知有无界完成近五千万元天使+轮融资：用世界动作模型重塑船舶工业机器人

在深圳南山的一间实验室里，一台机器人正缓慢地沿着船体曲面移动，它的机械臂末端喷出的涂料均匀覆盖在钢板上，误差控制在0.1毫米以内。这看似简单的动作背后，是清华大学深圳智能机器人实验室近十年的技术积累——从动力学控制到多模态感知，从遥操作到智能决策。2025年8月诞生的知有无界，正试图将这些实验室技术转化为工业现场的“生产力”。

2026年7月15日，知有无界宣布完成数千万元天使+轮融资，由元禾璞华、深产投南通宝月湖联合投资。加上此前四个月内获得的种子轮、种子+轮、天使轮融资，这家成立不到一年的公司累计融资额已接近五千万元。投资方名单包括卓源亚洲、力合科创、初辉资本、松禾创投等多家机构，显示出资本市场对“具身智能+船舶航运”这一交叉赛道的浓厚兴趣。

船舶航运业正面临一场“无声的危机”。全球船厂平均年龄超过45岁，喷涂、除锈、清洗等高危工序的年轻从业者流失率高达30%以上。与此同时，国际海事组织（IMO）对船舶涂层质量的要求逐年提高，传统人工喷涂的合格率长期徘徊在70%左右。知有无界瞄准的正是这一“机器换人”的刚性需求——用机器人替代人类完成船舶制造与维护中的高危、高重复性、高精度要求的工作。

但知有无界的野心不止于此。创始人兼CEO郭冠求博士告诉投资界，公司正在构建一个“世界动作模型+多模态工艺模型”的底层架构，目标是打造可跨场景的工业级通用数据采集平台。从船舶喷涂切入，逐步拓展到清洗、打磨、除锈，再到其他工业场景的通用搬运与喷涂——这听起来像是一个“具身智能版的操作系统”故事。

然而，在工业机器人领域，技术路线与商业落地的距离往往比想象中更远。知有无界能否在船舶航运这个传统而保守的行业里，跑通从实验室到工厂的“最后一公里”？我们试图通过这篇深度报道，还原这家清华系创业公司的技术逻辑、商业策略与潜在挑战。

信息摘要

行业痛点与底层逻辑：船舶航运业的“机器换人”为何如此艰难？

10万艘船，却等不来一个机器人

船舶航运业是一个典型的“大行业、小市场”。全球商船队规模超过10万艘，每年新造船订单量在2000艘左右，船舶维修与保养市场规模更是高达数千亿美元。但在这个庞大的市场中，机器人渗透率却低得惊人——据行业数据，全球船厂自动化率不足5%，绝大多数工序仍依赖人工完成。

为什么？答案藏在船舶制造的独特属性里。

首先，船舶结构极其复杂。一艘大型集装箱船可能有数十万个零部件，船体曲面变化剧烈，从船首的球鼻艏到船尾的螺旋桨区域，每个部位的曲率、角度、材质都不同。传统工业机器人需要精确的编程和固定的工装，无法适应这种“非标”环境。即使是最先进的六轴机器人，面对船体曲面时也需要复杂的路径规划算法，而这一直是机器人领域的“圣杯级”难题。

其次，船舶制造是典型的“小批量、多品种”生产模式。一艘船一个设计，几乎没有完全相同的两艘船。这意味着机器人无法像汽车制造那样通过“示教-再现”模式工作——每次切换任务都需要重新编程，成本高、效率低。据船厂反馈，传统机器人从部署到稳定运行，平均需要3-6个月的调试周期，这对于追求交期的船厂来说是不可接受的。

第三，船舶制造环境极其恶劣。喷涂车间内粉尘浓度高、溶剂挥发严重，温度可能高达40摄氏度以上，湿度变化剧烈。传统工业机器人的传感器、电机、线缆在这种环境下故障率极高。更重要的是，船舶喷涂需要机器人具备“力控”能力——既要保证涂层厚度均匀，又不能因压力过大损伤船体表面。这要求机器人不仅要“看得见”，还要“感觉得到”。

第四，数据闭环的缺失。工业机器人行业长期存在一个悖论：机器人越智能，对数据的需求越大；但工业现场的数据采集成本极高，且缺乏标准化的数据格式。传统方案中，机器人厂商提供硬件，系统集成商负责部署，终端用户负责维护——三方之间的数据是割裂的。没有持续的数据反馈，机器人就无法自我进化，永远停留在“固定程序”阶段。

这些痛点叠加在一起，形成了一个“不可能三角”：高精度、高适应性、低成本，三者难以兼得。过去十年，全球有数十家创业公司试图用机器人改造船舶制造，但大多数折戟沉沙。原因无他——这个行业太“重”了：重资产、重技术、重经验、重关系。

招工难：一场正在加速的“人口危机”

如果说技术难题是“慢变量”，那么人口结构变化就是“快变量”。据中国船舶工业行业协会数据，2025年中国船厂一线工人平均年龄已达46.8岁，35岁以下工人占比不足15%。喷涂、除锈等工序的工人流失率高达35%，且呈逐年上升趋势。

“年轻人宁愿送外卖也不愿进船厂。”一位江苏船厂的人力资源总监告诉投资界。船舶喷涂工人月薪在1.5万-2万元之间，远高于外卖骑手，但工作环境恶劣——长期接触有毒溶剂、粉尘，且存在高空坠落、火灾爆炸等安全风险。更重要的是，熟练喷涂工人的培养周期长达3-5年，而行业老龄化导致“师傅带徒弟”的模式难以为继。

这种“用工荒”正在倒逼船厂寻找替代方案。据测算，中国船舶行业喷涂工序的“机器换人”潜在市场规模超过200亿元，且每年以15%的速度增长。但问题在于：现有的机器人方案能否真正满足船厂的需求？

传统方案的“天花板”

目前市场上已有的船舶喷涂机器人方案主要分为三类：第一类是大型龙门架式喷涂机器人，如中船集团与国外厂商合作的方案，造价高达数千万元，占地面积大，仅适用于大型船坞，且无法适应复杂曲面；第二类是移动式喷涂机器人，如日本川崎重工的方案，但需要人工示教，效率低、精度差；第三类是无人机喷涂方案，如挪威的Kongsberg公司，但受限于续航和稳定性，仅适用于小面积修补。

这些方案的共同问题是：缺乏“智能”。它们本质上是“自动化设备”，而非“智能机器人”。它们无法感知环境变化，无法自主决策，无法从数据中学习。这意味着，一旦任务发生变化，就需要人工重新介入。

知有无界试图打破这一局面。它的核心思路是：用“世界动作模型”替代传统编程，让机器人具备“理解物理世界”的能力；用“多模态工艺模型”替代人工经验，让机器人掌握“喷涂这门手艺”。

技术创新与核心架构：从“世界动作模型”到“数据飞轮”

世界动作模型：让机器人“理解”物理世界

知有无界的技术核心是“世界动作模型”（World Action Model，简称WAM）。这个名字听起来很“AI”，但它的本质并不神秘——它是一套让机器人从“感知”到“行动”的端到端算法框架。

传统工业机器人的工作流程是：传感器采集数据 → 算法处理 → 路径规划 → 执行动作。每一步都是独立的模块，需要人工调试参数。这种“流水线式”架构的缺点是：模块之间耦合度低，一旦环境变化（如光照、温度、工件位置偏移），整个系统就需要重新校准。

知有无界的WAM模型则采用“端到端”的范式。它直接将传感器数据（如3D点云、RGB图像、力/力矩数据）映射为机器人关节的扭矩指令。这意味着，机器人不再需要显式的路径规划，而是通过“学习”来生成动作。

具体来说，WAM模型包含三个核心组件：

1. 多模态感知编码器：将来自不同传感器的数据（视觉、触觉、力觉）融合成一个统一的特征表示。例如，当机器人看到船体曲面时，它不仅知道“这里有一个曲面”，还知道“这个曲面的曲率是多少”“表面粗糙度如何”“需要施加多大的力”。
2. 动作生成器：基于感知编码器的输出，生成机器人关节的扭矩序列。这个生成器是一个基于Transformer的序列模型，它学习的是“在给定状态下，应该输出什么动作”的映射关系。与传统强化学习不同，WAM模型不需要显式的奖励函数，而是通过“模仿学习”来训练——即让机器人观察人类工人的操作，然后学习其动作模式。
3. 物理约束层：在动作生成器输出的基础上，叠加物理约束（如关节限位、速度限制、力/力矩安全阈值）。这一层确保机器人不会做出“危险动作”，比如撞到船体或超出电机负载。

多模态工艺模型：让机器人“学会”喷涂这门手艺

如果说WAM模型解决的是“如何动”的问题，那么“多模态工艺模型”解决的就是“如何动得好”的问题。

喷涂是一门“手艺”。经验丰富的工人知道：在船体曲面变化剧烈的地方，喷枪要减速、减小流量；在平坦区域，可以加速、增加流量；在焊缝处，要调整角度避免“流挂”。这些“隐性知识”很难用数学公式表达，但可以通过数据学习。

知有无界的多模态工艺模型正是用来捕捉这些“隐性知识”的。它融合了三种模态的数据：

• 视觉数据：通过3D相机和激光雷达，实时获取船体表面的几何信息（曲率、坡度、焊缝位置等）。
• 工艺参数数据：包括喷涂流量、雾化压力、喷枪距离、移动速度等。这些参数在传统方案中需要人工设定，而在知有无界的系统中，它们由模型根据视觉数据动态调整。
• 质量反馈数据：通过涂层厚度传感器和视觉检测系统，实时获取喷涂质量数据（如膜厚、均匀度、缺陷等）。这些数据被反馈回模型，用于在线优化。

这套架构的核心创新在于：它将“工艺知识”从“人工经验”转化为“可学习的模型”。这意味着，随着数据的积累，机器人的喷涂质量会持续提升——这正是“数据飞轮”效应的起点。

数据闭环：从“一次性部署”到“持续进化”

知有无界的技术架构中，最值得关注的是其“数据闭环”设计。传统工业机器人部署后，数据是“死”的——机器人每天重复同样的动作，但不会从错误中学习。而知有无界的系统，每完成一次喷涂任务，都会将整个过程的数据（包括传感器数据、动作数据、质量反馈数据）上传到云端，用于模型训练。

这种“数据飞轮”的运作方式如下：

1. 数据采集：机器人在现场作业时，实时采集视觉、力觉、工艺参数、质量反馈等数据。
2. 数据清洗与标注：云端系统对数据进行自动清洗和标注，去除噪声，标记异常事件（如涂层缺陷、碰撞风险等）。
3. 模型训练：基于清洗后的数据，对WAM模型和多模态工艺模型进行增量训练。训练后的模型会生成新的参数。
4. 模型部署：将更新后的模型下发到现场机器人，替换旧模型。
5. 效果验证：机器人使用新模型执行任务，验证效果，并将新的数据反馈回云端。

这套闭环的关键在于“增量训练”——模型不需要从头开始训练，而是基于已有知识进行微调。这使得每次迭代的成本很低，周期也很短。据知有无界团队透露，从数据采集到模型更新，整个闭环可以在24小时内完成。

硬件架构：为“工业现场”定制

软件之外，知有无界在硬件层面也做了针对性设计。其首款产品“船坞智能涂装机器人”采用了“移动底盘+协作机械臂”的构型，而非传统的大型龙门架或固定式机器人。

这种构型的优势在于：

• 灵活性：移动底盘可以自主导航到船坞的任意位置，适应不同船型的作业需求。
• 轻量化：协作机械臂自重轻，可安装在移动底盘上，无需重型工装。
• 安全性：协作机械臂具备力控功能，在碰撞时自动停止，避免对船体或人员造成伤害。

但“移动底盘+协作机械臂”也有明显的短板：负载能力有限（通常不超过15公斤），作业范围受限。知有无界的解决方案是：将喷涂任务分解为“粗加工”和“精加工”两个阶段。粗加工阶段，机器人使用大流量喷枪进行大面积喷涂；精加工阶段，机器人切换为小流量喷枪，对焊缝、边缘等细节进行补涂。

这种“双阶段”策略在工程上是一种务实的妥协——它牺牲了部分效率，但换来了更高的适应性和安全性。

商业模式与市场竞争：船舶航运“具身智能”的蓝海与红海

商业闭环：从“卖设备”到“卖服务”

知有无界的商业模式并非简单的“卖机器人”，而是“硬件+软件+服务”的一体化方案。

具体来说，其收入来源包括：

1. 硬件销售：船坞智能涂装机器人本体，定价在80万-150万元之间（根据配置不同）。这一价格低于进口同类产品（如日本川崎的移动喷涂机器人售价约300万元），但高于国产传统工业机器人（约30万-50万元）。
2. 软件订阅：包括WAM模型授权、多模态工艺模型更新、数据平台使用费等。按年收费，预计每年10万-20万元。
3. 服务收入：包括现场部署、调试、维护、培训等。首次部署费用约20万-30万元，后续维护费每年5万-10万元。
4. 数据服务：基于积累的喷涂数据，为船厂提供工艺优化建议、质量分析报告等增值服务。

这种“硬件+软件+服务”的模式，本质上是将“一次性销售”转化为“持续性收入”。据行业测算，一艘船坞智能涂装机器人在3年生命周期内，软件和服务收入占比可达40%以上。

竞争格局：三股势力的博弈

知有无界所处的赛道，目前有三股力量在博弈：

第一股：传统工业机器人巨头

以ABB、库卡、发那科为代表的传统工业机器人厂商，正在积极布局船舶喷涂领域。ABB在2024年推出了针对船舶行业的“PaintMaster”系统，采用“离线编程+视觉引导”的方案。但这类方案的缺点是：高度依赖人工示教，适应性差，且价格昂贵（整套系统售价通常在500万元以上）。

第二股：专业喷涂设备厂商

以德国杜尔（Dürr）、日本兰氏（Ransburg）为代表的喷涂设备厂商，也在尝试将机器人技术融入其产品线。它们的优势在于对喷涂工艺的深刻理解，但劣势在于缺乏机器人本体和AI能力。

第三股：具身智能创业公司

这是最值得关注的群体。除了知有无界，国内还有多家创业公司在探索船舶喷涂机器人，如“星动纪元”、“智元机器人”等。但大多数公司仍处于实验室阶段，尚未实现真正的工业部署。

知有无界的差异化优势在于：

• 技术路线：采用“世界动作模型”这一端到端方案，而非传统“感知-规划-控制”的模块化方案。这使得其系统在适应性和泛化性上更具潜力。
• 数据闭环：构建了从数据采集到模型更新的完整闭环，这是其他竞争对手尚未做到的。
• 团队背景：核心团队来自清华大学深圳智能机器人实验室，拥有近十年的机器人控制与算法积累。首席科学家王学谦教授是国家级专家，在机器人动力学与控制领域有深厚造诣。

核心壁垒：数据飞轮与工艺知识

知有无界的核心壁垒，不在于硬件或软件本身，而在于“数据飞轮”和“工艺知识”的积累。

“数据飞轮”是一个典型的“先发优势”效应：部署的机器人越多，采集的数据越多，模型训练得越好，机器人性能越强，从而吸引更多客户。一旦这个飞轮启动，后来者将很难追赶。

“工艺知识”则是另一种壁垒。喷涂是一门“手艺”，不同船型、不同涂料、不同环境条件下，工艺参数差异巨大。知有无界通过在实际场景中积累的数据，正在构建一个“喷涂工艺知识库”。这个知识库是“隐性知识”，无法通过公开文献或论文获取，只能通过“干中学”来积累。

战略发展与关键挑战：从“0到1”到“1到10”的惊险一跃

未来12-18个月的里程碑

根据知有无界的规划，未来12-18个月的关键里程碑包括：

1. 产品批量上线：2026年下半年，首款船坞智能涂装机器人将在多个船厂批量上线，预计年底前部署超过50台。
2. 技能拓展：从喷涂扩展到清洗、打磨、除锈等工序，形成“船舶航运全工序机器人”产品线。
3. 场景泛化：将通用搬运与喷涂两大核心技能泛化到其他工业场景，如风电叶片喷涂、钢结构防腐等。
4. 数据平台升级：构建“工业具身智能数据平台”，为第三方机器人厂商提供数据采集和模型训练服务。
5. 融资与团队扩张：预计2027年启动A轮融资，团队规模从目前的30人扩张到100人以上。

关键挑战：技术、商业与组织的三重考验

尽管前景诱人，但知有无界面临的挑战同样严峻。

技术挑战：从“演示”到“量产”的鸿沟

目前，知有无界的产品已在多个真实作业场景完成实地部署，但“实地部署”与“批量上线”之间仍有巨大差距。工业现场的环境远比实验室复杂：船坞内的粉尘、振动、温度变化、电磁干扰等，都可能影响机器人的稳定性。更重要的是，喷涂是一项“一次成型”的工艺——如果机器人喷涂失败，需要人工返工，成本极高。这意味着，机器人的可靠性必须达到99.9%以上，才能被船厂接受。

商业挑战：客户决策链长，回款周期长

船舶航运业是一个高度保守的行业。船厂对新技术持谨慎态度，决策链长（从技术验证到批量采购，通常需要12-18个月）。此外，船厂的付款周期通常为6-12个月，这对创业公司的现金流构成巨大压力。

组织挑战：从“实验室团队”到“商业公司”的转型

知有无界的核心团队来自清华大学，技术能力毋庸置疑，但商业运营经验相对匮乏。从“实验室团队”到“商业公司”的转型，需要补充销售、市场、供应链、售后服务等环节的人才。如何在保持技术优势的同时，快速建立商业能力，是创始团队面临的最大考验。

潜在风险：技术路线被证伪、竞争加剧、政策变化

• 技术路线风险：端到端学习在工业场景中的可靠性尚未得到充分验证。如果WAM模型在复杂环境下出现“幻觉”（即输出不合理动作），可能导致安全事故。
• 竞争加剧风险：随着具身智能赛道升温，更多创业公司和巨头将涌入船舶航运领域。如果知有无界不能快速建立规模优势，可能被后来者超越。
• 政策变化风险：船舶航运业受国际贸易政策影响较大。如果全球贸易摩擦加剧，造船订单下滑，将直接影响知有无界的市场空间。

核心判断

核心判断：知有无界正处于“技术验证”向“商业验证”过渡的关键阶段。未来12-18个月，其核心观察指标包括：船坞智能涂装机器人的批量上线数量（目标50台以上）、客户复购率（目标80%以上）、以及从喷涂到其他工序的技能拓展进度。如果公司能在这三个维度上取得突破，将有望成为船舶航运“具身智能”赛道的领跑者；反之，如果商业化进展不及预期，可能面临“叫好不叫座”的困境。对于投资者而言，需要重点关注其“数据飞轮”是否真正启动——即部署的机器人数量能否带来模型性能的显著提升，进而吸引更多客户。