千诀科技完成数亿元A+轮融资，加速构建机器人智能基础设施

近日，千诀科技宣布完成数亿元A+轮融资。本轮融资由元禾厚望、筱光资本、芯能创投、英诺天使基金、京铭资本、未来边际创投等知名市场化机构及产业方投资人共同参与。Maple Pledge 枫承资本长期出任私募股权融资顾问并参与本轮投资。

英诺科创基金合伙人王晟表示：“英诺从早期阶段便开始关注并支持千诀科技。过去一段时间，团队持续推进底层技术研究、模型架构研发和真实场景验证，逐步形成了清晰的技术路径与工程落地能力。此次持续追加投资，既源于我们对团队技术判断和执行能力的长期认可，也基于对机器人智能基础设施发展空间的判断。我们期待千诀科技继续推动原创研究走向产品化和规模化应用。”

千诀科技聚焦真实世界机器人智能，以预测式世界模型和多项式表征架构为技术基础，构建覆盖感知、决策、规划与控制的机器人智能基础设施，适配不同形态的机器人，为其提供可部署、可量产、可持续进化的智能能力，从而帮助机器人厂商减少重复研发，更快实现产品落地和规模化应用。

本轮融资将主要用于核心技术研发、工程化能力建设和真实场景拓展，推动千诀科技的机器人智能技术在更多机器人形态和应用场景中落地。

原创研究驱动工程转化

千诀科技的技术路径同时沿两个方向推进：一方面深入底层学术研究，围绕预测式世界模型、多项式表征和神经网络“简单性”等基础问题形成原创成果；另一方面推进研究成果的工程转化，将其应用于机器人智能系统和真实任务。从底层研究、模型架构到工程落地的完整链路，构成了千诀科技的核心技术优势。

在底层研究方面，此前千诀科技联合清华大学团队发布研究《When Do Neural Networks Learn World Models?》，已从理论层面说明，简单性优化有助于预测式模型辨识数据生成过程中的隐变量，即学习世界模型。该项成果的公开时间比LeCun团队随后披露的LeJEPA世界模型研究《When Does LeJEPA Learn a World Model》早约一年。

尽管两项研究采用的具体方法并不完全相同，但都从多项式结构出发，探索神经网络内部表征、模型复杂程度与世界模型学习之间的关系。千诀科技率先公开相关成果，体现了公司在这一底层技术方向上的前瞻判断与持续积累。

在此基础上，千诀科技联合清华大学团队进一步发布论文《Quantifying and Optimizing Simplicity via Polynomial Representations》，提出利用多项式表征对神经网络的“简单性”进行量化与优化。

神经网络往往表现出一种倾向：在复杂的模型结构和大量可能的函数中，最终学习到相对简单、泛化能力更强的规律。但长期以来，这种“简单性”更多是一种经验观察，缺少统一且可操作的量化方法。

该研究沿数据相关的插值路径构建正交多项式代理，以多项式的“有效阶数”衡量神经网络函数的复杂程度。有效阶数越低，意味着模型依赖的函数关系越简单；有效阶数越高，则意味着模型学习到的关系更加复杂。

在完成度量的基础上，研究进一步提出可微的简单性正则化方法，将“学习更简单的函数”直接纳入模型训练，使神经网络的简单性不仅可以被量化，也可以在训练过程中被主动优化。

在工程应用方面，这些论文成果并未停留在学术研究阶段。目前，千诀科技已将多项式表征从神经网络“简单性”的度量与优化，进一步应用于预测式世界模型的训练、组合、升级和追踪，并由此形成面向真实世界机器人的表征与模型架构。

预测式世界模型支撑自主决策

机器人进入真实世界，需要解决的问题远不止识别人、物体和空间。

现实中的任务往往以模糊指令开始，环境和任务状态也会持续变化。机器人不仅需要知道“现在看到了什么”，还需要理解“当前处于什么状态”，“执行某个动作后可能发生什么”，并据此决定下一步应该采取什么行动。

这正是预测式世界模型所解决的核心问题。

千诀科技的预测式世界模型不以还原现实世界的全部像素和细节为目标，而是聚焦真正影响任务完成的状态变化，在特征空间中预测行动可能带来的结果。相较于重建现实世界的全部视觉细节，这种方式能够将计算和学习重点放在与任务直接相关的环境规律、状态变化和行动结果上。

基于这种预测方式，机器人可以将当前状态、行动结果和下一步决策连接起来。在任务执行过程中，如果人员、物体或空间状态发生变化，机器人也能够根据新的观察更新判断，重新规划后续行动。

这使机器人不再只是根据当前输入作出一次性反应，而是能够围绕任务目标持续感知、预测、决策和执行。

多项式表征架构提升训练与适配效率

如果预测式世界模型解决的是机器人如何理解环境、预测变化并作出决策，那么多项式表征架构解决的，则是如何对这些能力进行高效训练、灵活组合和持续升级，并在有限样本条件下获得更好的跨场景泛化能力。

机器人需要同时具备感知、记忆、决策、规划和控制等多种能力。如果所有能力都混合在一个难以拆分的模型中，往往会面临数据利用效率不足、局部能力难以更新、跨本体适配成本较高，以及问题难以定位等挑战。

同时，预测式世界模型需要在表征空间中预测与任务相关的状态变化。如果不同状态在训练过程中被压缩为过于相似的表征，就可能出现表征坍缩（representation collapse），使模型难以识别真正影响任务执行的关键差异，进而影响后续预测和决策。

多项式表征架构能够对影响任务执行的关键特征进行有效表达与组合，并支持对表征空间进行简单性正则化，降低表征坍缩的风险。通过更加聚焦的表征与能力组织方式，该架构可以减少无关或受污染特征的干扰，使模型将学习重点放在与任务真正相关的信息上。

基于这一架构，千诀科技可以更有效地利用第一视角视频、人类操作视频等多源数据，提升样本利用效率，降低机器人能力训练对单一数据来源的依赖。各项能力可以根据任务需求进行组合和独立升级。当某项能力需要改进时，可以进行针对性迭代，减少局部更新对整体系统的影响。

面对不同形态的机器人，系统能够根据其传感器配置、执行器结构和能力边界，对所需能力进行裁剪、组合和强化，从而实现同一套智能能力的跨形态适配。

在实际运行过程中，千诀科技的世界模型还可以对能力执行过程进行追踪和问题定位。当机器人没有按照预期完成任务时，可以结合模型输出和表征层面的探针，进一步判断问题出在感知、决策、规划还是控制环节，为后续优化和稳定交付提供依据。

适配不同本体与场景，推动机器人智能规模化应用

机器人进入实际应用后，不同本体在传感器、执行器和能力边界上存在差异，不同场景中的人员、空间和任务也会持续变化。实现规模化应用，关键不只是提升单项模型能力，还要打通感知、决策、规划与控制，形成完整的任务闭环，并能够根据本体和任务需求快速适配。

目前，千诀科技已面向人形机器人、轮式双臂机器人、轮式单臂机器人、带臂四足狗、带臂清洁、悬臂无人机等不同形态，推进智能能力的适配与验证，并在家庭、零售、服务等场景中持续落地。

通过将机器人的共性能力沉淀为可复用、可组合、可升级的基础模块，千诀科技能够降低不同本体和场景下的重复研发与适配成本，缩短从能力验证到实际部署的周期。

本轮融资完成后，千诀科技将继续推进预测式世界模型和多项式表征架构的研发，加强工程化与产品化建设，将相关能力进一步沉淀为可部署、可复用、可持续迭代的机器人智能系统，并与机器人厂商及场景合作伙伴共同推动规模化应用。

附：

论文地址：https://arxiv.org/abs/2605.29823  

代码地址：https://github.com/xinzaixinzai/Effective-Degree