具身智能创业者图鉴：小天才们，做实干派“狼人”

编者按：

在具身智能创业浪潮中，创始人们的背景与路径，决定了企业的技术走向与商业气质。

真格基金曾把创业者分为四类：小天才、老司机、科学家、操盘手。

这一分类启发我们，试图以此为框架，梳理具身智能领域的创业人群，开启具身智能公司群像专题。

• 科学家是高校教授、研究员与长期从事技术研发的人，代表着最前沿的学术力量。

• 老司机是连续创业者，过往经历让他们在起伏中更懂得如何把握节奏；

• 操盘手是来自大厂的高管，把成熟的方法论和资源带入新战场；

• 小天才则是年轻的 95 后创业者，以锐气和独特视角，激发出不同寻常的可能性。

在不同出身、不同路径的交汇中，我们或许能更清晰地理解具身智能的创业版图，以及它正在被塑造的未来。

当然，具身智能赛道上远不止这四类创业者，还有更多派别正在形成，这个系列，也将持续记录他们共同勾勒的具身智能全景。

往期文章：

《具身智能创业者图鉴：科学家们，从象牙塔走向修罗场》

《具身智能创业者图鉴：“老司机” 们，整不来邪修》

资本、算力与政策正形成一股前所未有的合力，将具身智能猛地推入产业化「爆炸前夜」。

据不完全统计，今年以来具身智能领域融资总额已超 230 亿元，远超 2024 年 89.33 亿元的全年总额，热钱正以前所未有的速度涌入赛道。

技术的闸门也随之打开，中国移动 MoMA 白皮书显示，大模型与智能体融合效率较去年提升 3 倍；中关村联盟调研显示，人形机器人核心部件国产化率突破 60%，长期以来的「卡脖子」困境正在松绑。

而在这场由科学家、老司机们主导的宏大叙事中，一批年轻的破局者正悄然入场。

他们都是 95 后出身，被赋予了「小天才」的标签，作为公司的创始人或者联创，带着把论文变样机的执行力，正努力推动具身智能从「概念」走向「实用」。

出身与光环：名校与「背景红利」

在具身智能这片技术高地里，小天才们的成长轨迹有着鲜明的「高起点」特征，名校背景不仅是他们的学历标签，更给他们的技术思维和视野奠定了基础。

八位小天才，分别来自清华、北大、南科大、西交大、耶鲁、哥大等中外名校，赋予他们这样的标签不仅是「够年轻」的年龄优势，更在于名校光环背后的硬实力。

这代表着他们有着将抽象理论转化为具体实践的能力，还有把实践数据反哺算法研究的耐心。而这种「理论 + 实践」的复合能力也给他们带来了外显的优势。

一是项目推进中既能在学术层面反复打磨实验，同时在工程化阶段会更注重性能与成本的双重平衡；

二是在对外传播上，小天才们不仅懂讲技术行话，也擅长讲好品牌故事，比如把研发细节、个人经历通过社交平台传播，让技术从实验室「走出来」。

这种传播方式不仅在宣传层面起到辅助效果，更能初步构建产品信任感：对于具身智能这类尚未普及的物理产品，「被看见」「被感知」比单纯的文字描述更有说服力。

像首形科技的胡宇航，在互联网上已积累百万级粉丝，其产品虽未正式发布，却凭借真实的技术分享收获了大量关注。

而这种既能落地技术、又会链接市场的特质，也精准击中了资本的偏好。在早期，资本更多是在「投人、投背景、投组合能力」，而不是单纯投计划书。

具身智能是一个长期且资金密集的领域，项目成功依赖于科研成果、工程交付与场景化验证三者同时推进。投资人愿意把早期票投给那些能把论文转成样机、能把样机转成试点、并能在试点里快速获得关键数据的团队。

换句话说，投资人赌的是团队「把复杂系统拆解为可落地工程」的能力。零次方、灵初智能、优理奇、桥介数物这些公司在不同渠道与场合获得投资关注，正体现了资本对「人+团队执行力」的偏好。

从人本身出发，他们愿意为难题付出长期耐心，但又不能完全脱离短期现实：样机要做，客户要谈，成绩要给投资人看。

这种状态带来两种看似矛盾但共存的情绪：一是对技术执着的理想主义，二是对交付焦虑的现实主义。

正是这种焦虑，推动他们把学术上的模态研究落到像触觉、力觉等切实提高机器人作业能力的组件上；也是这种执着，让他们在失败后快速复盘，再次把一台新的机器人建起。

小天才们，啃最硬的骨头

观察这些公司的产品路线，会发现一个鲜明的共同点：他们不愿意执着于容易变现的单点功能，而是选择把注意力放在机器人大脑、小脑，灵巧手，仿生人脸等行业公认的高挑战方向上。

剔除产品方向偏窄的乐享智能和首形科技，把目光聚焦到另外四家公司，能看到一种系统性布局，他们的目标锁定把现实世界里复杂、连续的动作做透，并围绕这个核心做三件事。

第一件是通过限定场景加速泛化。从长期目标来看，「做通用」会是机器人的终局，但从短期看直接 All in 通用路线肯定不是捷径。通用往往意味着样本稀疏、试错代价高。

机器人行业远看是万亿市场，近看是一万个「一亿市场」，核心挑战不是满足单个客户的特殊需求，而是高效解决成千上万用户的共性问题。

零次方、优理奇选择从酒店、保洁、餐饮等相对结构化的服务场景切入，把环境变量变成可控定量，进而实现长序列动作的稳定执行。这样做的意义在于，先在可重现的场景里把动作链跑通，然后把能力像拼图一样向更开放的场景拼接。

第二件是软硬协同的工程化。在具身智能领域，算法不能成为孤岛，规模化的落地，需要「脑」和「身体」的协同。优理奇的策略是把模态预训练技术与低成本模块化本体结合，将高端算法与可量产的硬件设备绑定。

桥介数物则把重点放在运动控制的底座上，用一套被多种机体可复用的「动作开发引擎」，摊薄动作开发边际成本。

这两种策略一个偏向把产品向消费级扩展，一个偏向把行业底座共享化，但目标都是让动作可以被复制，让复制成本可控。

第三件是实现「仿真-现实」的数据闭环。数据，一直是具身智能的稀缺资源，目前行业普遍采用「仿真 + 现实」两种数据交叉训练的模式。

虽然仿真场景能以更低成本获取大量数据，但如何把仿真数据高效转化为真实环境可用的经验，仍是行业未完全解决的难题。

• 灵初智能选择以强化学习构建端到端技能集，并在场景化的数据生成上投入资源，目标是让策略在现实中少走弯路；

• 零次方则在「全模态数据链路」上做工程，以便样机在真实环境中不断把失败转成训练数据。

这两家公司在数据闭环的不同节点发力，本质上都是在搭建长期护城河，数据越丰富、覆盖场景越广，模型在现实世界的表现就越稳定、越可靠。

把这三件事放在一起看，就能理解他们为什么愿意「啃最硬的骨头」，这并不是一时的激进，而是一种体系化的选择。

• 首先把复杂性分层：把可控场景跑通 → 把动作做成可复现的模块 → 把复现所得反哺模型

• 其次在每一层做工程化投入：构建可量产的硬件本体、搭建可伸缩的数据管线、形成能被客户验证的交付路径

而资本之所以愿意下注，是因为一旦这些层级像拼乐高一样被拼齐，能带来的收益不是线性的，而是呈指数放大，当动作和数据都能被复制并被多场景复用时，市场规模和竞争壁垒都会迅速拉开。

天时地利人和，造就了小天才

如果把创业当成一次登山，选好队友和路线后，就必须立即启程。显然，已经有些小天才在自选的道路上插起了阶段性旗帜。

从具体成果看：

• 零次方机器人已获得数千万元订单，计划 2025 年实现超 500 台人形机器人量产，应用于教育、文娱等多场景；

• 优理奇机器人已签署数千万元订单，Wanda 2.0 进入量产阶段并完成稳定回款，拥有年产千台的制造产能；

• 桥介数物凭借仅 8 人的核心团队，实现了千万级人民币的营收。

这些实打实的成果，并非运气使然，而是「天时、地利、人和」三重因素共振的结果。

「天时」是指时代风口、技术底座与政策红利的叠加。2025 年具身智能被写入政府工作报告，国内超 20 个城市出台支持政策，大模型技术的突破极大提升了机器人的感知与决策能力。

相应的，当前资本对具身智能的热情持续高涨，大额融资不断落地，这让这些年轻的初创团队在研发早期就能获得充足经费，不用像 2018 年处在创业初期的王兴兴那样，时刻担心公司资金链与生存问题。

此外，有英伟达这种巨头公司能提供仿真与协作平台 Omniverse、大算力芯片 Jetson Thor、以及机器人开发工具链 Isaac 系列等，给许多公司创造了更有利的研发环境。

「地利」则体现在成熟的供应链支撑。相关产业的成熟，使得过去依赖进口的像精密减速器、无刷电机等核心部件实现国产化替代，为机器人量产、降本提供了可能性。

像优理奇借助苏州强大的硬件人才及供应链优势，实现核心零部件自研至底层，在不到一年时间完成两代机器人迭代，而且还控制住了成本。

「人和」，则是团队里既懂算法又懂工程化的复合人才，以及能把学术产出转成可交付产品的组织能力。

例如，优理奇核心成员来自优必选、追觅、大疆等企业，带来了成熟的工程化经验；灵初智能创始人王启斌在消费电子领域有丰富的操盘经验，能把技术创新与市场需求紧密结合起来。

当然，目前阶段性成功也依赖于公司自身实现两个关键：

• 把样机的「半受控表现」转化为「在无人监督或弱监督环境下稳定运行」的能力；

• 把单次交付扩展为可持续服务的商业模式，包括零部件供应、远程诊断、更新部署、配件更换等环节。

天才们站在了同一岔路口

在大火的乒乓球赛场有这样一句话，「一方小小的球台，困住了无数天才。」

同样，在具身智能的赛道里也汇聚了很多天才。像即将上市的宇树，创始人王兴兴从初中便开始手搓微型发动机，而智元的「稚晖君」彭志辉，则是普通家庭出身，后成为百万博主、华为天才少年，到现在变成一家估值超 150 亿元公司的创始人。

但与乒乓球不同的是，具身智能的世界里没残酷到用一块金牌来「困住天才」，相反，具身智能则是给了这些天才们更大的天地，去发挥对技术的想象与实践。

可无论这些天才来自哪一代，他们现在都站在同一个岔路口，面临着一系列尚未解决的共性难题。所以，行业接下来的分化，将不再取决于谁在单点技术上更早突破，而是谁能先破解这些公共难题。

首先是技术整合的高复杂度，当前具身智能发展面临两大瓶颈：

• 一是缺乏统一的操作系统与标准化软件开发工具链，不同机器人厂商的技术体系难以兼容

• 二是算法成熟度不足，当前机器人学习系统仍需人类智能介入，尚未实现从感知到行动的自主认知映射

简单说，机器人还做不到「像人一样自主思考并行动」。

AI 泛化能力不足是另一个核心挑战。泛化能力不足，就意味着即使机器人在特定环境中表现良好，在新环境下仍可能难以适应。

与之相伴的，是数据匮乏的瓶颈。具身智能需要的是「动态环境中的复杂交互数据」，这与大模型依赖的互联网文本数据完全不同，真实场景的数据采集成本极高，仿真数据又与真实世界存在「鸿沟」，难以直接复用。

这也是行业常说的 Sim2Real 工程鸿沟。仿真技术能提供可控、可重复的训练环境，但现实世界充满不可预期的干扰。

像桥介数物选择做动作层面的「通用小脑」，试图用更强的控制算法和大规模运控数据缩小这道鸿沟，但这需要大量真实运控数据、跨平台验证以及长期迭代。

这既是技术难题，也是资源投入的挑战。

除了软件层面问题，商业化落地压力也不容忽视。现在展示 demo 已经司空见惯，但大规模商业化应用仍需验证。具身智能需要在生产制造、物流仓储、家庭服务等多个场景持续证明其价值。

抛开技术层面，还有一些关于「人」的问题需要解决。首先是人才短缺关，具身智能领域需要既懂人工智能算法，又懂机器人硬件，还具备产品思维和商业意识的复合型人才。显然，这类人才培养需要时间，目前市场上供不应求。

第二关是伦理与社会接受度问题。具身智能不仅要考虑生命安全风险，还面临信息安全、个人隐私等一系列伦理问题，同时责任归属的边界仍然模糊。

行业下一步发展不会由某一位天才单打独斗决定，而更可能取决于谁能将这些共性问题逐一或部分解决。

把铺路变成路网，需要的不仅是天赋，还需要时间、产业配套与组织的耐心。因此，那些既懂技术又懂工程、既懂产品又懂组织的人，将在下一阶段发挥决定性作用。

而这，也正是「小天才」们必须学习的第二门功课：把个人创造力与跨公司、跨学科的长期协作能力拼在一起，才可能把具身智能真正变成可持续的生产力。

站在「通用化」与「商业化」的岔路口，具身智能的难题从不是「某个人能否突破单点技术」，而是「一群人能否协同破解共性瓶颈」。

但这群 95 后小天才们已经用理想主义 + 现实主义的平衡，为行业提供了「学术不脱节工程、创新不脱离市场」的新范式。