编辑丨小龙
2026年5月21日，一家具身智能公司的融资消息在投资圈火了。
正式运营才5个月，创始人是个00后，清华在读博士生。
累计融资总额超5亿元人民币。三轮融资——天使轮、战略轮、Pre-A1轮——连续完成，覆盖机构超过10家，包括蓝驰创投、绿洲资本、58战投、普华资本、水木清华种子校友基金、Monolith砺思资本、元禾璞华、元禾原点、国方创投。
5个月。超5亿。00后。
这三个数字放一起，很难不让人多看两眼。
这家公司叫OriginFlow，中文名渊澈太初。
从哈工大到清华，一个00后的创业路
秦深涛，2001年生，山西晋城人。
OriginFlow创始人兼CEO 秦深涛
本科哈工大机电工程学院。在哈工大那些年，他有一个近乎执拗的念头：只要站上赛场，哈工大的机器人就要拿冠军。「规格严格，功夫到家。」他几乎把所有时间都给了实验室和赛场。带队斩获几乎所有能拿的机器人竞赛冠军，自己成为第一个同时获得哈工大校长奖章和五四青年奖章的大三本科生。
回头看这段经历，秦深涛用了一个词：RockFlow岩浆——技术足够扎实，能在高压下流动，又在变化中向前。
也是在那段时间，他开始思考一个问题：人、机、数这三者到底是什么关系。怎么构建一个有效的桥梁，让人和机器之间的交互带宽大幅度提高。
神经接口逐渐进入他的视野。
大四那年，他先后进入李泽湘教授发起的深圳科创学院和陆奇的奇绩创坛。那是另一个世界——用户、市场、产品、洞察，技术之外的变量扑面而来。当时他脑子里已经有了一个模糊的关于神经接口基座模型的想法，有投资人抛出橄榄枝。
他没接。
「当时没有找到特别好的应用场景作为切入，对人机共融有执念，如果最终指向无关的方向，会有些不甘，对投资人也不负责。」
22岁，他去了清华读博，选的是自动驾驶方向。他想补齐AI能力，深入产业一线。那段时间他逐渐形成一个判断：模型架构终会收敛，真正拉开差距的，是背后的数据基础设施。
2025年8月，OriginFlow注册成立。
五个月后，三轮融资，累计超5亿。
具身智能缺的不是算法
是一个长期缺失的数据层
先讲清楚一个背景。
2025年以来，国内具身智能热度直线上升。人形机器人、商用服务机器人的基础移动能力，已经开始商业化落地。行业普遍面临一个问题：在精密制造、复杂家政这些场景里，精细灵巧操作能力严重不足。
机器人能走能动，但不大会「干活」。
核心瓶颈在数据。
机器人不是没有数据。文本有海量的互联网语料，视觉有数以十亿计的图像和视频。但物理交互层面的数据，几乎空白。
你让一个机器人去抓鸡蛋、拧瓶盖、叠衣服。它能通过视觉看到动作的样子，但「怎么用力」「拧到什么程度叫拧紧了」「轻轻按压和重重按压的差异」——这些信息视觉捕捉不到，传统的数据集也覆盖不到。
行业的困境，被概括成一个「不可能三角」：数据质量、采集成本、采集效率，三者很难兼顾。目前的几种主流路径都有硬伤。EgoScale第一视角视觉采集，只能记录表层行为，你看到一个人拧瓶盖，但你不知道他用了多大的力。遥操作和动捕手套精度高，但硬件门槛高、设备贵，大规模铺开遥遥无期。
所以行业里流传一句话：机器人离真正的「干活」还差一个维度的数据。
这个维度，OriginFlow想用神经肌电来补。
NeuroScale：直接从「意图」采集
而不是「结果」
人完成一次抓取、拧动或按压，链路是这样的：大脑产生运动意图——神经信号传到肌肉——肌肉收缩——肌腱驱动手指手腕——执行动作。
过去机器人学习的是最后一步：动作结果。
OriginFlow要做的是捕捉前面那几步。直接从动作生成的信号源头解码意图与执行逻辑。
他们管这叫NeuroScale。
技术实现上，以非侵入式运动神经接口为核心入口。基于全自研的软硬件架构，提取皮肤表面的神经肌电信号sEMG，再经过自研基础模型PULSE编码，输出手部连续姿态、高分辨率发力数值、触觉反馈等多维数据。
概念示意图
听不懂也没关系。
简单说，过去机器人只看到你「做了什么」，现在它能感知到你「想怎么做」以及「用了多大的力去做」。
一套设备售价控制在千元左右。非侵入式，戴上去不影响正常动作。效率上直接从源头采集，避开了转化和标注的复杂流程，大幅缩短训练周期。数据天然具备跨人群、跨环境、跨机器人本体的泛化能力——一个人拧瓶盖的方式，可以迁移给任何一台机器人，不受本体结构差异影响。
目前已在连续手势识别和高精度力控重建上取得突破，能精准复刻人类细微发力差异。一套千元级的采集设备，取代了过去动辄数十万元的遥操作动捕系统。成本差了两个数量级，意味着批量铺开的可行性完全不同。
秦深涛在采访里说了一句话：「大家不会因为我们是00后就降低期望。」这句话我琢磨了一下。不是自信，是一种清醒。他知道投资人的账本上不会因为你的年龄而给出折扣。能拿到5个亿，是因为他们真的觉得这套范式能解决一个行业级别的难题。
落地两步走：工业+家庭
两个完全不同的逻辑
技术有了，产品有了，往哪儿用？
OriginFlow的落地策略很清晰：工业制造+家庭服务，两条线同时推进。但这俩场景的逻辑完全不一样。
工业端，结构化、标准化、流程可重复。合作方是全球头部高端制造企业。场景聚焦高精度、高重复、高危的工业环节。比如精密装配、部件打磨、质量检测。这些环节对力控精度要求极高，传统的工业机器人靠编程走固定路径，碰到公差就会卡住。OriginFlow的数据方案，能让机器人真正「感知」到装配过程中的力反馈，自适应调整动作。
家庭端，非结构化、环境多变、任务随机。合作方是58集团。围绕衣物整理、居家清洁、厨房作业这些高频操作任务，采集海量的人类实操数据。这不是给一台扫地机器人加一个机械臂那么简单。让机器人学会叠衣服——视觉看到的是运动轨迹，但叠衣服需要手感知布料的软硬、判断折叠力度、适应不同面料和褶皱——这些都是物理交互数据要解决的典型问题。
说白了，工业端要的是「精准且可重复」；家庭端要的是「通用且能泛化」。两者共享同一个数据底座，但对模型的输出要求完全不同。
两个方向，同步在跑。
五个月内三轮超5亿，单看绝对数字在早期项目里已经非常少见。但更值得看的是这轮融资的阵容和结构。
天使轮由蓝驰创投、绿洲资本联合领投。蓝驰在硬科技和机器人赛道上一向以「早和重」出名，绿洲资本则更多关注新一代交互和AI基础设施。
战略轮的引入很有意思。58战投进来，对应的是家庭服务场景。普华资本和水木清华种子校友基金进来，带的是产业资源和清华系的产学研协同。最值得关注的是，蓝驰和绿洲在这轮以数千万元的规模超额加注，持续重仓。
Pre-A1轮由Monolith砺思资本独家领投，元禾璞华、元禾原点、国方创投等一线机构联合参投，老股东普华资本超额追投。
五个月三轮，估值逐轮递进。从天使轮的估值验证，到战略轮的产业资源锁定，再到Pre-A1轮的市场化机构进场——节奏紧凑但不混乱，每一轮都有清晰的配置逻辑和资源的对应关系。能在这么短时间内连续完成三轮、并且轮轮都有老股东超额跟投，说明每轮结束后的milestone基本都打到了。
不过坦率地说，五个月三轮超5亿，节奏确实快。市场环境好不好另说，资本对具身智能赛道的热情是真的高。据不完全统计，2026年截至5月，国内具身智能赛道年内融资总额已达577亿元，资本重点投向具身大模型、神经交互及人形机器人等方向。马太效应正在快速显现。
最后一公里不在实验室
在生产线和客厅
秦深涛判断说，模型架构终会收敛，真正拉开差距的，是背后的数据基础设施。
这话乍听有点反常识——所有人都在卷模型，你来卷数据？
但你想想，移动互联网时代，最后赢家不是做算法最牛的，是拥有最多用户数据的那几家。自动驾驶走到今天，真正的护城河不是算法，是车队跑出来的海量真实路测数据。
具身智能也是一样。模型范式会收敛，但谁的数据采集网络最先铺开、谁的数据质量和规模最大、谁的数据泛化能力最强——这些才是未来十年真正的竞争壁垒。
OriginFlow选择了一个很刁钻的切口。不是做整机，不是做算法，而是做底层的数据采集基础设施。用一套千元级的设备把数据采集成本打下来，然后快速铺场景、跑数据、建壁垒。先有数据规模，再反哺模型能力。
这是一个很互联网思维的路径——先建基础设施，再卷上层应用。
但问题的另一面是，这条路能不能走通，取决于两件事。
第一，NeuroScale的技术深度到底能走多远。sEMG肌电信号采集不是新概念，医疗康复领域已经用了很多年。把它系统化应用到具身智能的数据采集中，从「能采集」到「能规模化部署」，从「能感知手势」到「能精准重建力触觉模态」——这中间的工程难度和算法挑战，远没到已经解决的程度。
第二，数据采集这件事本身，商业闭环在哪。设备卖了，数据采了，然后呢？数据卖给谁？谁来标注？下游客户（机器人公司、制造企业）愿不愿意为这套数据付费？这些问题的答案，目前还不完全清晰。
但话说回来，对于一家成立才5个月的公司，问这些可能有点早。
能拿超5亿，能搭起这么强的投资人阵容，能在工业端和家庭端同时落大客户——这些事本身已经说明了一些东西。
回头再看秦深涛本科时用的那个词——RockFlow。岩浆在高压下流动，在变化中向前。
创业大概也是这么回事。方向对了剩下的是熬。熬过技术瓶颈，熬过商业验证，熬过行业周期的起伏。
5个月，超5亿。这位00后博士用这笔钱，给自己的创业之路买了一张入场券。
至于他能走多远，答案不在融资金额里。在生产线和客厅里。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
