厘清智能天使轮系列融资数亿元：物理世界数据能否成为具身智能的下一块基础设施

公司	厘清智能
融资轮次	天使轮系列（天使轮及天使+轮）
融资金额	数亿元
投资方	蚂蚁集团（连续两轮加码，领投天使+轮）、CMC资本、国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金、上海未来产业基金、德石投资、澄凯基金、顺为资本（老股东追加）、世纪金源（老股东追加）、峰瑞资本（老股东追加）、水木清华校友种子基金（老股东追加）
总部	北京（来源称“北京厘清智能科技有限公司”）
创始人	李一鸣
官网	https://www.litchibot.com/

不押单一模型，也不押单一机器人，这家公司把“数据铲子”当成独立交付物

厘清智能对自己的定位，从一开始就避开了两条拥挤的赛道：它不制造某一种机器人，也不训练某一个单一基础模型。以下产品、客户与资金用途信息均来自公司披露口径。其业务起点是自研高精度多模态数据采集设备，建设物理世界数据管线，同时投入模型研发、物理仿真、能力评测、跨本体适配与部署系统。

这个组合看起来比一家早期公司通常追求的“单点切入”重得多。但厘清智能的判断逻辑是：当模型能力不断外溢，新的稀缺资源不再是模型本身，而是连接基础模型与真实世界的那一层基础设施。多模态大模型、视频生成模型、物理世界模型和各类Agent，技术路线各不相同，却共同面临一个过去不存在的问题——如何持续获得真实、可学习的数据，并把模型能力转化为可验证、可部署的现实结果。

据公司披露，已推出T1系列数采手套和Ego数采设备，用于同步记录真实任务中的画面、深度、手部姿态、空间运动、接触与受力信息。围绕这些设备，厘清智能面向模型厂商和AI研发团队提供定制化多模态采集、数据加工与标注、专项数据集建设及持续数据生产。客户最终得到的不是一批普通视频，而是经过同步、质检和结构化处理、可以直接用于模型训练与评测的数据。具体精度指标、采样频率、同步误差、量产能力和实际出货量均未披露。

这里的关键差异在于数据形态。传统机器人数据采集往往依赖单一模态——要么是视觉图像，要么是关节角度，要么是力传感器读数。厘清智能试图做的是把多种模态在时间轴上严格对齐：一段真实任务中，人看到了什么、手在哪里、何时发生接触、施加了多大的力、环境如何变化，被同步记录为一条完整的数据链。这种数据结构如果能够稳定产出，对需要理解物理因果关系的模型而言，价值确实不同于分散的单模态数据。

但需要指出的是，公司披露的“高精度”“超大规模”等表述，目前尚无独立第三方验证。从已披露信息看，产品已经推出，但尚处于早期商业化阶段。

从模型和终端两端进入市场，但真正的壁垒在于两端之间的飞轮能否转起来

厘清智能的商业模式，是从模型和终端两端同时进入市场。

面向模型厂商，公司服务于从前沿大模型到具身智能、Agent等方向的研发团队，覆盖多模态、视频生成、物理世界模型等不同技术路线。这些团队虽然方向不同，但共同面临训练目标各异、数据规格不统一、评测标准缺失的问题。厘清智能围绕模型从研发到验证的完整链路，提供从采集工具、任务设计、数据生产到加工质检、能力验证的一整套服务。

面向终端客户，公司的核心定位是提供弹性解决方案——不预设固定产品形态，而是从实际业务与现场约束出发，按任务灵活组合数据、模型、设备与现场适配。终端客户覆盖制造、物流、医疗、服务等行业，但具体客户名称和数量未披露。

这套“两端连接”的平台路径，在纸面上形成了一个飞轮：模型厂商提出的新数据需求和能力指标，推动数据管线、生产工具与评测体系继续完善；终端客户带来的真实任务、现场约束与执行反馈，则成为模型训练和系统优化的新输入。如果项目产生的数据、失败记录、评测标准、适配经验和解决方案模块能够进入统一平台，让下一次训练与交付更快、所需数据更少，公司才开始具备基础设施的属性。

但飞轮效应的成立有一个前提：两端业务必须真正产生交叉增强，而不是各自独立运行。如果数据业务只是按项目交付数据集，终端业务只是按项目做系统集成，那么厘清智能本质上仍然是一家“数据采集服务商+系统集成商”的组合，而非平台。从已披露信息看，公司尚未公布任何可以验证飞轮效应的指标——例如同一客户从数据服务扩展到终端部署的转化率、跨项目复用的数据或模块比例、或者单项目交付成本随项目数量增加而下降的曲线。这些指标的缺失，意味着“平台”属性目前更多是公司叙事，而非已被验证的事实。

蚂蚁连续两轮加码，资本结构透露出什么信号

本轮融资最值得注意的信号，是蚂蚁集团连续两轮加码并领投天使+轮。蚂蚁集团与厘清智能之间是否存在具体业务合作、数据采购或场景验证项目，目前均未披露。

以下为编辑分析：在一级市场对具身智能和Physical AI的投资热潮中，产业资本连续下注同一家早期公司并不常见，尤其是在公司尚未披露具体营收和客户规模的情况下。若存在协同，需以工商股权、关联交易、联合开发或采购文件为准。

从资本结构看，本轮投资方组合呈现出明显的“产业资本+政府引导基金+财务投资机构”特征。国汽投资、中金资本旗下基金、上海人工智能产业系列基金、中关村科学城基金、上海未来产业基金等带有产业政策或区域产业引导色彩的资金进入，说明Physical AI基础设施这一方向已被纳入部分地方政府和产业基金的布局视野。顺为资本、峰瑞资本、水木清华校友种子基金等老股东追加，则表明早期投资者对公司方向的持续认可。

值得注意的是，本轮为“天使轮及天使+轮”的系列融资，总金额为数亿元，但天使轮与天使+轮各自的金额、估值、各投资方具体出资比例均未披露。这种披露方式在早期融资中并不罕见，但也意味着外界无法判断蚂蚁集团的实际出资规模和持股比例，也无法评估本轮融资对公司估值的具体影响。

李一鸣的学术背景与“数据铲子”生意的匹配度

厘清智能创始人李一鸣的履历，据公开信息，现任清华大学人工智能学院助理教授、博士生导师，曾任英伟达研究科学家，博士毕业于纽约大学，长期研究空间智能、机器人学、基础模型和世界模型。

这个背景对厘清智能的业务方向有直接影响。空间智能和世界模型的研究，核心问题正是机器如何理解三维空间中的物体关系、运动规律和物理因果。英伟达的研究经历，则意味着李一鸣对高性能计算、传感器数据处理和模型训练基础设施有直接经验。从学术研究转向创业，选择“物理世界数据基础设施”而非“训练一个具身智能模型”，与他的研究背景有一定逻辑一致性。

厘清智能需要同时管理两类截然不同的团队：一类懂数据采集硬件与现场部署，一类懂模型训练与评测体系。其业务覆盖从采集工具、任务设计、数据生产到加工质检、能力验证的完整链路。对一家成立时间不长的公司而言，这种多线作战的组织挑战，可能比技术挑战更早显现。公司尚未披露具体团队构成、招聘计划或组织分工，相关执行能力需以后续披露为准。

李一鸣在公开表述中强调了一个判断：“语言模型学习的是过去几十年被数字化的人类知识，Physical AI要学习的，是此刻仍在真实世界中发生的工作。从这个意义上看，中国不只是机器人制造基地，也可能成为物理智能最重要的训练场。”这个判断将厘清智能的叙事与中国制造业场景优势绑定，在融资语境下具有说服力。但从叙事到可验证的商业化成果之间，仍隔着数据管线的稳定产出能力、客户付费意愿和跨场景复用效率等多重考验。

“世界工厂”能否变成“世界训练场”，取决于数据能否跨场景复用

厘清智能叙事中最具雄心的部分，是把中国从“世界工厂”重新定位为“世界训练场”。这个判断的逻辑链条是：中国拥有密集的真实场景、完整的制造体系、丰富的工程经验，以及能够迅速把技术带入现场的产业网络，这些条件共同构成了高质量物理世界数据的来源。

这个逻辑在宏观层面有一定合理性。物理世界数据的产生地确实不在互联网上，而在工厂、实验室、仓库和真实工作现场。中国作为制造业大国，拥有全球罕见的密集真实任务场景。如果这些场景中的数据能够被系统性采集、结构化和复用，确实可能形成一种新的数据资源优势。

但“场景丰富”与“数据资产”之间存在一个关键转化条件：数据必须能够跨场景、跨任务复用。如果每个工厂、每条产线、每项任务都需要重新采集和标注，数据就无法形成规模效应，所谓“训练场”也就退化为一个个孤立的项目交付。厘清智能自己也在公开材料中承认，关键不是一次性积累更多数据，而是让每一个新任务都为平台留下可以复用的数据、方法和工具，使下一次训练与交付不再从零开始。

这正是Physical AI数据与语言数据最本质的差异。互联网文本天然具有跨领域、跨任务的通用性，一段代码或一篇论文可以被无数模型反复使用。但物理世界数据高度依赖具体场景：一个汽车装配线上的扭矩数据，未必能直接用于训练一个医疗手术机器人的力控模型。跨场景复用需要抽象出更高层级的表示——例如接触力与材料形变之间的物理规律、手部姿态与任务目标之间的因果结构——而这恰恰是当前技术尚未完全解决的问题。

从已披露信息看，厘清智能尚未公布任何关于跨场景数据复用效率的具体数据。其平台覆盖真实世界数据采集与治理、模型研发与训练、物理仿真、能力评测、跨本体适配、部署系统和反馈迭代等环节，但各环节之间的数据流通机制、复用比例和效率提升幅度均未披露。这意味着“世界训练场”的叙事目前仍是一个方向性判断，而非已被验证的商业现实。

资金用途覆盖六条线，优先级与协同机制是关键

本轮融资将用于物理世界数据管线、模型研发与训练、物理仿真、能力评测、跨本体适配与部署系统，进一步完善Physical AI Infra，加快技术研发与产品落地。

这六条线覆盖从数据生产到模型训练、仿真验证、能力评测、设备适配和现场部署的完整链路。资金用途覆盖六条线，各线资源分配与优先级未披露，执行复杂度需以公司后续披露为准。

从公司公开表述看，数据业务被定位为切入点和需求来源：“数据决定系统能够看到怎样的现实；模型从中学习任务与环境之间的关系；物理训练让有限的真实经验扩展到更多条件；能力评测判断一次成功能否稳定复现；设备适配和系统部署则把结果带回真实场景，并产生新的数据与反馈。”这个逻辑链条在理论上自洽，但每增加一个环节，执行复杂度和资源需求都会非线性上升。厘清智能需要证明的是，它能够在六条线之间建立真正的优先级和协同机制，而不是被平台叙事的完整性所绑架。

Physical AI基础设施的竞争正在升温，厘清智能的差异化需要更具体的证据

厘清智能并非唯一看到物理世界数据缺口的公司。公开报道显示Physical AI赛道近期融资活跃，但本文未逐一核验各公司融资细节。

这些公司虽然切入点不同，但都在争夺同一个底层判断：基础模型进入真实场景需要新的基础设施层。厘清智能的差异化在于其“数据采集设备+数据管线”的切入点，而非直接训练基础模型或制造机器人本体。这个定位在理论上避开了与模型厂商和机器人厂商的直接竞争，但也意味着公司的价值实现高度依赖下游模型厂商和终端客户的付费意愿。

一个需要关注的风险是：如果头部模型厂商或机器人厂商选择自建数据采集能力，厘清智能的第三方数据服务定位可能受到挤压。大型模型公司拥有充足的资金和工程团队，完全有能力自研数据采集设备和数据管线。厘清智能的防御壁垒，不在于数据采集硬件本身——硬件可以被复制——而在于跨场景积累的数据资产、任务设计经验和评测标准能否形成网络效应。但如前所述，这种网络效应的存在尚未被公开数据验证。

另一个竞争维度来自仿真。如果物理仿真技术足够成熟，模型可以在仿真环境中生成大量合成数据，对真实世界数据的依赖会相应降低。厘清智能将物理仿真纳入自身平台，说明公司意识到了这一替代路径的存在，并试图将其纳入自己的体系。但仿真数据的“sim-to-real gap”——即仿真环境与真实世界之间的差异——至今仍是行业未解难题。真实数据与仿真数据的互补关系，而非替代关系，可能是更现实的判断。

从投资逻辑看，来源叙述称，投资人下注的是连接基础模型与真实世界的这一层基础设施。这个判断的前提是：Physical AI的发展将遵循类似大语言模型的路径，即模型能力提升后，对高质量数据的需求会持续增长。如果这个前提成立，数据基础设施确实可能成为瓶颈环节。但如果Physical AI的技术路线发生重大变化——例如端到端学习在少量真实数据下就能实现良好泛化——数据基础设施的价值可能会被重新评估。

待验证的核心假设：数据能否成为Physical AI的“语言语料库”

厘清智能的整个商业叙事建立在一个核心假设上：物理世界数据可以像互联网文本之于大语言模型一样，成为Physical AI的规模化训练基础。

这个假设包含三个子命题。第一，物理世界数据可以被标准化和结构化，形成跨场景、跨任务可复用的训练资产。第二，模型厂商愿意为高质量物理数据持续付费，而不是将其视为一次性项目投入。第三，数据采集、加工、评测和部署的完整链路，能够形成比单点工具或服务更强的壁垒。

从已披露信息看，这三个子命题目前都处于待验证状态。公司披露的产品、平台覆盖与客户行业信息均未提供具体指标：T1系列数采手套和Ego数采设备的性能指标、客户反馈和复购情况未披露；平台各环节之间的数据流通效率和复用比例未披露；终端客户名称、数量和合同金额均未披露。

这并不意味着公司的方向不成立。恰恰相反，物理世界数据的系统性缺失是一个真实存在的行业痛点，厘清智能选择切入这个痛点，在方向上具有合理性。但从方向合理到商业成立之间，需要跨越的验证鸿沟比公司叙事所暗示的要宽得多。

一个更具体的观察指标是：厘清智能能否在接下来的12到18个月内，公布至少一个可验证的跨场景复用案例——即在一个场景中采集的数据、开发的工具或建立的评测标准，被证明在另一个不同场景中显著降低了交付成本或缩短了交付周期。如果这样的案例出现，平台叙事将获得实质性支撑；如果迟迟没有，市场对其“基础设施”定位的质疑会逐渐增加。

另一个值得关注的指标是客户结构。如果厘清智能的主要收入来自政府项目或一次性数据采集合同，其商业模式的可持续性需要打折扣；如果能够形成模型厂商的持续性数据订阅或终端客户的长期运维服务收入，则平台属性更强。目前公司未披露任何收入结构信息，外界无法判断其商业化的真实进展。

厘清智能的天使轮系列融资，在资本层面已经获得了超出一般早期公司的信任背书。蚂蚁集团的连续加码、多家产业基金和老股东的追加，说明投资方对Physical AI基础设施这一方向有较高共识。但资本共识不等于商业验证。接下来，厘清智能需要把“数据铲子”的比喻变成可衡量的商业指标：数据管线的稳定产出能力、跨场景复用效率、客户付费意愿和续约率。在这些数字出现之前，厘清智能仍然是一家方向正确、但尚未证明自己的早期公司。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：厘清智能把赌注押在一个尚未被验证的命题上——物理世界数据能否像互联网文本一样，成为下一代基础模型的规模化训练资产。这个命题如果成立，中国制造业积累的真实场景确实可能转化为一种新的数据资源；如果不成立，厘清智能的“平台”叙事将退化为一家数据采集服务商。数亿元融资买来的是一段验证窗口，而不是结论本身。真正值得追踪的，不是它又发布了什么设备，而是它能否拿出第一个跨场景复用的证据。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。