地平线前高管创业做机器人《底层》【智能】数千万元种子轮落地

5 月 19 日消息，空间智能大模型初创企业 " 叮当动力 " 宣布完成数千万元种子轮融资。

本轮融资由地平线领投，正景基金跟投。据了解，本轮资金将主要投向 " 空间智能大模型 + 物理 Agent" 框架的开发与验证，以及真实场景数据闭环体系的搭建。在具身智能投资逐渐趋于理性的当下，此次融资反映出产业资本对具备从算法底层到硬件落地完整经验团队的阶段性偏好。

公开资料显示，叮当动力成立仅数月，其核心掌舵人为地平线前高管牛建伟。梳理其职业履历可以发现，这是一位伴随中国深度学习浪潮成长起来的产业技术老兵。

牛建伟早年任职于百度语音技术部，2012 年在百度 IDL 参与了早期基于 GPU 的深度学习模型训练。2015 年，牛建伟受余凯邀请加入初创期的地平线，历任算法工程师至智能座舱产品线总经理。

这种跨越算法构建、芯片适配，再到最终产品化量产的完整履历，是当前大模型创业中较为稀缺的背景。过往多数 AI 创业者往往侧重算法层，而在真实的物理世界中，AI 的落地严重受限于算力平台、传感器精度以及系统工程能力。

此前，牛建伟曾在 2023 年提出过垂直领域 Post-training 的低成本数据激发理念，显示出其对于 AI 商业化中 " 成本与规模 " 这一核心命题的长期关注。这也是其后续选择从底层架构切入具身智能赛道的重要伏笔。

根据披露，叮当动力的核心业务聚焦于 " 空间智能大模型 + 物理 Agent"。要理解这一业务的实质，需要将其置于当前的机器人技术演进路线中进行观察。

过去几十年，传统机器人行业主要依赖控制论思维，即针对单一任务编写规则、调节参数，场景泛化能力极弱，导致了高昂的定制成本。

随着大模型爆发，行业开始尝试将视觉、语言与动作捆绑训练，形成 VLA 模型。然而，当前 VLA 模型在实际工程中正面临明显的现实短板：多模态数据的匹配难度大、模型扩展性受限，且在物理世界中难以实现低成本的持续自我进化。

叮当动力的技术路线试图规避这一盲区。其方案并非单纯在单一算法上进行微调，而是试图构建一个系统级的解决方案：让空间智能大模型负责理解复杂的物理环境，而物理 Agent 则作为执行层，负责与物理实体深度融合。

这一架构的本质，是试图打通通用大模型从 " 数字屏幕 " 向 " 物理实体 " 输出智能的工程断层。

在当下的资本环境中，大模型赛道的融资正在向具备清晰商业模式和工程落地能力的标的集中。叮当动力在成立初期即获得地平线领投，核心逻辑可以归结为两点：

其一，深度的战略协同价值。 地平线作为底层的智能计算平台提供商，其核心战略不仅仅局限于智能驾驶，而是需要将软硬结合能力延伸至更广泛的机器人与具身智能生态中。

叮当动力在物理 Agent 层面的探索，可以视作地平线计算生态向物理实体的自然延伸。

其二，量产数据闭环体系的构建能力。 本次融资明确指出资金将用于 " 真实场景的数据闭环体系搭建 "。在具身智能领域，核心壁垒在于谁能以最低的成本获取最高质量的物理世界交互数据。

牛建伟在智能座舱领域的实战经验，使其深谙量产数据回传与模型迭代的飞轮效应。相比于纯粹的学术型团队，这种建立工业级数据清洗、标注与训练闭环的体系化能力，是产业资本更为看重的底盘资产。

展望未来，AI 的主战场正在从纯数字维度的内容生成，向与物理世界强交互的实体智能转移。叮当动力所处的 " 空间智能 " 赛道，正是这一转型期的核心基础设施。

然而，这依然是一条充满未知的长坡厚雪赛道。物理世界的长尾场景极为复杂，光照、摩擦力、重力等物理常识对当前的大模型而言仍是巨大的认知鸿沟。

叮当动力要在短期内完成高质量数据闭环的搭建，必然面临庞大的数据采集成本以及多端硬件适配的工程挑战。

对于该企业的后续观察，关键在于其在一至两年内，能否在真实的商业场景中，交付出具备一定泛化能力且成本可控的物理智能体标杆案例。