一年 12 轮融资，最像特斯拉的中国机器人公司出现了
马年开年，具身智能赛道又迎来了一位百亿估值新玩家，同时也是深圳首个百亿级具身智能独角兽，这家公司就是智平方。
就在最近，智平方宣布完成 B 轮系列融资，总规模超 10 亿元人民币。
至此，这家成立不到三年的公司在最近一年内累计完成了 12 轮融资，成为全球融资节奏最快的具身智能企业。
本轮投资方包括百度战投、中车资本、多家特斯拉生态链龙头企业、沄柏资本、国泰海通等顶级资本。
这份名单横跨了互联网 AI 巨头、头部央企产业资本、特斯拉生态链龙头、「深口袋」PE 基金以及头部券商系，可以说是当前具身智能领域背景最全、产业协同想象空间最大的顶级资本组合之一。
资本纷纷下注的背后，是一个正在形成的共识——智平方，是当前最像特斯拉的中国机器人创业公司。
1、为什么是「最像特斯拉」？
特斯拉，不仅在电动汽车市场占据着重要地位，同时也是兼具 AI 算法与智能硬件规模化量产双重能力的标杆。
在中国机器人创业公司中，绝大多数要么偏重算法炫技，停留在实验室阶段；要么主打硬件集成，缺乏核心 AI 能力。
而智平方的稀缺性在于，它与特斯拉站在了同一技术范式的维度上。
具身智能的核心竞争力，终究还是落在大模型上。而智平方与特斯拉的第一个深度共鸣，就是对端到端大模型技术范式的坚定选择。
早在 2023 年初，当行业尚未对具身智能的技术路线形成共识时，全球范围内仅有特斯拉与智平方，放弃了传统的模块化研发思路，选择了端到端大模型这一难度更高、但长期价值更大的技术方向。
这种范式级的选择，直接决定了企业的长期上限。
特斯拉凭借 FSD 端到端技术，在自动驾驶领域建立起难以追赶的优势。
而智平方则同步发力，自研全球首个全域全身 VLA 大模型 GOVLA，成为行业公认的中国创业公司中最早提出、最具原创架构的具身大模型。
其模型性能在开源社区的第三方硬核评测中多项指标位列全球第一，真正实现了机器人大脑的自主进化。
不同于国内部分玩家套用开源模型、缺乏原创能力的短板，智平方自创立以来就坚持自主研发，其 GOVLA 系列模型一直迭代升级。
从 2024 年的 GOVLA 0.0（RoboMamba）到 2025 年的 GOVLA 0.5（FiS-VLA），再到如今的 GOVLA 1.0，每一代都实现了跨越式突破。
除此之外，特斯拉的成功，从来不是只有领先的软件技术，更在于其深刻理解供应链与生态体系、重视量产工艺的制造基因。
这也是智平方最像特斯拉的另一重核心特质。
智平方的创始人郭彦东博士曾在微软西雅图总部担任研究员，后在小鹏汽车和 OPPO 担任首席科学家与研发高管，主导的智能系统在数十万台智能汽车、数亿台消费电子终端投入使用。
这种 AI+ 智能硬件的复合背景，在行业内极为稀缺。
而智平方的核心团队也是一支六边形团队，拥有 5 位斯坦福全球前 2% 科学家加盟，是科学家密度最高的创业团队之一。
更重要的是，这支队伍成建制，兼具 AI 研发、智能硬件、规模量产与产业化的全栈能力。
这种双重基因，让智平方能像特斯拉一样，既做好机器人大脑，也造好机器人身体。
智平方从一开始就以量产为导向，搭建起面向规模交付的制造体系，从整机研发、核心部件定制到结构件加工、组装验证的全链条，均实现自主可控。
2025 年 9 月，智平方自建产线正式投产，同年 12 月实现单月百台级交付，目前该产线已具备年产千台能力，2026 年计划扩产至万台规模。
这种量产能力，让智平方真正具备了将技术转化为生产力的底气。
所以在本轮融资中，多家特斯拉生态链龙头企业选择战略投资智平方，而且还是组团入局。
这种集体认同源于一个清晰判断，在当下中国机器人创业公司中，智平方在技术范式、产品路径与量产体系上，最具备特斯拉基因。
2、用自研技术做全球基础模型龙头
最像特斯拉是智平方获得资本关注的敲门砖，但真正支撑它持续领跑的，是全球领先的基础模型实力。
随着具身智能发展逐渐进入深水区，大模型的原创能力与持续迭代效率直接决定企业的竞争身位。
智平方在行业尚未形成共识前就已经布局了 VLA 架构，而且是行业罕见的非套用开源路径。
智平方的自研模型 GOVLA，是全球首个实现全域全身控制的 VLA 模型。
它突破了传统 VLA 只能控制机械臂末端或单一关节的局限，能够协调机器人全身自由度，在复杂环境中完成长程任务。
这意味着，智平方的机器人不仅能抓取物体，还能在抓取过程中调整身体姿态、避开障碍、与人类自然交互。
2024 年 6 月，其发布并开源创业公司中首个 VLA 模型 GOVLA 0.0（RoboMamba），不仅成功入选 NeurIPS 2024，并获得图灵奖得主 Yann LeCun 关注。
2025 年 6 月，智平方进一步推出快慢系统深度融合的最强开源模型 GOVLA 0.5（FiS-VLA），成为业内首个异构输入 + 异步频率的双系统 VLA 模型。
该模型借鉴了人类大脑的快思慢想理论，让一个快速反应的直觉系统和一个慢速推理的认知系统协同工作。
在仿真与真实任务中，GOVLA 0.5 全面超越当时主流模型 CogACT、Pi0 等，其中超越π0 达 30%。
2025 年，智平方团队有数十篇论文被顶级会议收录，其中人工智能与机器学习领域顶会 NeurIPS 就收录了 6 篇，在世界模型、多模态理解与 VLA 方向均有成果发表。
摩根斯坦利也在同年的机器人产业深度报告中，将智平方列为具身基础模型的代表企业。
同时，模型技术的领先也得益于长期的高压投入。
智平方成立起就开始使用千卡级算力集群，并构建自有训练加速体系，使得模型训练效率较开源方案提升数倍。
更高效的数据利用率，意味着更快的模型进化速度，也意味着更难被追赶的技术代差。目前，智平方已研发出更为强大的 GOVLA 1.0 版本。
在数据战略上，智平方领先于行业提出并运用正反金字塔数据观：
- 初期采用正金字塔结构，通过互联网数据、仿真数据和真实场景数据多源融合训练模型；
- 后期转向倒金字塔结构，强调真实场景作业数据对模型的反哺优化，形成持续迭代闭环。
智平方创始人郭彦东博士曾多次在采访中强调真实场景作业数据的重要性：「好的机器人不可能完全从自我仿真中诞生。它必须『从劳动中来，到劳动中去』。谁的机器人能够从真实劳动中获得更多的数据，谁就能在未来三年的竞争中获得巨大的竞争壁垒」。
在大型双臂机器人数据集 RoboCOIN 中，智平方成为 half-humanoid 领域数据与本体数量最多的贡献者，贡献占比超 35%，覆盖工业、公共与家庭服务 50 余场景，为模型泛化打下坚实基础。
这种数据密度的积累，正在其内部形成一个数据驱动 - 能力增强 - 商业闭环 - 更多数据的正向飞轮，持续放大核心竞争力。
3、为干活而生，以量产与落地能力实现商业价值闭环
无论是最像特斯拉的基因共鸣，还是全球领先的基础模型实力，最终都要落地到产品上，通过规模化量产与场景化落地，实现真正的商业价值。
在具身智能领域，一个朴素的真理将在 2026 年开始得到广泛验证：谁能真正商业化落地，获得稳定的订单，谁才有可能笑到最后。
智平方的产品逻辑非常清晰，聚焦生产力型通用智能机器人，目标让通用智能机器人提供真实服务，成为推动社会进步的生产力。
当前国内具身智能赛道的痛点在于，多数企业的产品停留在实验室研发、小范围试点阶段，难以实现规模化量产，更无法形成稳定的商业收入，最终陷入融资 - 研发 - 再融资的恶性循环。
而智平方选择以量产为导向构建产品体系，以场景落地实现商业变现，形成技术研发 - 量产交付 - 场景落地 - 数据积累 - 模型迭代的完整商业闭环。
围绕 GOVLA 大模型打造的 AlphaBot（爱宝）系列机器人，已在两年内完成三次迭代。
最新款 AlphaBot 2 采用轮式双臂结构，本体设计充分考虑了工业场景的可靠性要求，核心部件无故障运行时间超过 5 万小时，达到工业级标准。
依托强大的模型能力和可靠的本体，智平方的商业化已进入快车道：
在工业柔性制造领域，爱宝已深入汽车制造、生物科技及半导体显示面板等高端场景，执行精密物料搬运、柔性上下料、高精度装配、在线质量检测等任务。
其中，与全球第三大面板厂商惠科签订的 3 年 1000 台订单，被摩根士丹利认定为该领域全球最大单一订单，印证了智平方机器人在复杂工业环境下的稳定性与可靠性。
在公共服务领域，爱宝已在一线城市核心交通枢纽等复杂开放环境中运行，承担多种类型服务。
在每天数十万人流的高动态场景下，机器人需要实时避让行人、应对突发状况，这对决策速度和安全性提出了极高要求，而爱宝也成功保持了在高动态场景下的安全性与即时决策能力。
在新零售领域，智平方于 2025 年底推出了全球首个模块化具身智能服务空间智魔方，爱宝机器人在里面熟练操作市面上常见的商用咖啡机与冰淇淋设备，摆脱遥控操作，独立完成全流程制作。并支持自然语言交互，为顾客带来有温度的个性化体验。
目前已在北京、深圳等多地常态化运营，机器人日均工作超 10 小时，全程自主零失误，甚至能在高峰期与人类店员协同作业。
未来三年智平方计划落地 1000 个智魔方，开辟工业之外的新增量曲线，进一步扩大商业变现规模。
在本轮投资中，中车资本的入局，也将为智平方开拓在其生产车间的作业空间。
中车的生产车间涉及高铁、地铁等大型装备的组装、检测、维护，存在大量柔性操作需求，智平方的机器人可以承担零部件搬运、装配辅助、视觉检测等任务，实现人机高效协作。
2026 年的中国具身智能产业，正迎来最好也最残酷的时代。
刚刚过去的马年春晚，多家机器人公司相继亮相，但较量早已从跳舞、表演升级为比脑子、比协作、比落地。
真正的头部玩家需要有跳出资本输血支撑的能力，最终走向机器人公司存活的核心命脉——实际生产力。
$Tesla(TSLA.US)
The copyright of this article belongs to the original author/organization.
The views expressed herein are solely those of the author and do not reflect the stance of the platform. The content is intended for investment reference purposes only and shall not be considered as investment advice. Please contact us if you have any questions or suggestions regarding the content services provided by the platform.
