# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
2026年，具身智能赛道的融资热度仍在持续，但投资人的提问方式已经变了。
"机器人会不会动"不再是核心关切，"机器人能不能干活"才是。Demo再炫，落不了地就融不到下一轮。行业从概念验证期进入交付验证期，分化已经开始。
在这个节点上，跨维智能完成了一笔关键融资。
AI智件获悉，物理AI企业跨维智能近日正式完成超10亿元B轮融资，投后估值突破百亿元，跻身国内百亿级具身智能独角兽行列。很快要IPO了。
本次融资投资方阵容实力雄厚，国家级母基金、头部国资创投、实体龙头产业资本、地方科创平台齐聚。其中，深创投、贵阳数字经济基金实现连续两轮坚定重仓投资；前海母基金、蓝思科技、工银资本、恒健资产、诸瑞资本全新重磅入局；南山战新投、成都科创投、四川院士基金等原有股东持续追加跟投。
行业内少见的全类型资本集体押注，从侧面印证市场对跨维智能长期技术路线、实景落地能力与长期产业成长价值的全面认可。
纵观当前国内具身智能市场，多数企业仍停留在实验室样机、短期试点交付阶段，落地项目难以形成标准化复制，客户复购规模有限。而跨维智能已经完成上百家企业服务积累，落地数十条常态化产线，合作名单包含美的、中国中车、海信等多家世界 500 强制造企业，工业场景长期稳定运行的数据表现，给机构提供了可实地核验的商业化佐证。
蓝思科技从落地客户转变战略投资方的合作路径，更能体现实体制造企业对物理 AI 落地价值的高度认可。据悉，本次投资跨维智能是蓝思科技创始人周群飞职业生涯中极其罕见的公开个人大额投资，此前所有机器人布局都是通过蓝思科技进行。
在行业分化加剧的当下，兼具底层自研模型、完整数据工具链、规模化落地案例的跨维智能，已经占据物理AI细分赛道的先发优势。
早在2021年，当“具身智能”还仅是学术圈的前沿概念时，跨维智能便已成立。
跨维智能创始人、香港中文大学（深圳）教授贾奎的初衷并非追逐风口，而是解决一个根本问题：如何让AI理解并处理三维物理世界的信号。他洞察到，泛智能制造场景对自动化、柔性化的刚性需求，与具身智能的技术特性天然契合。
这一定位，让跨维智能从诞生之初就避开了纯技术演示，直指“创造劳动力价值”的商业核心。
"我们做的是用AI研究三维物理世界，构建从感知、决策到执行的数据和模型，驱动机器人完成柔性作业。"贾奎在接受AI智件采访时表示。
跨维智能的核心研发重心放在三维物理世界建模，自研DexWorldModel具身世界模型，搭配EmbodiChain全链路数据体系，打通数据生成、模型训练、真机部署的完整闭环，搭建起完整的软硬件一体化能力底座，支撑全场景稳健落地。
赛道内多数世界模型产品侧重视觉画面生成，视觉演示效果突出，但迁移至实体机械臂、人形机器人实操环节时，难以适配工厂毫米、亚毫米级操作精度要求，仿真虚拟环境与真实产线之间存在难以弥合的物理差异。
跨维智能 DexWorldModel 围绕三维物理世界真实运行规律建模，具备隐空间动态建模能力，可实现统一坐标系对齐、时空表征精准匹配，彻底解决传统视觉方案空间感知不准、物理建模缺失、无法适配实操任务等行业痛点，真正让AI精准理解物理空间、动力学逻辑与真实作业规则，支撑机器人完成分拣、装配、双臂复合操作等实操任务，推动世界模型从 “可视化演示” 正式迈入 “可落地作业” 的产业阶段。
夯实模型能力的同时，跨维智能深耕数据基建，创新性提出Dexterity-BEV。该技术将视觉输入、机器人本体状态与目标动作指令三者对齐至统一空间参考系，首次为机器人多源异构数据搭建起可规模化训练的标准空间底座，从根源上破解了行业长期存在的数据标准分散、动作技能难以迁移、作业经验无法跨本体复用的核心痛点，大幅提升数据利用效率与模型跨场景泛化能力。
在以机器人任务成功率为核心评价维度的RoboTwin仿真基准上，跨维自研的DexWorldModel曾取得94.00%的平均成功率，超过同期多项国际主流基线。
今年5月，跨维智能自研的 DSCFuncWorld 模型（由DexWorldModel模型适配而来）拿下全球权威具身评测 WorldArena 含金量最高的 Track 2 数据引擎赛道全球第一（同场竞技中，Track 1的榜首是智元机器人），大幅领先 WoW、BLM 等国际主流模型，刷新赛道最优纪录，印证了其模型技术已达到全球第一梯队。
跨维智能对具身智能终局的判断，可以概括为一句话：先实现"边界内泛化"，再逐步扩大边界。
"Physical AGI是长期目标，但如果等待无限通用的模型成熟，商业落地会被推迟5年、10年甚至更久。"贾奎说，"正确的方式是确定应用场景边界，在边界内实现通用泛化，达到产品级智能水平，再不断扩大边界。"
这一理念成为了跨维智能整套技术体系落地的核心思路。
跨维智能选择锚定智能制造、商业服务两大成熟赛道，在固定场景范围内打磨模型泛化能力，先在细分赛道跑通投入产出平衡，再持续拓宽场景适配边界。即在攀登物理AGI高峰的同时，沿途商业化下蛋。
"不同场景对精度、成功率、安全性、成本的要求不同。"贾奎说，"我们要做的是在具体场景边界内，把智能做到产品级。"
现阶段，跨维智能研发资源优先倾斜柔性装配、无序物料分拣、标准化商超服务等可稳定产生营收的场景，让技术迭代完全贴合市场付费需求，形成稳定商业价值。
截至目前，跨维智能已将具身智能解决方案落地于50余个细分行业、超千个项目，其方案在美的、中国中车、海信等众多世界500强企业生产场景中进行应用。其中海信生产线柔性插拔装配机器人成功率达99.99%，美的工厂无序零件分拣机器人效率是人工的3倍，这些数字来自量产交付现场，而非实验室Demo。
值得关注的是，本次战略入局的蓝思科技，将与跨维开展深度产业协同合作，聚焦工业智造核心场景落地，全面加速物理AI技术在实体制造业的规模化商用进程。
今年全年，跨维智能的人形机器人预计出货量将达1000台，且用途全部是“工作”而非“表演”。
2026年，跨维智能开始系统性推进出海，重点区域包括欧洲、韩国、日本、新加坡及东南亚。其中主要包括大脑软件和视觉传感器，两者目前已经相对成熟，并已进入海外工业场景；人形机器人则先在国内工厂验证，再逐步推进海外。
营收层面，今年上半年公司营收接近1亿元，全年目标3亿元，是具身赛道跑得最快的商业化进展之一。
对于从0到亿级商业化的过程，贾奎的复盘很直接："底层技术必须针对真实现场问题设计，同时要理解客户为什么愿意付钱。商业化不是靠坐在办公室里定义出来的，而是去客户现场，由需求反向决定技术创新方向。"
换句话说，只有进入真实的细分场景，去深入客户，才能知道大脑要在场景里完成什么样的任务，才能知道真正能落地的大脑的需求是什么。
如果要用一句话总结跨维智能区别于其他公司的核心特征，贾奎的答案是：用正确的事情、正确的技术路径，把技术变成真实商业价值。
这背后是他提出的"Physical Token经济学"概念。今天行业里有很多大投入，比如训练大模型、采集海量机器人数据。但如果不考虑可行性、不考虑数据采集成本、不考虑机器人在真实场景里的价值产出，很多事情其实是算不过账的。每一个physical token——也就是机器人在物理世界中产生的有效动作、数据、推理和价值——都需要考虑成本。
跨维追求的目标，是"highest ROI per physical token"——让每一个物理世界中的数据、动作、推理和机器人能力，都以更高效率转化为真实商业价值。
"具身智能不是一个可以不考虑成本、效率和回报，单纯依靠巨量投入推进的问题。"贾奎说，"它必须回到算账，回到效率，回到真实场景，回到客户为什么愿意付费。"
具身行业很热，但最终真正留下来的，是那些能解决真实问题、能让客户付费、能把每一个physical token转化为高ROI的公司。
文章来自于"AI智件"，作者 "贾珈"。
