斜跃智能:理想AI一号位带队,他要让机器人住进家里

QUOTE

家庭是机器人最想进、也最难进的地方。一支把大模型推上过量产车的队伍，决定去啃这块骨头。

——沙海

本文看点

9月12日，杭州斜跃智能宣布完成数亿元天使+轮融资，线性资本、钧山资本、弘颐资本、隐山资本等机构参与投资。

这是这家公司成立七个月内的第二轮。今年2月它才在杭州注册，成立初期即获得理想汽车与元璟资本联合投资，工商变更在4月完成。这也是理想汽车首个直接投资的具身智能项目。

钱的去向写得很清楚，本轮资金将用于具身基础模型训练、算力与数据基础设施建设、核心团队扩充，以及家庭机器人本体研发和场景验证。四件事分别对应模型、算力、人和机器。

把这笔钱放回赛道里看，家庭正在成为具身智能资金的新聚集地。在斜跃智能前后一周内，超维动力、自变量机器人相继官宣数亿元级融资，加上8月完成超10亿元天使轮、做过15分钟长程家务演示的墨奇智能，短短两个月里至少有四家企业合计融资规模超过20亿元。

据IT桔子的统计，2026年上半年国内具身智能领域共发生322笔融资，总金额935亿元，同比增长137%。钱多了，投向也在变，从工厂、物流、商超这些边界清晰的场景，往家庭这个公认最难的地方挪。

这轮资金聚集也带着明显的头部集中特征。据IT桔子等机构的统计，上半年披露具体金额的288起融资合计超过460亿元，其中排在前五的公司拿走约171亿元，占总额的37%，前20家合计占到七成，剩下两百多家公司分到约124亿元。钱往少数团队集中，而筛选的标准正在从团队履历转向可验证的里程碑。斜跃智能拿到的这一轮，买的是履历，也是时间。

斜跃智能的两位创始人，都出自理想汽车。

陈伟任董事长兼CTO，是理想汽车前AI首席科学家、基座模型部门负责人。他的学术底子是北京邮电大学信号与信息处理专业博士，此前担任过搜狗AI交互技术部总经理。2021年加入理想后，他主导了「理想同学」与Mind GPT的研发，推动大模型上车。理想是行业首家实现大语言模型上车的企业，这件事背后就有他这一段工作。

陈伟在理想的五年完整走过了从底层模型创新到量产交付的全流程。他在「理想同学」业务深耕三年多，2023年4月即启动大语言模型研发，此后陆续完成多模态大模型、智能体模型的开发与交付，2024至2025年又切换到自动驾驶业务。他在AAAI、NeurIPS等顶级会议与期刊发表论文30余篇，持有专利70余项。

张骁任CEO，他是理想汽车早期员工，2016年加入担任整车产品经理，此前在宝马MINI从事车型产品策划。他参与过理想ONE、L9等车型的产品定义及型谱规划，后来升任第二产品线总裁。

一个把基座模型推到过量产终端，一个完整跑通过产品定义到量产交付。陈伟对这套组合的表述是，现在很多具身公司创始人很少有完整横跨数字世界、物理世界的经历，一部分人长期做物理世界模型，一部分人长期做数字世界大模型。

这套班底的稀缺性落在时间上，万卡大模型的训练需要真金白银的算力投入，通常只有在头部车企或大模型公司里才接触得到。C端产品从定义到量产交付，则要求团队完整走一遍供应链、成本与品控的流程。两件事都做过的团队在国内屈指可数，而具身基础模型恰好同时需要这两样东西。

核心团队的能力横跨大模型算法、AI Infra基础设施、机器人运控、产品与供应链管理五大领域，据公司口径，是国内少数具备万卡大模型训练、数字与物理大模型及智能体开发、C端产品从定义到量产交付全链路经验的团队。

把第一站选在家庭，是一件不太合群的事。

工业、物流、商超这些场景的边界清晰，任务可以枚举，评价标准也容易量化。家庭反过来，没有标准动作，需求模糊且随时在变。同一个「收拾一下」，在十个家庭里可能是十件不同的事。斜跃智能自己的表述是，家庭任务天然融合感知、理解、规划、操作和交互，既有脑力任务也有体力任务。

行业的落地数据也印证了难度，据行业公开梳理，2026年上半年中国市场约2.3万台人形机器人中，三成流进科研院所，三成涌上展会舞台，三成出口到148个国家和地区，真正进工厂生产线的不到5%。家用场景在全球加起来不到一千台。

这组数字背后是一个朴素的判断，能被演示出来的能力，和被反复使用而不出问题的能力，中间隔着一大段距离。家庭恰好是对后者要求最高的地方。孩子、老人、宠物、明火、易碎品，任何一次失误的代价都比在车间里高。

这种难度会落到产品定义上，工业场景里，工程师可以把任务拆成一份标准动作清单，机器人做对一次就算通过。家庭里，同一句话在不同时刻指的可能不是同一件事，用户自己也说不清期望的结果是什么。斜跃智能把家庭任务拆成脑力与体力两部分，前者对应理解与规划，后者对应操作与移动，两者必须在同一个模型里协同。

斜跃智能给出的理由是另一面，它认为家庭是最复杂、最高频，也是最具长期价值的真实物理环境之一，是具身基础模型的核心训练场、验证场和规模化落地场景。想做出能通用的机器人，家庭绕不过去。

斜跃智能提出的技术范式叫Duplex Reasoning，中文译作全双工推理。

传统机器人系统的工作方式接近单工或半双工，接收指令、执行动作、返回结果，一轮跑完再等下一轮。这套流程在车间里够用，在家庭里容易出问题。你正让它叠衣服，忽然说别叠了先去拿瓶水，它得能当场接住这个变化。

全双工推理要做的是在感知理解、推理规划和任务执行的全过程维持一条与人连接的双向通道。对话信息可以随时被打断和修正，行动目标可以在执行过程中动态调整。用公司的话说，目标是做出可打断、可修正、可接管、可持续进化的通用家庭行动智能。

模型架构上，斜跃智能以VLA为主干，同时接入世界模型的预测能力。语言负责把视觉、语音与环境变化压缩成可迁移的高层语义，驱动模型跨场景泛化。世界模型负责预测动作可能带来的结果，为长程任务提供事前约束。两者协同，指向的是在可控算力成本下提高机器人在开放环境中的理解、决策与行动成功率。

这套思路把交互和行动放在同一个框架里建模，顺序是先接通、再行动。据公司披露，Duplex Reasoning范式在家庭场景已经形成迭代闭环，模型性能与任务泛化能力正在持续验证中。

它与主流的VLA路线有交集，也有区别。VLA解决的是从视觉与语言到动作的映射，重点在会做事。世界模型解决的是对动作结果的预测，重点在想清楚。行业里对两者的配比没有定论，有的团队把世界模型当辅助，用它给动作打分，有的团队把它放在主干上。斜跃智能选择以VLA为主干、世界模型做预测约束，把语言当作压缩高层语义的工具，用更可控的算力成本换取跨场景泛化。

斜跃智能对竞争壁垒的判断，落在一句听起来不那么性感的话上。核心竞争力不在于更大的模型或更多的数据量，而在于高质量数据与系统化基建能力。

据此，公司把投入分成两条并重的线。

训练Infra围绕预训练、后训练、强化学习建立可复用、可扩展的训练体系，目的是充分释放高质量数据的价值。数据Infra围绕信号同步、任务设计与标注质量构建数据管线，优先追求高代表性、高信息密度的精品数据，而不是盲目堆叠数据小时数。两条线之外还有一层覆盖评估与仿真的闭环，让模型的进步能够被持续、客观地测量。

自研的Ego第一视角数据采集设备与数据平台已经初步建成，围绕第一视角数据、无本体数据和与本体相关的高质量数据搭建分层体系。据公司的规划，2026年内要跑通从采集、清洗、标注到训练的完整能力。

两条线的分工可以这样理解，训练Infra决定模型能力的上限，管线搭得好，同样的数据能训出更强的模型。数据Infra决定模型落地的精度，信号同步与标注质量不过关，数据量再大也训不出可用的能力。斜跃智能对后者的态度相当明确，宁要少量高信息密度的精品数据，也不堆砌小时数。这个判断与行业的主流做法不完全一致，多数公司把数据规模当成第一指标。

这条路选择背后的行业背景是数据的稀缺。据行业测算，训练一个接近人类水平的机器人「大脑」需要10亿小时级别的真实操作数据，而截至2026年初全球可用的高质量物理交互数据总量只有约50万小时，缺口超过99%。在这种量级的缺口面前，数据管线的效率比数据的绝对数量更值钱。

硬件层面，斜跃智能采取的是「单一本体、全栈闭环」的阶段策略。

具体做法是控制本体构型、传感器选型和软硬件接口的一致性，先把模型研发中的硬件变量降下来，再把验证过的能力导入面向消费者的家庭本体。公司同时提到会探索Home-native的产品形态，在空间通过性、交互方式、安全边界和家庭审美之间找平衡。

这是一种典型的收敛打法，行业里更常见的做法是同时铺开多个形态，用不同的本体去试不同的场景。多线并行的好处是覆盖面广，代价是研发资源被摊薄，模型与硬件之间的因果关系不容易看清。先把本体定下来，模型的能力涨跌就有了可比的基准。

家庭场景对形态的要求也确实特殊，轮式在本层通行顺畅，遇到台阶就麻烦。双足通过性好，成本和可靠性压力更大。斜跃智能暂时把这道选择题往后放，先用一个统一的本体把模型能力做扎实。

斜跃智能给自己排的商业化节奏是六个字，先验证，再进家。

顺序上，公司计划先在酒店、养老院这类半结构化场景里验证模型的跨空间泛化、任务完成率和单位经济性，再逐步进入家庭。优先探索的任务是洗衣、收纳、清洁这类高频、长程且评价标准相对清晰的工作。

这个顺序是有讲究的，酒店和养老院在空间结构上比家庭规整，任务清单也更短，产品在这里能把基础能力跑稳，同时暴露一批在实验室里遇不到的问题。等这些场景的数据回流到模型，再进家庭时面对的变量会少一些。

任务的挑选同样务实，洗衣、收纳、清洁这三件事的共同点是高频、长程、结果可判断。衣服有没有叠好，桌面有没有清空，地板有没有拖干净，这些都能被用户一眼看出。评价标准清晰的任务，模型的进步才能被有效度量。

斜跃智能首款产品预计在2027年上半年发布。这个时间点之前，公司要完成的工作包括模型训练、数据管线搭建、本体研发与场景验证。

这意味着未来一年多，这家公司仍处在投入期。产品尚未上市，收入为零，团队的产出主要体现为模型指标和数据规模。

「数亿元」这个融资额是区间表述，公司没有披露具体金额。天使+轮的估值与出让比例同样未公开。

资本给的定价是前置的，数亿元天使+轮对应的是未来三到五年的模型与本体研发，后续轮次对数据规模、场景里程碑和单位经济性的要求会快速抬升。对一家成立半年的公司来说，这个节奏跑得快，压力也来得早。

从半结构化场景到家庭的迁移，目前还没有被验证。酒店和养老院的成功可以证明模型在规整环境里的能力，家庭环境的开放程度完全是另一个量级。这条鸿沟跨过去要多久，取决于数据管线的效率和模型泛化的实际表现，两者都还没有公开的量化结果。

赛道本身也越来越拥挤，智元、银河通用、宇树等企业已经在通用具身方向上卡位，各家对家庭的理解和切入方式并不相同。8月完成超10亿元天使轮的墨奇智能，已经能演示15分钟的长程家务。斜跃智能把首款产品放在2027年上半年，意味着它要用一年多的时间在模型能力上做出能拉开差距的东西，才撑得起这个节奏。这条路押在模型与基建上，验证周期比做单一场景要长。

斜跃智能对这件事的长期判断，写在陈伟的一段公开表述里。

他认为当前具身智能领域远未收敛，数据采集方式各异，本体形态各不相同，模型与硬件的结合路径也有很大差异。这意味着不存在一个端到端的开源模型能够通吃全链路，模型能力本身就是具身智能公司的核心竞争力。

这段话解释了公司为什么把重心放在训练与数据这两条基建上，而不是先去做一款能快速卖出去的产品。基础模型是一条长坡，前期投入重，回报周期长，但一旦跑出通用的能力，上层能承接的场景会非常宽。

陈伟把这件事形容为结硬寨、打呆仗，扎扎实实把算力、数据、评估的全链路管线建好，把底层基建打牢。这个说法在硬科技创业里并不新鲜，真正难的是在资本耐心有限的前提下坚持住。

从理想的智驾与座舱，到杭州一间新公司的实验室，陈伟和张骁把过去五年攒下的两样东西带了过来，一套跑通过量产的大模型工程能力，一套把产品从定义送到用户手里的经验。

这两样东西在具身赛道上的稀缺性，是这一轮钱愿意在早期下注的原因。它们能不能变成一台真正住进家里的机器人，要等2027年上半年那款产品出来才能回答。

在那之前，这家公司要在酒店和养老院的走廊里把模型跑稳，在没有观众的地方把数据管线一天天填满。家庭这个考场不提前放榜，它只认最后交上去的那份答卷。