DeepSeek投资机器人公司：大模型扎进物理世界-知了AI

一次意料之外、情理之中的投资

DeepSeek正式确认布局具身智能赛道，通过战略投资入股两家公司：Winverse，主打通用机器人决策大脑；理格万物，聚焦工业场景的具身应用。投资方的第一反应是意外——这家以算法效率闻名的模型公司，为什么突然去买机器人的门票？但把过去半年的行业动向摆在一起看，这步棋几乎是必然的：大模型的数字智能已经摸到了天花板，下一个增量在物理世界。

值得注意的细节是入股方式：这不是技术授权，不是联合实验室，而是资本层面的战略投资。这家公司选择的路径是”资本加技术”双重绑定——钱进去，模型能力也进去，两边深度耦合。这个信号比投资本身更重要：它意味着大模型厂商不再满足于给机器人公司当供应商。

两家被投公司，两条不同的路

Winverse：通用决策大脑

Winverse聚焦通用机器人决策大脑，也就是解决”机器人怎么想”的问题。这个方向的核心难点在于泛化：一台在实验室里学会了叠衣服的机器人，到了普通家庭的客厅，光照不同、衣物不同、桌面高度不同，成功率就断崖式下跌。通用决策大脑试图用大模型的推理能力补上这块短板——让机器人不是背动作，而是理解任务目标后自己规划动作。

理格万物：工业场景先行

理格万物走的是另一条路：不追求通用，先在工业场景里把具体任务做深。工业环境相对可控——流水线位置固定、物料规格统一、失败成本可以计量——这使得具身智能可以先在窄场景里赚到钱，再积累数据反哺通用能力。两条路线一横一纵，这次各押一家，等于把赌注摊在了具身智能的两种演化路径上。

大模型为什么需要机器人

数据是第一驱动力

大模型的能力提升越来越受制于数据：互联网上的文本数据快被用尽了，高质量的新数据来源成了稀缺资源。机器人生成的数据有独特价值——它包含物理世界的因果结构：抓取一个杯子时力道多大会滑、什么角度会被卡住，这些信息不存在于任何语料库，只能在物理交互中产生。谁掌握了机器人的数据入口，谁就握住了下一阶段模型进化的原材料。

商业化需要新的故事

另一个现实原因是大模型API的价格战已经打到地板，纯模型生意的天花板清晰可见。具身智能提供了一个量级完全不同的市场：全球劳动力市场的规模是软件市场的数十倍，哪怕只替代其中百分之一，也是万亿级的盘子。模型厂商往下游走，本质是在为自己的估值寻找新的支撑点。

放进行业坐标系里看

DeepSeek不是第一个下场的，把最近半年大模型厂商与机器人的合流事件排一下，能看出这是一个集体转向：

近期大模型厂商布局具身智能的动作对比
厂商	动作	路径特点	阶段信号
DeepSeek	入股Winverse、理格万物	资本＋技术双重绑定	从技术输出转向生态控股
小米	人形机器人8小时整班作业，两代基座模型开源	自研整机＋开源生态	工厂实测跑通，进入量产前夜
Meta	联合傅利叶打造人形机器人原型Max	借中国硬件做海外验证	二代产品已启动开发
字节系生态	扣子企业版调整，聚焦核心能力	数字智能体先收缩	资源向物理场景倾斜的侧证

这张表里最值得注意的是最后两行的对照：数字侧的智能体产品在收缩，物理侧的投入在加码。资源不是消失了，而是在搬家——从”帮人操作电脑”搬到”让机器操作物理世界”。

“模算一体”到”模机一体”：一个新词背后的产业逻辑

行业里把这次合流概括为”模算一体向模机一体演进”——前一个词指模型与算力的整合，后一个词指模型与机器的整合。这个演进的逻辑链条值得拆开看：

第一环：模型需要真实世界的反馈闭环

纯数字训练有个根本缺陷：模型从没见过自己的决策在物理世界里导致的后果。机器人提供了反馈闭环——抓错了就是抓错了，摔了就是摔了。有真实后果的训练信号，质量远高于人工标注。

第二环：机器人需要模型的通用理解

反过来，传统机器人架构的短板恰恰是大模型的长项：理解模糊指令、应对意外状况、把”帮我把这个收拾一下”翻译成具体动作序列。两边互为对方缺的那块拼图。

第三环：资本把两边焊在一起

技术协同靠项目合作推进太慢，股权绑定让两边有了共同的利益结构。投资方用资本换来了数据接口和落地场景的被投公司，被投公司换来了最前沿的模型能力。这是一笔典型的双向输血。

对产业链各方意味着什么

机器人创业公司

消息落地后，机器人创业公司的处境会变得更微妙。头部公司获得了模型大厂的注资选项，腰尾部公司则面临更残酷的问题：当模型巨头们开始用资本圈定自己的生态位时，没被选中的公司连模型接口的优先级都会落后。未来一年的融资新闻里，”哪家模型厂商投的”会变成机器人公司估值表上的关键一行。

工业客户

对工厂和物流企业，这是好消息。模型厂商下场意味着具身解决方案的迭代速度会加快，而理格万物这类”工业先行”路线的走通，会让具身智能的采购从”尝鲜预算”逐步进入”生产预算”。

普通用户

家用场景还在远期，但服务业态——零售导览、仓储配送、展演协作——的机器人在未来一两年会明显增多。监管也在同步跟进，工信部机器人”一机一码”的标识码管理办法已在征求意见，机器人大规模上路前，身份体系先一步铺好。

我的判断：这是具身智能估值的分水岭

过去具身智能的融资故事讲的是”技术愿景”，投资人买单靠想象。这次入股落地后，故事变了：模型厂商用真金白银为具身赛道做了信用背书，而且入股的是”决策大脑”和”工业落地”两端——等于替市场划定了两条被认可的主航道。接下来半年，你会看到更多大模型厂商的跟投，具身智能公司的估值体系会从”技术叙事定价”切换到”生态卡位定价”。

但要泼一盆冷水：资本合流不等于技术合流。大模型与机器人本体的整合有大量脏活累活——动力学适配、安全冗余、现场调试——这些不是写几行提示词能解决的。真正决定这波浪潮高度的，是未来十八个月里，被投公司的机器人在真实产线上跑出的任务成功率和设备利用率。数字不会说谎，发布会会。

从技术协同到数据主权：这步棋的深层逻辑

模型厂商的焦虑：数据采集的物理入口

数字侧的数据采集已经卷到极致——全网文本、代码、图像都被反复消化，数据墙的概念反复被提及。但物理世界的交互数据还是一片处女地：机器人每一次抓取、推动、避障，产生的都是带物理因果标注的稀缺数据。DeepSeek入股两家机器人公司，等于一次性锁定两条数据管道：Winverse的通用场景数据多样，理格万物的工业场景数据干净可控。这些数据回流到训练管线里，喂养的正是DeepSeek自己的下一代模型。

为什么用投资而不是合作

技术合作模式下，数据共享靠合同约束，随时可能生变；股权模式下，数据通道有了利益结构的保障。更深一层，具身智能的迭代需要模型团队与硬件团队高频协同——模型出一个新版本，机器人端要立刻验证适配，这种深度耦合靠”甲方乙方”的关系根本跑不动，必须坐在一张桌子上。选择入股而非合作，本质上是选择了一个可以深度参与的座位。

对DeepSeek自身估值叙事的加持

从资本视角看，这步棋也在重塑DeepSeek的故事线。一家只会做模型的公司的天花板是软件公司；一家握有物理世界数据入口的公司，讲的是基础设施公司的故事。DeepSeek此前已完成巨额融资并把算力转向国产芯片，如今再往物理世界伸一只手，它叙事的完整性在一步步补齐。

具身智能的两条技术路线之争

VLA路线：模型直接输出动作

当前具身智能的主流技术路线之一是视觉-语言-动作模型，把感知、理解、决策压进一个端到端的网络。这条路线的上限高——模型见得越多泛化越强，但对数据量和算力的胃口也大得惊人，恰好是大模型厂商能补的那块板。Winverse做的通用决策大脑，走的就是这条路的延长线。

分层路线：大脑与小脑解耦

另一条路线把系统拆成两层：大模型当”大脑”负责理解与规划，传统控制算法当”小脑”负责运动执行。这条路线工程上更稳，工业场景接受度高，理格万物在工业场景的积累正对应这条路。两条路线短期内不会分出胜负——通用路线赌长期，分层路线赚当下，两边同时下注，正是承认了这个不确定性。

具身智能两条技术路线对比
维度	端到端VLA路线	分层大脑小脑路线
技术上限	高，泛化能力强	中，受限于规则与控制的组合
数据需求	极大，依赖大规模真实交互	较小，场景数据即可起步
落地速度	慢，尚在早期	快，工业场景已可交付
主要玩家	大模型厂商、研究型公司	工业集成商、传统机器人企业
对应被投公司	Winverse	理格万物

具身智能融资潮的冷思考

热钱与订单的温差

资本端的温度和订单端的温度有明显温差：融资新闻每周都有，真实商业订单还集中在少数演示性、租赁制场景。具身智能公司的收入结构里，”政府补贴、园区采购、展会租赁”的比重不低，纯市场化的复购订单还在爬坡。大模型厂商的入股会改善头部公司的资金面，但改变不了行业要靠真实订单验证的基本面。

人才争夺的新战场

另一个隐性影响是人才流向。模型厂商下场后，具身智能的顶尖研究者面临选择：去资金雄厚、算力充足的模型厂生态，还是留在独立创业公司搏更大期权。模型厂商给出的价格往往更稳，这会加速小团队的人才失血。未来一年，具身智能赛道可能会出现一批”被收编”而不是”被竞争死”的小团队——人才并购会是这条赛道的常规剧本。

被投双方的得失账与行业连带反应

对模型厂商：花小钱办大事的样板

从交易结构看，战略入股两家公司的资金规模，远低于自建机器人团队的成本。自建意味着从零招聘、从零积累场景数据、从零试错硬件工程，周期以年计；入股则直接接入了成熟的团队、现成的场景和已经在跑的落地项目。用资本市场的术语说，这是用财务投资的成本买到了产业整合的效果——大模型厂商手里的现金，第一次找到了比堆算力更高杠杆的花法。

对被投公司：背靠算力与模型的红利

被投公司拿到的也不只是钱。具身智能公司最缺的两样东西——大规模算力和前沿模型能力——恰好是模型厂商的富余资源。机器人决策大脑的训练需要海量仿真与真实交互数据的高强度计算，这笔算力开支原本要占掉创业公司融资的大半；模型能力上，通用理解与规划模块直接复用前沿模型，省去了自研的重复建设。两边生态位互补得近乎严丝合缝，这也是这笔交易看起来顺理成章的原因。

对投资人格局：模型厂商成为新变量

一级市场的投资人现在要多算一个变量：评估具身智能项目时，”是否在模型厂商的生态内”成了新的估值调节项。在生态内的公司，模型能力与算力供给有保障，落地速度快；生态外的公司则要回答”你的模型能力从哪来、成本比生态内对手高多少”。可以预期，接下来具身智能项目的融资条款里，与模型厂商的绑定深度会频繁出现在投资条款清单上。

对终端客户：采购决策的新参考系

工厂与商业客户也在重新校准采购判断。过去评估机器人供应商看硬件指标与交付案例，现在要多问一层：决策系统的底层模型是谁的、多久迭代一次、出问题找谁。模型厂商深度绑定的供应商，在能力迭代速度上有先天优势，但客户也要警惕生态锁定的代价——一旦选边，未来更换决策系统的成本会随业务嵌入程度持续上升。

普通观察者视角：怎么判断这波浪潮的成色

三个跟踪指标比新闻更可靠

判断具身智能这波合流的成色，建议盯三个硬指标而不是发布会数量：一是被投公司的真实订单公告，重点看复购率和交付周期，首单可以靠关系，复购只能靠效果；二是工业场景的任务成功率数据，行业里靠谱的团队会主动披露产线实测数字，只讲演示视频不讲成功率的要打折；三是模型厂商下一代的发布节奏里，具身相关能力占的篇幅变化——资源投入的诚意，藏在版本说明里。

对就业市场的中性判断

具身智能的热度也引发了就业担忧，这里给一个中性判断：短期看，机器人替代的是结构化、重复性高的岗位，且部署成本决定了替代速度是渐进的；中期看，运维、调试、数据标注等新岗位的增量会部分对冲存量岗位的减少；长期的不确定性真实存在，但把它当成未来三五年的就业威胁，为时尚早。真正需要提前准备的是职业结构的弹性——技能组合里能被机器做的部分越多，调整的压力越大。