一则消息在行业里引起关注：2025年1月成立的「眸深智能」，近日完成了近亿元Pre-A轮追加融资。本轮投资方包括中国头部物业服务公司、香港财团、多家上市公司联合打造的产业投资平台瑾悦投资、创合汇资本，以及老股东徐汇资本。

这距离它2026年5月拿下的3亿元Pre-A轮融资，仅仅过去了两个月。更值得留意的是，该公司的Pre-A+轮近5亿融资也正在交割中。据公司透露，今年上半年以来，估值增长超过10倍，是业内发展速度最快的具身大脑企业之一。

定位与技术路线

「眸深智能」的定位，是全球最懂动作的自进化具身大脑公司。目标是“给10亿台机器人装原生通用大脑”。公司由复旦大学深度学习实验室主任陈涛教授、原英特尔中国首席科学家张益民博士，与连续创业者穆泽林共同创办。

核心团队拥有海思、英特尔、英伟达三大芯片巨头的背景人士，是国内少数具备算子级适配能力的具身大模型团队。尽管2025年才注册成立，但技术积累从2022年就已经开始。

在技术路线上，「眸深智能」选择了一条与主流VLA（视觉-语言-动作）不同的路径——以动作为核心的“世界动作模型”（World Motion Model）。

核心模型一：MLD（隐空间动作扩散模型）

从2022年起，团队就发布了MLD（隐空间动作扩散模型）。当时行业主流做法是把动作当作离散的信号来处理，结果就是生成的动作僵硬、缺少多样性。

而「眸深智能」在全球范围内首次提出将动作映射到隐空间（Latent Space），并引入扩散模型（Diffusion Model）。MLD相当于让AI学会了“无师自通”地生成动作：不再需要逐帧教机器人如何走路，而是让模型像画家去噪一样，从一团随机噪声中还原出自然、连贯的人体姿态。

核心模型二：MotionGPT（动作Token化）

如果说MLD解决了“怎么生成动作”，那下一步就是如何“指挥动作”。2023年9月，团队创造性发布了MotionGPT。类比汉字的笔画，团队将人体姿态拆解为约3000个“动作基元”。

就像大语言模型（LLM）通过预测下一个token来生成句子一样，MotionGPT通过预测下一个“动作token”来生成复杂行为。这种将连续动作离散化的处理方式，不仅极大提升了模型对长序列任务的理解能力，更重要的是，它让机器人具备了Zero-Shot（零样本）泛化能力——没见过的动作指令，也能通过重组动作词汇来理解并执行。这也是全球首个把动作做成token的具身大模型，发表于NeurIPS 2023。

最新突破：STI-WM与TMB

时间推到2026年，团队已经累计发布了7代模型。基于前面积累，团队又进一步推出了STI-WM（时空一体世界动作模型）具身大模型。STI-WM是完全面向机器人长时序规划、在线闭环控制、真实物理交互打造的原生具身智能框架，实现了空间结构、时间演化、物理一致性、执行鲁棒性四维一体化统一。

根据介绍，STI-WM的核心突破在于，彻底摆脱了传统VLA模型对海量真机数据的重度依赖。采用了“80%互联网视频+10%动捕数据+10%真机数据”的训练配方。

借助MotionGPT建立的动作词典，从海量无标注的视频中学习物理规律，再用少量动捕数据校准生物力学特征，最后仅用10%的真机数据完成闭环对齐。换句话说，这种全新的数据训练范式，将真机数据需求降低了90%，又把动作准确度提升至99%。

同时，团队在今年3月提出的TMB（Task*Task Motion Brain）也让机器人具备了离线自进化能力。当模型部署到端侧后，无需联网回传数据，仅凭本地交互就能持续优化性能，任务执行准确度最高提升25%。这解决了机器人落地后发现bug必须返厂升级的痛点。

一个值得注意的细节是，英伟达DAIR实验室在最新ARDY模型中，便援引了「眸深智能」的MLD与MotionGPT两项原创技术——这是近两年英伟达第三代动作模型对该公司技术路线的第四次引用。

软硬协同：端侧算力成本降低20倍

真正决定这套大脑能否规模化的，除了技术路线之外，还有端侧算力成本。这也是「眸深智能」的一大竞争壁垒。据介绍，从第一代模型起，团队就同步推进两个方向——模型压缩与国产芯片适配。

一方面，通过模型蒸馏、冗余参数压缩等工程化方案，将千亿参数级模型压缩至百亿级别。在具体场景中，参数量降低约75%，端侧推理延迟从约200毫秒降至10毫秒左右。

另一方面，同步适配海思（昇腾310/910）、地平线、燧原（燧原S60）等国产芯片平台，实现低功耗、高实时、超低成本的端侧推理。这套软硬协同的打法，带来的直接结果是，模型端侧推理成本从20万元降至1万元，大脑续航时间提升10倍，而精度和性能却不掉点。

这一压缩工作也帮助该团队获得了IJCAI 2025全球最佳论文奖，也是近五年唯一获此奖项的中国大陆团队。依托这一能力，「眸深智能」可在两周内完成一套具身大模型从一个本体到另一个本体的适配，包括复旦自研的“光华1号”、宇树G1、上海人形机器人创新中心的“青龙”和“灵龙”等本体。

创始人、CEO穆泽林表示，国内具身智能行业普遍采用在国外芯片上训练、再移植适配国产芯片的方案，性能损耗与兼容性问题突出。而「眸深智能」未来在模型训练、推理全流程中，将基于国产算力芯片原生开发，实现技术栈完全自主可控。

商业化落地：已实现千万级营收

在商业化层面，「眸深智能」也是目前国内少数有营收的具身智能大脑公司。穆泽林透露，2025年审计回款收入千万元，2026年上半年3000万元，预计今年营收规模5000万元以上。

目前，公司客户覆盖工业检测、物业、环卫等场景。2026年第一季度，已与某港股上市物业公司、A股上市环卫龙头的机器人产品完成交付；正在推进与头部连锁零售集团、头部白色家电工厂的人形机器人落地场景研发。

以下是硬氪与穆泽林的交流实录（略经摘编）

硬氪：动作怎么变成Token？这是行业难点吗？

穆泽林：确实是行业卡点。我们可以把动作理解为「数字化的姿态」：就像小人书的一页是一个静态姿势，连续翻页就成了动画。我们早期通过几十人团队手工标注了几万个姿态，定义了3000多个基础动作Token，类似汉字的3000个常用字，组合后能覆盖人类所有行为。

更核心的是让模型学习动作间的关联。就像大语言模型通过学习海量文本掌握字词排列规律，我们让模型观看百万小时的互联网视频（影视剧、监控、Vlog等），学习「喝水时手会抬到嘴边」「抱胸后大概率会展开手臂」这类动作因果逻辑。同时结合10%的动捕数据和10%的真机数据做校准，最终实现动作Token的端到端生成——支持从文本、图片、3D点云到动作的转化，也就是原生多模态能力。

硬氪：动作Token的组合会不会导致算力需求爆炸？如何优化？

穆泽林：我们不需要穷举所有动作，而是学习动作的排列规律。优化主要有两个方向：

• 一是数据层面，80%用互联网视频（已做物理先验过滤，确保符合现实规律），降低对高成本动捕/真机数据的依赖。
• 二是模型压缩层面，我们在端侧部署上有深厚积累，曾获得全球顶会最佳论文。通过Token剪枝、量化、动态优化等技术，能把端侧计算量降低62倍，推理延时从200毫秒压缩到10毫秒，模型参数量减少80%的同时精度不降反升（部分任务提升3%-6%）。

硬氪：现在具身智能领域技术路线分化，有的侧重记忆，你们是侧重动作，您怎么看这种分化？

穆泽林：回归第一性原理：大语言模型的成功本质是Transformer架构实现了Token的排列生成。具身智能也应该遵循这个逻辑，核心是解决「执行层」问题——让机器人能稳定完成任务。像记忆优化这类更底层的问题，我认为短期很难通过初创公司突破，需要DeepSeek、OpenAI这类巨头在芯片存储、存算一体架构上的长期探索。我们更务实：通过动作Token的泛化能力（Zero-Shot）解决新任务执行问题，比如机器人学过拿矿泉水瓶，没学过拿手机，也能通过动作序列迁移完成80%的准确度，剩余20%通过少量后训练或强化学习校准即可。

硬氪：为什么选择适配国产算力，而不是用更成熟的英伟达卡？

穆泽林：长期来看，国产GPU是必然选择——N卡会越来越贵、供应受限。我们的核心优势是「懂芯片」：团队有海思、英特尔、英伟达三大芯片巨头的背景，是国内唯一具备算子级适配能力的具身大模型团队。目前已经打通了燧原S60、昇腾310/910等国产芯片的部署，下半年目标是攻克千卡级国产集群训练，实现纯国产化的大模型训练方案。这不仅能解决供应链安全问题，更能提升资本效率：比如别人训练一次需要1万张卡、花费5亿，我们通过算子优化，1000张卡、5000万就能完成，类似DeepSeek的低成本训练逻辑。

硬氪：具身智能芯片的机会在哪里？你们会自己做吗？

穆泽林：端侧具身芯片确实是大机会，目前国内已有20多家公司在布局，但大多瞄准200TOPS算力（类似英伟达Orin）。我们认为未来模型需要处理触觉、传感器、3D点云等多模态信号，算力需求会快速提升到1000-2000TOPS——如果芯片公司现在量产200TOPS的产品，等流片出来时可能已经跟不上模型迭代速度。我们不会自己做芯片，除非未来公司规模达到数千亿级。现阶段更聚焦「软硬协同」：通过算子优化让模型适配现有芯片，和芯片公司合作而非重复造轮子。

硬氪：未来产业分工会是怎样的？大脑和本体是否会各自形成通用供应商？

穆泽林：本体可能会像汽车行业一样，有不同的特色（比如负载更大、更轻量化）。但大脑领域大概率会形成「一超多强」格局——通用大脑的研发门槛极高，国内真正具备研发能力的团队屈指可数。我们目标是成为那个「超级通用大脑」，同时允许其他团队聚焦细分场景（比如快递分拣、电力巡检）。5-10年内，不会出现每家机器人公司都自研大脑的情况——大脑的研发投入（人才、算力）远超本体，创业公司更有机会突破，就像OpenAI不是大厂孵化的。大厂的优势在纯软件场景，而具身智能需要软硬件深度结合，创业公司的灵活性和专注度更有优势。