可能真正把它放进生产流程。他提到，公司此前长期给工业客户供应AMR等移动机器人，相关产品已在部分工厂投用，这既攒下了客户基础，也让团队更懂工厂的实际需求。比起只验证单台机器人能不能做出某个动作，他们更在意它能否进入真实生产环境、稳定完成任务，并达到客户对效率和成本的要求。

下一步，团队还要进更多工厂测试，继续验证模型的泛化能力、作业效率与系统稳定性，让产品从场景测试慢慢走向规模化交付。