极智嘉5000万元入股后，深诣在工博会首发两款机器人

10月9日，极智嘉发布公告，以5000万元入股深诣机器人，持股20%。一家做了十多年物流机器人的企业，为什么要把资金投向一家成立刚满9个月的具身“大脑”公司？

从深诣机器人的团队构成和最新发布的产品来看，答案并不复杂：这家公司的核心团队一头连着产业、一头连着前沿模型研发，而它所打造的产品，从第一天起就瞄准了工业与物流现场中的真实任务。

深诣机器人的创始人兼CEO刘凯是极智嘉联合创始人，在物流机器人领域深耕10年，参与过10万台量级机器人的量产交付；联合创始人罗宇、黄康尧均为清华大学计算机系博士，分别负责大模型与具身系统，罗宇曾在华为负责基础模型与Scaling Law方向的技术，黄康尧主导具身系统、经典算法与安全边界；清华大学计算机系教授、2026年IEEE Fellow刘华平则出任深诣机器人首席科学家顾问。

极智嘉投资消息公布三天后，深诣机器人在2026工博会现场发布了自研具身基础模型SE-1及两款机器人产品——聚焦重载物流的多任务具身操作机器人Sculptor，以及聚焦工业精细操作的双臂机器人Edge。

一家定位做“面向真实世界作业的通用具身大脑”的企业，为什么会选择发布两款机器人？在具身基模竞争愈发激烈的当下，SE-1又具备哪些差异化优势？

成熟的物流自动化场景中

为什么还需要一台Sculptor机器人？

从AMR、分拣线到拆码垛工作站，物流自动化方案在本届工博会上随处可见，负载越来越高，节拍越来越快，覆盖的环节也越来越多。在这样的供给环境下，客户为什么还需要一台搭载具身大模型的物流机器人？

黄康尧告诉高工机器人，现有物流自动化设备大多面向特定场景，作业对象和环境都要事先定义，以拆码垛为例，托盘位置、托盘尺寸乃至SKU的规格和数量都要提前写进程序。物流现场却在不断变化，SKU近乎无限，硬包、软包混杂，场景一换，设备就得重新编程调试。

深诣机器人给Sculptor的定位是“一机多能、开箱即用”：同一台机器人覆盖卡车装卸、混合拆码垛、箱式拣选、行李搬运等多种任务，多台还能组队协作，到现场后依靠基础模型直接上岗，作业数据再反哺模型持续学习。

刘凯认为，传统物流机器人工作的场景中，工厂出货相对标准，箱规已知，按垛型编好程序即可，市面上的协作臂方案已经足够高效；而物流环节的集装箱、卡车装卸，柜内货物种类未知、码放随机，是现有协作臂和码垛机解决不了的，目前仍大量依赖人工。

在Sculptor多品类箱体混合码垛任务的演示中，18个尺寸、包装材质各异的纸箱模拟真实现场随机摆放，Sculptor可以做到自主识别不同货箱，结合箱体姿态、目标放置位置和当前堆叠状态调整抓取与放置策略，连续完成抓取、搬运与放置，将不同箱体码放成稳定的多层货垛。

物流之外，深诣机器人的另一条主线是工业。刘凯认为，在标准化产线上，具身智能很难在效率上和传统自动化正面比拼，它更适合承担柔性、精细的生产任务，比如AI Infra行业的线束和光模块组装、3C行业的手机屏幕排线，以及汽车行业的零部件质检和包装等。

正是为了攻克这一细分市场，深诣机器人选择打造具备全身力控与全身运控能力的双臂操作机器人Edge，在兼顾20至30公斤物料搬运能力的同时，将精细操作精度推向了0.1mm级。在工博会现场，Edge通过两项截然不同的任务演示，验证了其从底层物理控制到高层认知推理的闭环能力。

在0.1mm级混合柔性线束双臂精密插接演示中，面对多组混合工业线束，Edge不仅要自主识别并匹配对应接口，还要在双臂协同抓取移动，甚至存在外部干扰的条件下，持续感知柔性线缆的动态形变姿态与双臂空间关系，实时修正轨迹完成0.1mm级精密对准与插接。据罗宇透露，目前深诣机器人在该项精密对插任务上的统计成功率已超过96%。

除了操作精度外，Edge要应对的另一类挑战，是需要多步骤连续完成的长程任务。

“交互式双臂糖果分拣与打包”这项与现场观众高频互动的Demo，实则是对模型长程任务规划、过程记忆（Process Memory）与上下文学习（In-Context Learning）能力的综合压力测试。

当观众用手指随机指向某一区域的糖果时，这一动作即为模型输入了动态上下文，Edge需要将人类的模糊意图拆解为“抓取糖盒—按指示分拣拾取对应糖果—装盒—递交观众”的长序列子任务，并通过双臂协同与流程记忆确保步骤无缝衔接。罗宇指出，这种需要过程记忆与动态上下文交互的长程任务，是常规后训练微调无法承载的，需要具身基座模型预训练与后训练共同支撑。

这两大机器人本体背后，都是此次同期发布的具身基础模型SE-1。

不久前OpenAI GPT-6模型的发布，让“通用大模型终将淘汰专用具身模型”的讨论再度升温。工博会首日，宇树科技创始人王兴兴在现场做了一个预测，明年的GPT-7很有可能“直接把具身智能问题打穿”。对自研具身基础模型的公司来说，这是绕不开的问题。

罗宇告诉高工机器人，他更愿意用“帕累托最优”来看待这件事。一端是快，节拍和成功率要求高的场景，用较小参数量的模型就能把单一任务做好；另一端是泛化，超大参数量的模型能覆盖多种任务，代价是慢。

罗宇认为GPT-6 Astra这类模型对具身领域有很好的带动作用，而具身方向要做的，是用尺寸合适的模型不断抬升泛化能力，同时守住工业和物流现场需要的节拍与成功率。

而深诣机器人的SE-1可以看作VLA与World Action Model的结合，但与基于视频像素生成预测的世界模型不同，SE-1用隐空间世界模型做隐空间预测：前端由视觉语言模型负责语义理解和子任务推理；中间是以MoE架构组合的世界模型，视觉、深度、力觉、本体状态等多个“物理专家”分别预测各自模态的未来变化；动作生成层再由多个Transformer融合。

罗宇把这个过程概括为：从稀疏的语义到稠密的物理信息逐层细化，最后生成连续动作。

至于深诣机器人为什么要做两个机器人，也藏在SE-1的产品逻辑里。深诣机器人做的是大脑，但大脑的价值必须在真实场景中兑现。只有机器人真正销售出去、形成商业闭环，才能带来真实作业数据的回流，模型才有持续进化的养料。

在刘凯看来，那些“人工仿造场景”里采到的数据价值并不高，喂出来的模型也很难形成真正的作业能力。所以深诣机器人选择自己下场做机器人，让SE-1第一时间进入物流和工业的真实作业现场。

距离从量变到质变的“ChatGPT时刻”，具身智能还差什么？罗宇的回应是：不能只说数据量不够，更要回答在数据量不够的情况下，如何产生充分的数据回流。深诣机器人的做法，是以真实场景中的RSI（递归自我改进）实现“用数据训练模型”与“到现场自我进化”的闭环。

机器人白天在真实场景作业，充电与空闲时段用当天数据结合历史数据做异步强化学习，第二天带着更新后的策略上岗，再辅以自研的OMPO经验匹配算法，让现场的少量新数据与海量历史经验对齐后参与策略更新。

围绕SE-1，深诣机器人还构建了Agentic Robot与Engineering Harness系统，将任务编排、功能安全、数据回流与部署运维打通，整套体系对应“可用具身智能”的三个标准：可信赖、可解释、可进化。

从本届工博会的情况看，工业客户看具身智能的角度正在变化，关注点从机器人能做出什么动作，转向它能否在现场连续干活、多久能收回成本。正因为整个行业还处于早期阶段，对具身智能企业而言，越早把真实场景跑通，就越早拿到持续回流的现场数据，模型迭代也会更快。

以深诣机器人为代表的新锐势力，正通过“原生自进化基模+行业级本体”的组合，将具身智能从算法博弈拉回枯燥却高价值的货柜与产线，在真实生产力场景中争夺属于头部具身智能企业的生态位。