维泛智能完成过亿元种子+轮融资：机器人端侧算力芯片能否打破英伟达垄断？

当一台人形机器人需要在工厂里完成抓取、行走和避障时，它不能把每一帧画面都传回云端等待推理结果。延迟、功耗、网络抖动，任何一个环节失控，都会让机器人的动作从流畅变成抽搐。于是，端侧算力成了具身智能最隐秘也最昂贵的约束。英伟达 Jetson 系列长期占据这个位置，但它的价格、功耗和本地化支持，正在把一批中国机器人公司推向一个尴尬的处境：要么接受高成本的海外方案，要么在尚不成熟的国产替代里赌一把。

维泛智能选择的是后者。这家成立仅一年多的公司，刚刚宣布完成过亿元种子+轮融资。据公司披露，本轮由老股东燕创集团、海益投资持续加码，中金资本旗下基金、九坤创投、泽羽资本、汕韩潮芯、道禾元启、玖兆资本参投，人形机器人公司松延动力亦在本轮投资方之列。融资资金将用于量产芯片研发、BrainOS 操作系统及 OmniRT 部署工具套件的产品化与商用交付。

这已经是维泛智能在三个月内披露的第二笔融资。今年 5 月，公司刚完成数亿元种子轮融资，由中关村资本及旗下启航投资联合领投，上海未来产业基金、石溪资本、佰维存储、燕创集团、海益投资、探元创投等参投。两轮相隔约三个月，节奏在芯片创业公司中并不常见。更不常见的是，这家公司成立的时间点本身，就踩在具身智能从演示走向量产的缝隙里。

“大小脑”融合芯片：把两类计算塞进一颗裸片，但量产仍是未验证命题

维泛智能成立于 2025 年 5 月，孵化自北京大学类脑芯片实验室（PAICORE Lab）。公司切入的产品方向，是把负责感知推理的“大脑”与负责运动控制的“小脑”集成到一颗芯片上。这个定义本身并不新鲜，真正值得关注的是它选择的技术路径：BiGPU 双模同构类脑芯片，将脉冲神经网络与通用计算架构做双模融合。

据公司介绍，BiGPU 已完成架构设计，与北京大学类脑实验室联合研发的 PAICORE 2.5 测试芯片已完成流片回片，原型板卡设计与首轮性能测试完成。这里需要区分两个层面的事实：流片回片是真实发生的工程节点，意味着芯片从设计文件变成了物理样品；但“完成首轮性能测试”并不等于性能达标，更不等于可以量产。公司没有披露首轮测试的具体指标、良率或功耗数据，因此从已披露信息看，这款芯片距离商用交付还有多远的距离，外界无法判断。

维泛智能的技术叙事里有一个关键主张：通过算法编码转换，将传统 ANN 计算转化为 SNN 累加形式，从而降低功耗与带宽压力。公司创始人殷积磊在早期融资材料中称，神经网络中超过 80% 的计算量集中于矩阵乘累加操作，通过编码转换可以显著降低功耗与带宽压力。这一判断在计算架构层面有合理性，但“超过 80%”这一比例来自公司口径，未披露独立验证来源。更重要的是，编码转换带来的精度损失、对模型结构的兼容边界、以及在不同机器人任务上的泛化能力，目前均未公开。

一组 10FPS 的演示数据，与一个尚未被第三方验证的能效故事

维泛智能对外释放的最具冲击力的数据，来自一段内部演示视频。据公司披露，搭载 OmniRT 优化方案的 GR00T N1.6 模型在 Jetson Orin AGX 平台可稳定运行于 10FPS 以上，在 Jetson Thor 平台可达 20FPS 以上。公司援引的公开基准测试显示，在 Jetson AGX Orin 平台上，7B 参数的 OpenVLA 推理频率为 1.5-3Hz，3.3B 的 π0 为 5-8Hz，3B 的 OpenPI 为 3-5Hz；而英伟达官方展示 GR00T N1 的 VLM 模块达到 10Hz 推理频率时，使用的是 300W 级 L40 服务器 GPU，Jetson AGX Orin 为 60W 级端侧模块。

公司据此主张，在约为服务器卡五分之一的功耗下，让 3B 参数 VLA 模型跑到 10FPS 以上，实现一个数量级级别的能效提升。这个对比的叙事结构是清晰的：用端侧功耗对标服务器功耗，用优化后的推理频率对标公开基准。但它的成立依赖于几个前提：演示视频中的测试条件是否与公开基准完全一致、GR00T N1.6 与 OpenVLA 等模型的任务复杂度是否可比、以及 OmniRT 的优化是否具有跨模型和跨任务的稳定性。这些前提目前均未披露，也没有独立第三方验证。因此，这组数据更适合被理解为公司对自身技术路线的一次阶段性展示，而非可复现的行业基准。

从已披露的 OmniRT 定位看，它首先是一个部署工具，运行在英伟达 Jetson 平台上。这意味着维泛智能当前的商业化起点，并不是用自己的芯片替代英伟达，而是在英伟达硬件上提供软件优化能力。这是一个务实的切入方式：先通过工具链建立与机器人客户的联系，再等待自有芯片成熟后完成替代。但这也意味着，在 OmniRT 阶段，维泛智能的直接竞争对手是英伟达自身的 TensorRT 和 CUDA 生态，以及各类第三方推理优化框架。它必须在别人家的地基上证明自己的优化价值，这个挑战并不比造芯片小。

客户名单里的“合作交流”，距离订单还有多远

维泛智能称，已与乐聚机器人、北京人形机器人创新中心、海尔集团、松延动力等达成合作交流，完成多款样机联调与场景测试，后续将提供低功耗优化、算法适配、定制化部署等服务。注意这里的措辞是“合作交流”，而非“订单”或“采购协议”。从公开信息看，没有任何一家客户披露了具体的采购金额、部署规模或量产时间表。

松延动力的角色尤其值得拆解。它既是维泛智能的客户，又是本轮投资方。这种“客户即股东”的结构在早期芯片公司中并不罕见，它能够带来更紧密的联合定义和更快的反馈闭环，但也让“客户验证”的独立性打了折扣。当一家公司既是你的投资方又是你的合作方时，外界很难判断样机联调的成功，究竟是因为产品足够好，还是因为资本关系足够近。这并不是说合作不真实，而是说它作为商业化证据的权重需要被调低。

团队规模是另一个需要谨慎解读的数字。公司称近半年扩充至百人，覆盖芯片架构、设计验证、具身算法与软件工程，核心成员来自头部半导体企业与机器人公司。百人规模对于一家成立一年多的芯片公司来说，扩张速度很快。但“核心成员来自头部企业”这一表述没有披露具体人数、职级或过往项目，无法构成独立的竞争力证明。芯片行业的人才密度比人才总数更重要，而这一点目前无法从公开信息中核实。

三个月两轮融资的资本结构：老股东加码，产业资本进场，但估值与条款未披露

维泛智能的融资节奏值得放在芯片创业的语境里看。今年 5 月完成数亿元种子轮，8 月又完成过亿元种子+轮，两轮相隔约三个月。种子轮由中关村资本及旗下启航投资联合领投，上海未来产业基金、石溪资本、佰维存储、燕创集团、海益投资、探元创投等参投；种子+轮则由燕创集团、海益投资持续加码，中金资本旗下基金、九坤创投、泽羽资本、汕韩潮芯、道禾元启、玖兆资本参投，松延动力以产业方身份进入。

从投资方构成看，这是一个典型的“政府引导基金+财务投资+产业资本”组合。中关村资本和上海未来产业基金代表政策导向，中金资本和九坤创投代表财务回报诉求，松延动力和佰维存储则带有产业协同色彩。佰维存储出现在种子轮，松延动力出现在种子+轮，说明维泛智能在资本结构上有意引入产业链上下游。但两轮融资的估值、稀释比例、对赌条款均未披露，因此“过亿元”和“数亿元”的金额本身，并不能直接推导出公司的实际估值水平或资本效率。

投资方代表在公开声明中给出了相当高的预期。一位未具名投资方代表称，“机器人智能化上限取决于端侧算力，端侧AI推理芯片是系统里价值密度最高的部件”，并相信维泛“有望成为国产芯片在机器人核心算力领域的引领者”。另一位投资方代表则强调，“具身智能赛道当前缺的不是单点芯片，而是‘芯片+系统+工具链’的完整交付能力”。道禾元启代表表示，投的是“北大类脑技术转化+团队量产经验”的组合。这些判断都指向同一个逻辑：维泛的价值不在于某一颗芯片，而在于它试图构建的从芯片到操作系统再到工具链的纵向能力。

但这个逻辑的成立，恰恰依赖于一个尚未被证明的前提：维泛能否同时做好芯片、操作系统和工具链三件事。历史上，试图同时做硬件和软件生态的芯片公司，大多数倒在了资源分散上。英伟达的 CUDA 生态是二十年积累的结果，不是一家百人团队在一年内可以复制的。维泛的“完整交付能力”叙事，在融资阶段是加分项，在交付阶段则是巨大的执行风险。

与英伟达 Jetson 的正面对比：替代叙事与工具链依附的现实张力

维泛智能的竞争叙事，建立在对英伟达 Jetson 系列的两个批评上：价格高、本地化支持有限。这两个问题在国产机器人公司中确实存在，尤其是对价格敏感的中小厂商和对定制化有强需求的场景。但“替代英伟达”和“在英伟达平台上做优化”是两种完全不同的商业逻辑，维泛目前同时在这两条线上推进。

从已披露信息看，OmniRT 的演示数据全部来自 Jetson 平台，这意味着维泛当前最接近商业化的产品，实际上是英伟达硬件的软件优化工具。它的直接竞争对手是英伟达官方的 TensorRT、Triton 推理服务器，以及各类开源推理框架。在这个战场上，维泛的差异化在于对机器人 VLA 模型的针对性优化，但英伟达自身也在快速迭代 GR00T 生态。一旦英伟达在下一代 Jetson 上原生解决了 VLA 模型的推理效率问题，OmniRT 的独立价值就会被压缩。

真正的替代故事，要等到 BiGPU 芯片量产并跑通 BrainOS 之后才能开始。而那个时间点，公司没有披露。从 PAICORE 2.5 测试芯片刚完成流片回片的进度看，距离量产芯片至少还有一次或多次流片迭代。芯片行业的规律是，每一次流片周期以季度计，每一次迭代都可能推翻前一次的部分设计。维泛智能的“产品化阶段”，更准确地说，是“测试芯片验证阶段”。

资金用途背后的真实优先级：量产芯片是主战场，但工具链可能先到市场

本轮融资的官方用途是“量产芯片研发、BrainOS 操作系统及 OmniRT 部署工具套件的产品化与商用交付”。这个表述把三件事并列，但它们的商业节奏完全不同。OmniRT 计划 9 月向首批战略合作伙伴开放，这是三个产品中最早可能产生收入的。BrainOS 已完成框架开发，但操作系统的成熟需要大量硬件适配和场景打磨。量产芯片则是最远、最重、最不确定的部分。

从现金流角度看，维泛智能很可能在接下来几个季度里，主要依靠 OmniRT 的部署服务和定制化优化来建立客户关系，同时用融资支撑芯片研发。这种“软件先行、硬件跟进”的路径，在 AI 芯片创业中有过成功案例，也有过软件收入无法覆盖硬件研发投入的失败案例。维泛的挑战在于，OmniRT 作为部署工具的商业天花板有限，它很难单独支撑一家芯片公司的估值；而芯片量产又需要持续的大额投入。两轮融资的“过亿元”和“数亿元”，在芯片流片和百人团队的成本结构下，消耗速度会很快。

另一个值得注意的细节是，公司称今年 5 月与北京大学、北京邮电大学三方共建的“类脑智能计算芯片与系统”北京市重点实验室获批，由北京市科委、中关村科技园区管委会授牌。这为维泛提供了科研项目层面的资源入口，也强化了其“北大系”的技术出身。但重点实验室的获批，与芯片的商业化能力之间没有直接因果关系。它更多意味着维泛在科研资源获取上有一条稳定的通道，而不是产品竞争力的证明。

风险与待验证假设：能效数据的可复现性、客户关系的独立性、三线并进的执行力

维泛智能的故事里，有三个核心假设需要被逐一验证。第一，能效数据的可复现性。公司主张的数量级能效提升，目前仅来自内部演示视频，测试条件、模型版本、精度设置均未完整披露。如果这个数据无法在独立环境下复现，或者只在特定模型和特定任务上成立，那么“打破英伟达垄断”的叙事就会失去支点。

第二，客户关系的独立性。乐聚机器人、北京人形机器人创新中心、海尔集团、松延动力这四家客户中，松延动力同时是投资方。其余三家的合作深度、验证场景和后续采购意向均未披露。“合作交流”和“样机联调”是早期客户关系的正常形态，但它们距离可确认的商业化收入还有相当距离。在芯片行业，从样机联调到批量采购，往往需要 12 到 24 个月的验证周期，期间任何一次性能不达标或供应不稳定，都可能导致客户流失。

第三，三线并进的执行力。维泛智能同时推进芯片、操作系统和工具链三条产品线，团队规模仅百人。这个资源配置在芯片行业属于非常紧张的水平。英伟达 Jetson 团队、CUDA 团队和机器人生态团队是三个独立组织，各自拥有数百人规模。维泛的“完整交付能力”叙事，在融资阶段是差异化优势，在交付阶段可能变成资源分散的陷阱。从已披露信息看，公司没有说明三条产品线的优先级、人员分配或里程碑管理方式，因此外界无法判断其执行策略是否足够聚焦。

从已披露的 PAICORE 2.5 流片回片、OmniRT 9 月开放、BrainOS 框架完成这三个节点看，维泛智能的工程进度是真实的，节奏也快于一般芯片创业公司。但“快”本身在芯片行业是一把双刃剑：流片快意味着迭代快，也意味着每一次迭代的验证深度可能不足。测试芯片的“首轮性能测试完成”，与量产芯片的“性能、功耗、良率、可靠性全面达标”之间，隔着的是芯片行业最艰难的一段路。

维泛智能的真正价值，或许不在于它能否在短期内替代英伟达，而在于它是否能在机器人端侧算力这个高度依赖海外方案的市场里，提供一个可验证的国产选项。这个选项的成立，需要能效数据经得起独立检验，需要客户关系从“合作交流”走向真实订单，需要三线产品在资源约束下找到优先级。在这些验证完成之前，维泛智能的融资故事和它的芯片一样，都还处于“流片回片”的阶段——真实存在，但尚未证明自己可以量产。

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：维泛智能的融资节奏和北大系技术出身，让它成为机器人端侧算力赛道最值得跟踪的变量之一。但“芯片+系统+工具链”的完整交付叙事，在百人团队和两轮融资的约束下，更像是一场同时挑战英伟达硬件、CUDA 生态和机器人客户验证周期的三线作战。真正值得关注的不是它说了什么，而是 9 月 OmniRT 开放后，第一批战略合作伙伴是否愿意把生产环境交给它；以及下一次流片，能否把“数量级能效提升”从演示视频变成可复现的基准测试。