投资界获悉，跨维智能近期完成10亿元B轮融资，投资方阵容包括深创投、前海母基金、恒健资产、工银资本等财投基金，蓝思科技等产业资本，以及贵阳数字经济基金等地方国资；老股东南山战新投、成都科创投、四川院士基金等持续重仓加码。至此，跨维智能估值超100亿，成为具身世界模型江湖百亿独角兽。
公司背后，是一位香港中文大学（深圳）终身教授——贾奎。他曾连续五年入选斯坦福全球Top2%顶 尖科学家，2021年率队在深圳南山创办跨维智能，投身物理AGI探索。五年来，跨维智能已跑出千余个具身落地项目，营收连年攀升——上半年营收1亿元，全年有望冲破3亿元，是行业少数已实现规模化商业落地的具身智能公司。
“跨维从创业第 一天起，就只关心一件事：技术究竟能为实体产业解决什么痛点。脱离产业落地本质的炫技，没有意义。”目睹具身智能的狂热，贾奎向投资界娓娓聊起：“分水岭已在眼前。”
3000亿女首富出手
最新百亿具身独角兽诞生
投资人用脚投票。
梳理一众投资方中，蓝思科技董事长周群飞的身影格外引人注意。
蓝思科技是全球消费电子玻璃盖板龙头，深度绑定苹果、华为等头部客户，近年市值一度冲破3000亿元。背后站着一位女湘商——周群飞。1970年出生的她，凭借一片玻璃书写创业逆袭的传奇，从普通打工妹成功蜕变成执掌千亿市值的“玻璃女王”，问 鼎湖南首富。
跨维智能与蓝思科技的渊源，可以追溯到2022年。早在那个时候，跨维智能的仿真模型和DexSense视觉传感器就已在蓝思的产线上跑了起来，完成工件无序分拣、精密柔性装配。几年间，技术在真实场景中反复验证、迭代，信任也在一次次交付中慢慢生长出来。
今年4月的一个早晨，执掌3000亿市值蓝思科技的周群飞到访跨维智能。恰逢公司开放新一轮融资窗口，在参观了产品之后，她当场拍板决定投资，从客户关系升级到股东关系。
这无疑是对跨维智能最直接、也最有分量的认可——先用你的产品，再投你的公司，陪你走更远。
在此之前，公司已连续完成多轮融资。刚成立不久，跨维智能便收获松禾资本、真格基金近千万美元天使轮融资，此后又相继引入联想创投、南山战新投、联创资本、清智资本、成都科创投、洪泰基金、天鹰资本、四川省科创投资集团、一村淞灵、探元创投等一众投资方。
贾奎透露，本轮融资体现了资本市场对跨维践行物理AGI长线战略的持续坚定支持。在资本支持和商业化发展的双重效应下，这家百亿独角兽很快要IPO了。
80后终身教授带队
从技术前瞻到产线落地的引领
“技术团队务实低调。”聊起跨维智能，多位投资人不约而同地提到。
这种印象，与背后掌门人的风格一脉相承。贾奎，80后山西人，分别于西北工业大学、新加坡国立大学、伦敦大学获得学士、硕士和博士学位，后在多家知名高校从事教学和科研工作，是香港中文大学（深圳）终身教授，连续五年入选斯坦福全球Top2%顶 尖科学家。
早在2016年，贾奎就率队搭建几何感知与智能实验室。与当时大多数AI团队专注于处理二维图像不同，他们从一开始就锚定了一个更具挑战性的方向：探索如何利用AI进行三维空间感知和生成，以及如何通过合成数据训练模型，驱动机器人完成灵巧作业，是国内最早系统性研究空间智能、具身智能、物理AI算法的团队之一。
那个时候他便得出判断：通用AI的终局是物理AGI，机器人必须先在虚拟世界完成海量训练，再迁移到现实世界。
沿着这个终局判断，团队一步步拆解物理世界的痛点问题。
2018年前后，团队逐渐看清一件事：三维空间感知的瓶颈不是算法，是数据——真实采集成本高、标注难，场景覆盖也十分有限。第 一性原理决定了除了真实数据以外，合成数据和Sim2Real体系是关键抓手，团队逐渐建立了依托物理引擎批量生成三维物理数据并承担泛化训练，搭配人本位示教、现场回流等多类真实数据协同互补的高效架构。
这一步在当时显得有些另类，但后来回头看，正是跨维智能“生成式仿真”路线的起点。
此后数年，团队在三维几何深度学习领域持续深耕，陆续推出了一系列开创性成果。他们首创了SAM6D——全球首 个零样本6D物体姿态估计框架，能够在复杂场景中完成从未见过物体的实例分割与姿态估计；还研发了Fantasia3D等深度模型，以及行业领 先的深度迁移与域适应学习算法。2019年，团队拿下IROS等多项国际权威竞赛冠军，在空间与机器人感知领域奠定了学术地位。
学术成果丰硕，但贾奎始终觉得，技术必须落地真实世界才有生命力。于是2021年，跨维智能在深圳成立，专注具身智能和人形机器人，目标只有一个：用AI打通三维世界感知、决策、执行的每一个环节，构建一条通往物理AGI的可持续道路。
从第 一天起，跨维智能的路径便十分清晰：不做风口中的观赏性机器人Demo，而是扎进工厂和门店，去解决三维物理世界里真实的降本痛点。
基于多年的学术积累，跨维智能选择了一条与行业主流不同的技术路线——以生成式仿真为核心、多源数据协同的数据管线：在真实数据、合成数据和仿真环境之间，追求更高的数据效率、更低的训练成本，以及更可持续的Sim2Real闭环。
五年下来，跨维智能打造了一套全栈自研的四层产品矩阵：底层DexVerse™生成式仿真具身引擎、DexSense空间智能传感器、DexBrain具身智能大脑软件、DexForce W1人形机器人本体，构建了一个完整的虚实协同技术闭环。
分化开始
商业落地才是硬指标
“机器人什么时候能干活儿？”这是今年看具身智能的投资人最关心的话题。
跨维智能交出的答卷是：全新智能制造任务，从场景生成到真机部署只需6-8小时；商业人形交互任务，数天即可完成全流程调试；目前已有超1500套模型完成商业化交付，客户涵盖美的、广汽、中联重科、蓝思科技等头部企业；人形机器人上半年出货数百台，全年正按1000台出货交付的目标稳步迈进。
营收也在稳健增长。公司2026年上半年营收1亿元，全年目标3亿元，是具身赛道跑得最快的商业化进展之一。
支撑这份成绩的，是跨维从第 一天起就一以贯之的——先让机器人在虚拟世界里学会物理规律，再走向真实世界。
公司自研的DexVerse™具身智能引擎，是国内唯 一底层全自研的仿真平台，它能在虚拟世界里自动生成海量场景数据，覆盖各种任务环境、多样操作对象、光照变化、杂乱工况，直接喂给世界模型训练，再落地真机，支持亚毫米、毫米、厘米多档位精度作业，完全匹配制造业和商业场景人形落地的产品级标准。
2025年10月，跨维智能提出GS-World生成式仿真世界模型，基于EmbodiChain平台——一套完全基于100%生成式合成数据训练的虚拟物理模型体系。
这套方案直接跳出了Sora类二维视频生成模型的框架。后者只能复刻像素画面，无法理解三维空间中的动力学和物体交互规律。而GS-World从一开始就面向物理世界建模，这被认为是生成式AI落地物理世界和机器人应用难度最高的技术方向，跨维智能以这套方案领跑行业。
今年1月，公司正式开源EmbodiChain，后又推出Dexterity-BEV统一多源数据表征体系，把多来源、多视角、多本体的机器人数据，统一对齐到一个BEV三维空间里，进一步打通了数据复用、模型训练、真机推理的全链路效率。在这些底层技术加持下，不久前，跨维智能自主研发的具身世界模型一举拿下WorldArena Track 2冠军。同场竞技中，Track 1的榜首是智元机器人。
技术不断迭代，但目的始终如一：用更低的成本、更短的时间，让机器人具备在真实场景中稳定工作的能力。
这套Sim2Real闭环，直接解决了行业两个核心痛点：一是通用性——不依赖特定物料或工况配置，同类场景间可快速复用，不需要从零编程或重新训练模型；二是交付效率——从接到需求到真机落地，以小时为单位计算，而不是数月。
在场景选择上，跨维保持克制，优先深耕工业柔性制造和商业服务两大板块，先跑通盈利闭环，再逐步拓宽边界。这种务实的选择，也是创始团队“技术必须落地”理念的延伸。
正是如此，让跨维智能从做Demo走向“产品级规模化交付”，从实验室走向工厂和门店，也最终把技术变成了投资人愿意买单的生意。
世界模型下半场
该是算账的时候了
没有最火，只有更火。
2026年的具身智能赛道，用“疯狂”形容都不为过。公开数据显示，上半年，中国具身智能赛道融资总额已突破400亿元，百亿估值企业从年初的3家扩容至10多家。
世界模型，也成了这场竞赛中兵家必争之地。
从英伟达、谷歌到特斯拉，全球科技巨头都在押注同一个方向：让AI理解物理世界的运行规律。国内同样热闹，几乎每一家具身智能公司都在讲“世界模型”的故事。
在贾奎看来，世界模型验证路径没有绝 对优劣：预测未来画面、生成新视角视频、驱动机器人完成实际作业，都只是检验模型是否理解物理规律的不同手段。真正的核心判断标准只有一条：模型能否精准预测真实三维世界中物理交互的变化，如理解重力、摩擦、碰撞、物体形变。这也正是跨维智能自研的GS-World与市面上诸多视频生成模型之间的本质区别。
热闹的另一面，是同质化的内卷和概念炒作。一大批企业扎堆做Demo，用相似的故事、相似的路径争抢注意力。算力囤起来了，数据产线建起来了，但数据采集、训练、推理全链路的综合成本，似乎很少有人认真算过账。
凡此种种，贾奎都在看眼里。他始终冷静，今年以来更是反复琢磨同一个问题：Physical Token经济学。
传统大模型算力消耗按文本Token计费，但物理世界不一样，机器人每一次感知、每一次仿真生成、每一次真机执行，都要消耗一套三维资源——这就是贾奎所说的“Physical Token”。
“如果AI模型建模范式错误，数据利用效率会指数级降低；用超大模型处理场景边界内任务，推理成本极高，整条商业模式根本算不过来账。” 事实上，通用具身智能包含语义泛化性（semantic generalization）和物理泛化性（physical generalization）两类智能，前者由基础模型负责，后者通过对基础模型进行调优实现。
贾奎团队的核心思路是：用边际递减的数据成本训练通用基础模型实现“通才”能力，以自动化数据生成和模型训练管线的方式高效微调蒸馏出“专才”模型，实现具身智能商业落地所本质追求的边界内泛化，最终实现单位physical token下的最高ROI（投资回报率）。
这套思路也解释了跨维智能身上那种稀缺的气质：克制。
贾奎认为当前核心瓶颈并非算力硬件，而是高质量带物理属性的生成式数据。正如他不止一次强调，具身智能的泛化从来都不是一个技术问题，而是商业问题，“要以最高性价比的方式做出模型，去到本体，再去到商业落地场景中，才是最重要的。”这个理念也与大语言模型中 美竞争中，中国公司后发逆袭的态势不谋而合。
他指出，一切技术终将回到企业经营的本质——脱离成本收益的盲目投入，很难长期持续创造社会价值。“今年，具身智能的商业化落地是全行业必须跨越的核心门槛。”
这或许解释了为什么一家学者创办的公司，能在具身智能这个烧钱如流水的赛道里，如此快地跑出订单、跑出营收。
这是一个喧嚣的时代，但通用物理世界AGI这场长跑的终点还很远，路径也远不止一条。有人堆算力，有人攒数据，有人讲故事，亦有人自始至终踏实做事。也许多年回望，此刻便是分水岭。百亿估值只是起点，跨维的物理AGI之旅已扬帆起航。
