具身智能的早期融资，多数停留在数千万元量级。9 月 11 日，深圳具身智能公司超维动力（Kinetix AI）宣布完成超 5 亿元人民币天使+轮系列融资，由新加坡淡马锡控股旗下祥峰资本、方广资本、万石资本等机构加注，华兴资本担任独家财务顾问。一家成立仅一年的公司，在天使+轮阶段拿到这个规模，放在当前赛道的融资分布里并不常见。但比金额更值得看的，是它选择的路线：不做单点产品，而是把数据、模型与本体绑成一只飞轮。
团队构成：把自动驾驶、学术与整机经验凑到一张桌上
据公开信息，超维动力注册于 2025 年 7 月，同年 9 月在深圳南山启动研发，定位为全栈具身智能大模型公司，目前员工接近 200 人。创始团队由三部分人组成：CEO 喻杰是前华为商用车自动驾驶总经理兼首席科学家，华为职级 22 级，曾负责 L4 矿卡的商业化落地，也主导过大规模 AI 基础设施的集群调度与加速训练；联合创始人罗平是香港大学计算与数据科学学院科研副院长、港大多媒体实验室（HKU MMLab）负责人，师从汤晓鸥，公开学术引用量超过十万、H 因子在 130 以上；联合创始人郑存远是中美机器人与智能硬件领域的连续创业者，创业前担任一家头部新势力车企机器人部门的整机负责人，参与过该品牌人形机器人整机的研发。核心研发团队还汇集了来自港大、清华、北大、慕尼黑工业大学、复旦大学等高校，以及 VLA、机器人、无人驾驶、端边计算芯片等方向的成员。
这组履历的看点，在于它覆盖了一条完整链路：算法、数据、硬件与商业化。具身智能的常见困境是「三个人只懂三件事」——算法团队做出模型却没有本体验证，硬件团队造出本体却缺数据与算法，商业团队拿到订单却交付不了。团队结构的完整度，是这一轮融资里投资人愿意下重注的直接理由之一。
技术飞轮：数据、模型、本体各管一段，再把经验回流
据公开说明，超维动力把技术路线概括为「数据—模型—本体」协同飞轮。起点是数据：公司推出自我视角数据采集头环 KAI Halo Lite，重量约 300 克，融合四路相机与惯性测量单元，用于人体全身运动建模、三维环境建模与具身算法训练；公开口径称，公司已积累超 10 万小时自我视角视频，覆盖 20 余个场景、300 多种全身原子技能。中枢是模型：原生具身大模型 KAI World Model 依托并行的视频生成与 4D 空间建模，结合百万级视频数据预训练，宣称具备跨任务、跨本体的泛化能力。终点是本体：全尺寸人形机器人 KAI Bot 身高 173 厘米、体重约 70 公斤，全身 117 个自由度，公开口径称近 80% 体表覆盖触觉皮肤、约 1.8 万个触点，可感知 0.1 牛以上的轻触；KAI Hand 为 1:1 仿人灵巧手，37 个自由度（20 主动、1 被动、16 柔顺），指尖力超 30 牛，持续抓握 10 分钟温升不超过人体体温。飞轮的闭环在于：本体在真实环境中执行任务，成功与失败的经验再回流到训练系统。
其中最有传播度的验证件是 SMASH 全身运动控制系统。公开信息显示，SMASH 2.0 人形乒乓系统能对来球做毫秒级识别、轨迹预测、动作规划与全身协同击球，并在展会现场完成人机接发对打，甚至演示机器人之间的完整对局。更关键的是它的迁移性：同一套感知—预测—控制算法既可部署在自研 KAI Bot 上，也可迁移到宇树 G1、智元远征 A3 等异构本体上，公司把它概括为「一脑多形」，而不是「一机一算法」。
「一脑多形」这个提法值得单独看。如果一套算法只能在自家本体上跑，那么它的价值被硬件绑定；如果它能跨本体迁移，那么模型就具备了独立的价值主张。当然，迁移的实际成本——需要多少适配工作、精度损失多少、换本体后重训需要多少数据——才是决定这个提法能否成立的关键，而这部分公开信息有限。
落地路径：在「卖铲子」与长期赛道之间找平衡
据公开报道，关于商业化，公司联合创始人兼整机负责人郑存远提出过一个分类：行业场景大致分两类，一类是短期有商业需求但长期不可持续的「卖铲子」生意，另一类短期技术挑战极大、但长期需求可持续的赛道，例如康养产业。他表示公司会在两者之间寻找平衡。这个判断在具身智能行业里颇具代表性：纯做「卖铲子」容易陷入低毛利与同质化，纯做长期赛道则可能长期没有收入。
值得注意的是，公司对自身定位的表述偏谨慎。公开报道引述其观点称，当前具身智能的能力下限仍然偏低，低到「直接做产品有点愚蠢」，因此计划先研发高拟人本体与灵巧手，同时推进自我视角数据与世界模型，最后才塑造可商业化的产品。这意味着更高的成本、更复杂的供应链与更长的验证周期——这是一条重投入路线，融资规模与路线选择之间是自洽的。
中立思辨
需要客观看待这笔融资与这条路线。其一，本轮融资额超 5 亿元已披露，但投后估值、具体投资条款未公开，无法判断投资方的实际押注强度与估值水平，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。其二，公司公开材料中的产品参数与能力表述，包括自由度数量、触觉覆盖比例、数据规模等，多为公司口径；部分媒体报道在自由度数字上存在 115 与 117 的差异，说明细节仍需以官方后续披露为准，不宜直接采信单一来源。其三，具身智能的技术验证，目前仍高度依赖展会与演示场景，乒乓对打、人机对局这类高动态任务确实有说服力，但它与「在真实生产环境中长期稳定工作」之间仍有不小距离。其四，数据规模是飞轮的燃料，但数据质量与多样性比时长更重要——10 万小时视频若集中在有限场景，其泛化价值会受限，公开信息未披露场景分布细节。其五，跨本体迁移的宣称需要更多可复现证据，「一脑多形」在概念上成立，在工程上往往伴随大量适配工作与精度损失。其六，重投入路线的资金消耗速度较快，在收入尚未形成规模前，公司对后续融资的依赖度较高，这既是赛道常态，也是需要正视的风险。其七，人形机器人的供应链与量产一致性，是本体路线绕不开的硬问题，目前行业整体仍处早期。
趋势研判
短期，具身智能的融资会继续向「团队完整度高、路线自洽」的团队集中，全栈能力比单点突破更容易拿到资本；中期，「数据—模型—本体」这类飞轮模式能否成立，取决于跨本体迁移成本能否降到可接受水平，以及真机失败回流能否形成高效闭环；长期，人形机器人的竞争会从「参数与自由度」回到「单位任务成本」与「长期可靠性」。对关注这个赛道的从业者而言，判断一家具身公司，与其看它发布了多少产品，不如看三件事：数据从哪里来、模型能否迁移、本体在真实场景里连续工作了多久。