智东西
一台机器人，昨天还在仓库里熟练地分拣包裹，今天换了个货架就懵了，这是眼下不少机器人面临的尴尬处境：稍微改变一下工作环境，机器人的干活能力就像失效了一样，没法举一反三。
这背后折射出的，正是主流VLA路线的局限性：VLA曾被视作通往通用机器人的关键路径，但越来越多人意识到，其在面对物理世界千变万化的实时交互时，显得力不从心，泛化能力有限，难以举一反三。
在这样的背景下，一家成立于2025年的上海创企眸深智能独辟蹊径，沿着生成式路线打造机器人原生通用大脑，该公司也是全球首家生成式通用具身大脑公司。
眸深智能由三位复旦校友联手创办：首席科学家陈涛为复旦教授、原华为海思AI图像算法引擎负责人，CEO穆泽林是连续创业者，张益民为英特尔中国前首席科学家及英特尔首席工程师，掌舵工程与架构。
“眸深”这个公司名字背后，也带着团队对具身智能的理解：英文源于团队核心技术的“Motion GPT”（动作生成大模型），中文“眸”代表以视觉为基石，让机器人手眼并用，真正在物理世界动起来。
独特技术路线、完备且资深的团队让眸深智能受资本青睐，今年1月，该公司刚连续完成数千万人民币天使轮追加投资，由上海国和投资领投。穆泽林在接受智东西专访时透露，该公司基本上每个月都会交割一轮融资。
眸深选择对标美国Skild AI，这两家公司的产品思路都强调“一脑多形”，只是技术范式和能力重点有所不同。眸深智能的终极目标，是要成为“具身智能时代的Windows”，打造市值千亿以上的通用大脑平台。
一、复旦“铁三角”联手创业，要让机器人真正在物理世界动起来眸深智能的诞生，源于CEO穆泽林对更大机会的追寻，以及首席科学家陈涛将学术成果落地为产业价值的渴望。
穆泽林有着丰富的创业经历，曾创办了聚焦于AI外呼领域的木心智能。在成功将木心智能做到年营收过亿后，他敏锐地看到了业务的天花板，选择卖掉公司，继续在AI领域寻找一个能做十年、二十年的方向。
陈涛的动机则更像一个学者对产业化的主动转身。他曾任职华为新加坡中央研究院、现任复旦大学教授。在长期的学术研究过程中，他觉得，高校科研与产业结合度低，难以将成果落地，应该要借助产业资源将原创理论落地；反过来，真实场景中遇到的挑战还可以倒逼高校研究更有针对性。
事实上，两人早在2019年就已经有过共同创业的念头。只是当时陈涛刚从海外和企业回到复旦，科研平台刚起步，还不适合马上投入创业。
直到2023年ChatGPT出现后，创业的想法经过几年的沉淀后终于开始走向落地，两人决定聚焦具身智能模型的相关领域。
团队“铁三角”的补齐，得益于前英特尔中国首席科学家张益民的加入。张益民与穆泽林、陈涛同是复旦校友，是前英特尔中国研究院首席科学家及英特尔首席工程师，原机器人交互实验室高级总监，从2015年起负责服务机器人研发。
至此，眸深智能形成了“模型算法+商业化+工程架构”的互补组合：穆泽林负责商业化与组织，陈涛主导模型算法，张益民补上工程与架构。
据了解，眸深智能的团队规模并不大，全职员工不到20人。但其背后依托着与复旦大学的校企联合研究中心，拥有一支60余人的强大博士研究团队。这种“小型公司+大研究院”的结构，构成了它与大部分创业公司不同的组织基础。
具身智能行业迭代速度快，为了平衡短期成功压力与长期基础研究的投入，眸深智能内部形成了独特的“顶天+立地”的双线研发阵型。
“顶天”的研究由高校联合实验室的博士团队负责前沿探索，聚焦从0到1的创新技术研发；而“立地”则偏向于工程化落地，由公司内部的工程师团队结合成熟技术与自研模块，以客户为中心进行交付。这两条线形成闭环，前沿探索为工程落地提供技术储备，工程实践又为前沿研究指明方向。
陈涛谈道，眸深智能在开展研究前期，就通过考察国内外头部机构的研究进展，坚决避开VLA等已过度内卷的同质化赛道，专注于生成式和端侧部署等更具特色的深层研究。
但不碰同质化，不等于闭门造车。眸深同时也秉持兼容并包、取长补短的理念，借鉴外界出色的研究成果优点，并与自研技术融合，在差异化中形成自身特色。更重要的是，团队坚持技术与场景同步推进，不等技术100%成熟才考虑落地，而是主动寻求场景和业务。
二、不走寻常路，坚持生成式是人机互动的理想范式眸深选择生成式技术路线，根植于陈涛早期形成的技术信仰。
在他看来，AI的终极目标是服务人，人首先需要的是互动的价值，传统模仿学习或预编程机器人缺乏互动性，而生成式是实现人机互动的理想范式。
以ChatGPT为例，生成式模型能够根据人的问题和反馈不断修正和完善自己的回应，这种动态交互的能力正是具身智能所需要的核心特质。
眸深自主研发的全球首个数字人动作生成模型MotionGPT，首创了“动作基元”技术，将复杂的动作序列拆解为上千个基础元素，模型可根据自然语言指令，动态调用并组合这些基元，生成全新的、未训练过的动作序列。
▲MotionGPT框架图
为了攻克数据瓶颈，眸深开创性地采用了“三段式训练架构”：先用90%的互联网视频让模型理解通用运动规律，再用仿真数据微调适配，最后仅需极少量的真机数据进行强化学习校准，大幅降低了数据成本，提升训练效率。
▲机械臂抓取物体，相比目前最前沿的Pi0.5模型效率高80%
针对互联网视频数据质量参差不齐的问题，陈涛团队还自研了一套半自动的数据筛选、标注以及自动化数据搜索与蒸馏技术，让模型在学习过程中动态选择最适合当前阶段的数据，最后用价值观对齐和真机微调提升模型性能。
在模型轻量化与端侧部署上，眸深研发了全球首个多模态模型轻量化方案MADTP动态令牌剪枝算法，目前已经升级到第三代MADTP++,实现将模型压缩至原来的1/8、推理速度提升10-20倍的效果，实现百亿参数模型在机器人端侧芯片上的高效运行。
▲眸深具身大模型算侧压缩框架获得IJCAI 2025全球最佳论文奖
这个算法能够把模型变“轻”，不仅可以通过压缩，把体量大的模型压到端侧可承载的规模，还能在推理阶段做动态调用，按任务复杂度调动不同参数量，避免端侧每次满负荷运转，从而把算力消耗压到可控区间。
眸深智能还提出了全球首个“世界动作模型（World Motion Model）”。它使机器人拥有理解物理规律和动作原理的通用能力，能够根据外部环境做出实时反应，生成最符合当下环境的动作。
▲多机协同运动演示
归根结底，眸深智能一直坚持生成式路线，瞄准的就是让机器人具备像人一样在交互中理解环境、生成决策并即时行动的能力，这也是机器人真正走出实验室、进入复杂现实场景的核心前提。
三、找准生态位，以原生大脑赋能千行百业落地当前，不少具身智能项目容易卡在POC或Demo阶段，穆泽林认为，主要有两大原因：一是技术本身泛化性不足，产品难以从示范走向规模化；二是POC设计之初就没有考虑规模化后的节拍、续航、工作寿命等现实问题，一个Demo或许可以忽略这些约束，但现实商业化落地不能。
所以，眸深智能的商业化打法，就是选择那些技术能领先市场6-12个月、容错率较高的领域，作为技术的最佳试验场，逐步实现规模化落地，避免陷入纯技术演示的困境。
围绕这一思路，眸深目前明确聚焦两个垂直方向：工业物流等多场景搬运，以及家庭健康养老。前者重点对应动态避障、多机协同等需求，后者则会从安全监护逐步延伸到肢体辅助等更复杂服务。
在接订单这件事上，眸深智能显得有些克制。穆泽林提到，眸深智能在订单选择上有着清晰的三大标准：只与千亿级以上的产业龙头合作；只合作单一类型有万台以上潜在订单的规模化项目；只投入面向国家重大需求、具有战略意义的领域。不符合标准的订单一概不接，确保资源集中投入到长期价值项目中。
目前，眸深智能的技术已快速进入产业化验证阶段。据了解，该公司在成立第一年就获得了来自宇树科技、国地中心、禾川科技、小米集团等头部客户的青睐，去年已确认三千万元的订单收入。
展望今年，穆泽林对订单增长有明确预期，预计将达到六七千万元，主要增长将来自其核心产品“大脑模组”和ODM机器人出货，目前已签约两家行业龙头企业，将带来数千万元的收入。
穆泽林觉得，具身智能产业将像PC时代和自动驾驶时代一样走向分工协作，机器人本体长期将是多种物理拓扑结构共存，很难由单一结构的机器人适应所有需求。因此，眸深立志成为机器人领域的通用“大脑”供应商，专注赋能下游本体厂商和终端客户。
对于是否会涉足硬件本体，首席科学家陈涛表示，当前阶段将非常专注大脑及端侧模组，打造软硬结合的系统。未来，眸深智能不排除根据特定场景需求，与本体厂商合作DIY定制本体，但不会从头到尾自研机械结构。
结语：破解架构瓶颈，眸深智能以第一性原理为机器人重塑可持续学习的原生大脑谈及当前影响具身模型为何难以收敛，陈涛认为，关键在于缺乏一个为机器人原生的模型架构。现有模型多从语言模型演化而来，原生能力是时序语言建模，其“基因”注定难以应对具身领域高度非结构化的数据和场景。
具身智能领域好的训练目标，也不应仅仅是预测下一个动作token，而是应该实现对视觉、语言意图和行为动作这三类token的精准预测与深度融合，这才是通往通用物理智能的关键。
所以，具身智能需要专为其打造的原生大脑，根据第一性原理，从机器人操作的本质和物理规律出发来设计模型。同时要能够实现机器人大脑的端侧部署闭环，可以实现像人一样边干边学，在执行的过程中不断提升模型能力，这恰恰是眸深长期以来一直在做的事情。
据了解，未来三年，眸深智能已经有了明确的规划：客户端今年实现10家以上上市公司的战略合作签约，5-6家以上进入小批量产，3家实现规模化放量，并最终在三年内服务约20家头部客户。资本层面，完成3-4轮新的融资，迅速跻身行业头部。
技术上炒股股票配资官网，眸深智能即将发布全球首个人类思维方式的世界模型（HL3DWM），未来将继续致力于减少物理幻觉、增强交互实时性，并进一步升级其生成式架构，朝着测试即训练、在执行中进化的机器人原生大脑迈进。
天牛宝提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
