从“数千万元天使轮”切入，灵感机器人把筹码押在接触瞬间的力场

据2026年10月至11月的公开报道，触觉智能企业灵感机器人（AGIMind Robotics）完成数千万元天使轮融资，投资方包括力合资本、合肥创新投等机构，治臻咨询担任财务顾问。融资完成的确切日期未披露。据新浪科技、创业邦、中国机器人网等报道，公司创始人兼CEO张雅展本科毕业于中科大精密仪器专业，博士毕业于港科大机器人专业，曾在腾讯担任资深AI研究员，后任国家实验室研究员、博导。这笔钱不算大，但发生在视触觉传感从实验室器件转向量产硬件的节点上，资本押注的逻辑已经不只是“触觉重要”，而是“触觉能不能被稳定地、便宜地、大规模地造出来”。

字段 内容
公司 灵感机器人（AGIMind Robotics）
轮次 天使轮
金额 数千万元
投资方 力合资本、合肥创新投等
总部 深圳南山区
创始人 张雅展
官网 未披露

需要先说明一组口径边界：下文出现的“规模化交付”“规模落地”“打通技术链路”等表述，来自公司通稿或媒体转述，尚无独立第三方验证；本轮融资的精确金额、估值、股权比例和完整投资方名单也未披露。

“稠密力场”不是又一个传感器参数，而是一次感知目标的切换

视触觉传感并不是新概念。过去几年，以MIT的Gelsight为代表的路线已经在学术界和部分工业场景中证明了触觉成像的价值。中国机器人网称，灵感机器人走的是与MIT（Gelsight）等国际主流路线不同的原创“光感知”技术路线。但灵感机器人真正想区隔的，不是成像原理本身，而是从图像里解算出什么。

据公开报道，行业里多数视触觉方案强调几何重建，即通过接触面的形变图像还原物体表面形状。灵感机器人创始人张雅展在公开表述中称：“行业里的技术路线大多比较强调几何重建，我们的路线更加关注力场。”公司将其路线命名为“稠密力场”，核心做法是在解算力场的同时，从同一次成像中提取接触区域的几何形态，形成包含受力、形变、滑移与姿态的原生多模态触觉数据。公司通稿称，相较传统方案仅输出单一模态，这类数据在信息密度和维度上均有提升。

这个技术选择背后有一个明确的产业判断：几何形状告诉机器人“碰到了什么形状”，但力场告诉机器人“接触正在如何发生”。在装配、抓取、打磨等需要力控的任务中，后者更接近控制回路真正需要的信号。张雅展在公开表述中进一步解释，要让触觉真正参与操作，交互力是其中最核心的要素。从已披露的技术路径看，灵感机器人试图把触觉传感器的输出从“图像”推向“可直接参与控制的力场数据”，这是其与几何重建路线的实质差异。但公司尚未披露该路线在动态接触、高频力控场景下的延迟、带宽与重复精度数据，因此“可直接参与控制”的实际边界仍待验证。

从信号链的角度看，力场优先的路线意味着传感器输出需要更接近控制器的输入格式。几何重建通常先产生点云或深度图，再由下游模块估计接触状态；而力场数据如果能够直接给出接触区域的受力分布，理论上可以缩短从感知到力控的路径。但这一优势能否成立，取决于解算力场的实时性和稳定性。公司未披露力场解算的帧率、延迟或噪声水平，因此“直接参与控制”目前更接近技术定位，而非已经过控制回路验证的能力。

5毫米厚度与每平方厘米10万点，是创始团队的工程指标而非公司本体的量产记录

视触觉传感器的一个长期矛盾是：成像系统需要一定的物距来获得清晰图像，而灵巧手指尖的空间极其有限。传感器做得太大，就只能装在机械臂末端，进不了指尖；做得太小，成像质量又可能下降。公司通稿称其自研超微型成像系统，大幅缩短了物距与体积，使传感器能够嵌入灵巧手指尖。

需要先厘清时间线：据中国机器人网报道，灵感机器人创始团队自2016年布局视触觉传感，2019年团队研发出厚度5mm的超薄视触觉传感器，力场追踪分辨率达到每平方厘米10万点以上；公司本体则于2025年10月在深圳南山区注册成立。因此，2019年的成果属于创始团队历史积累，不能直接计为本轮公司本体的研发记录。中国机器人网称该指标在技术指标上大幅领先，但该表述未见独立测试数据佐证。放到2026年的量产语境下，关键问题已经变成：这套指标能否在产线上以可接受的良率和一致性复制。

从产业链角度看，视触觉传感器的量产难点不在单个样机，而在标定。每个传感器内部的成像系统、弹性体、光源与算法之间存在微小差异，量产时必须通过自动化标定把差异控制在允许范围内。灵感机器人本轮融资明确将用于产线建设与量产能力优化，说明公司自己也清楚，从“能做出来”到“能稳定做出来”之间还有一段路。据媒体报道，Lux系列已实现规模化交付，但未披露交付数量、客户名称或订单规模，因此“规模化”的具体量级无法从现有信息中确认。

5mm厚度与每平方厘米10万点这两个指标，还需要放在传感器有效接触面积中理解。若接触面较小，高点数密度可能只覆盖有限区域；若接触面较大，成像系统又需要在更大视场内保持边缘分辨率。公司未披露Lux系列的单片接触面积、视场角或边缘畸变数据，因此仅凭厚度和点数密度，难以判断其在灵巧手指尖、夹爪指面等不同安装位置上的实际覆盖能力。量产语境下，这些几何参数与标定一致性共同决定传感器能否被下游硬件厂商稳定集成。

从传感器到数据管线，商业模式试图卡住具身智能的“触觉数据入口”

灵感机器人的产品矩阵以Lux系列视触觉传感器为切入点，公司通稿称其具备超高力场分辨率、原生多模态、多维力感知等特性，依靠更小的物距与体积适配机械臂、电动夹爪、灵巧手等硬件。在Lux之外，公司通稿称正在拓展电子皮肤、六维力与新型触觉传感器，并向数采系统、数据管线与触觉智能系统延伸。

这条路径的商业逻辑是：传感器只是硬件入口，真正有长期价值的是触觉数据及其上层系统。据公开报道，张雅展称公司的长期定位是打造支撑具身智能大模型进化的物理交互基础设施底座（Embodied AI Infra）。投资方合肥创新投则表态：“高精密触觉数据是具身大模型迭代的‘生命线’，以触觉切入最终实现全身智能，正是公司的核心价值所在。”这一判断来自投资方，不是公司自述。

这个定位的吸引力在于，它把灵感机器人从“传感器供应商”重新定义为“触觉数据基础设施”。但这也意味着公司要同时解决硬件量产、数据采集系统、数据管线和触觉智能系统四层问题。每一层的竞争逻辑不同：硬件层拼的是成本、良率和集成便利性；数据层拼的是采集效率、标注质量和数据格式的通用性；系统层拼的是与主流机器人平台和模型训练流程的兼容性。公司通稿称其围绕“触觉感知—数据构建—模型训练—控制部署”打通技术链路，但该链路目前为公司方向性表述，尚无独立验证。

从数据基础设施的定位看，触觉数据要进入具身模型训练流程，还面临格式与接口标准化的问题。视觉数据已有较成熟的标注格式和数据集生态，而触觉数据往往与具体传感器型号、采样频率和接触任务绑定。上述技术链路若只能服务于自有传感器用户，其作为“基础设施”的通用性可能受限；如果公司试图定义行业格式，则需要在早期争取足够多的下游模型与硬件厂商采用，这比单纯销售传感器更难验证。公司未披露是否提供统一的数据格式、API或与主流仿真平台的对接方案。

投资方押注全栈能力，但“全栈”在早期也可能意味着资源分散

力合资本与合肥创新投的入局，从公开表态看各有侧重。据公开报道，力合资本强调灵感机器人的技术壁垒，认为视触觉以图像方式实现感知，在信息密度与抗干扰上优势突出，同时公司具备从材料、算法到落地的全栈能力，是高端触觉方案的有力竞争者。合肥创新投则更看重触觉数据对具身大模型迭代的价值。

两家机构都没有披露具体投资金额、估值或股权比例。数千万元的天使轮融资，在当前的具身智能赛道里属于早期标准配置，既不足以支撑大规模产线建设，也不足以同时推进电子皮肤、六维力、新型触觉传感器、数采系统、数据管线和触觉智能系统等多条产品线。这意味着公司必须在未来12到18个月内做出清晰的优先级选择：是先做透Lux系列的量产和交付，还是提前铺开数据系统业务。

从资金用途看，本轮融资明确指向产线建设、量产能力优化和触觉智能系统研发。产线建设对应的是硬件交付能力，触觉智能系统研发对应的是软件和数据层。两者同时推进，说明公司希望在硬件收入之外尽快建立数据与系统收入，但这也对团队的精力和资金效率提出了更高要求。据创业邦报道，公司核心团队汇聚了来自港科大、中科大、南科大、EPFL等院校及腾讯、奥比中光等企业的成员，但未披露团队总人数、研发与生产人员比例。

力合资本与合肥创新投的表述分别对应两类不同的投资逻辑：前者更接近技术壁垒与全栈能力的判断，后者更接近数据资产与具身模型迭代的长期价值判断。这两种逻辑并不冲突，但对公司早期资源配置的含义不同。若以技术壁垒为主线，资金应优先投向传感器量产良率与标定效率；若以数据价值为主线，资金则需要更早投入数采系统与数据管线的可用性。公司本轮资金同时指向产线建设与触觉智能系统研发，意味着两条逻辑在天使轮被并行接受，但后续里程碑可能需要在两者之间建立更明确的因果关系，例如用交付的传感器数量证明数据入口规模，再用数据规模证明系统层价值。

竞争不在“有没有触觉”，而在“触觉数据能否进入主流操作栈”

视触觉传感的竞争格局正在从学术路线之争转向产业落地之争。MIT的Gelsight路线经过多年发展，已经在科研市场和部分工业检测场景中建立了认知度，其开源生态和学术影响力是灵感机器人短期内难以绕开的参照系。中国机器人网在报道中将灵感机器人与MIT（Gelsight）等国际主流路线区分为不同技术路线，但未给出完整竞品名单。

灵感机器人的差异化主张集中在两点：一是力场优先于几何重建，二是原生多模态输出。这两点在技术叙事上清晰，但在商业竞争中能否转化为客户选择，取决于下游客户是否真的需要力场数据，而不是仅仅需要一张接触图像。公司通稿称Lux系列适配机械臂、电动夹爪、灵巧手等硬件，并在数据采集、工业装配、物流、科研自动化等领域落地，但未披露具体客户名称、订单金额或复购情况，因此无法判断这些落地场景中客户对力场数据的需求强度。

另一个竞争维度来自六维力传感器。中国机器人网在报道中称，灵感机器人基于视觉的六维力传感器“据悉可实现成本降低80%以上”。这一表述来自转载报道，对比基准、测试条件或具体价格均未披露，因此无法独立评估其成本优势的真实幅度。如果该成本优势属实，六维力传感器可能成为公司进入工业力控市场的另一个入口；但六维力传感器本身是一个成熟且竞争激烈的品类，视觉方案在精度、响应速度和可靠性上能否替代传统应变片方案，仍需要客户侧验证。

与Gelsight路线的比较，还需要区分科研市场与工业市场的不同评价标准。Gelsight在学术界的影响力部分来自其开源硬件与算法生态，研究者可以基于公开设计进行复现和改进；灵感机器人目前未披露是否开放硬件设计、SDK或数据格式。在科研自动化场景中，客户可能更看重可复现性和与现有实验平台的兼容性；在工业装配与物流场景中，客户则更关注抗干扰、寿命和批量一致性。据创业邦等报道，公司通稿称Lux系列已在科研自动化与工业场景落地，但未说明两类场景的收入占比或交付形态，因此其与Gelsight生态的竞争关系仍难以从现有信息中判断。

真正的风险不在技术路线，而在触觉数据的采集成本与量产一致性

灵感机器人面临的核心风险，可以从两个层面拆解。

第一，触觉数据的采集成本。与视觉数据可以通过互联网大规模获取不同，触觉数据必须依赖真实物理接触。每一次抓取、按压、滑移的数据采集，都需要真实的机器人硬件、物体和受控环境。这意味着触觉数据集的构建速度天然慢于视觉数据集，单位数据成本也更高。公司通稿称其已向数采系统和数据管线延伸，但未披露已积累的数据规模、采集效率或单位成本。如果触觉数据基础设施的定位成立，公司必须证明自己能够以显著低于客户自建的成本提供高质量触觉数据；否则，数据管线业务可能停留在概念阶段。这一成本问题还隐含着一个规模化的悖论：数据基础设施的价值通常随数据规模增长而提升，但触觉数据的采集规模又受限于硬件部署数量。公司若想降低单位数据成本，可能需要先扩大传感器交付量，让更多终端成为潜在数据来源；而扩大交付量又要求产线良率与标定效率达到一定水平。这意味着数据管线业务无法独立于硬件量产先行成立，两者之间存在先后依赖。

第二，量产一致性与标定精度。稠密力场路线依赖从成像中解算力场，这对弹性体的一致性、光源的稳定性、成像系统的装配精度和标定算法都提出了高要求。实验室样机可以逐台精细调校，产线上的批量产品则必须依靠自动化标定。公司本轮融资投向产线建设，说明其正在从样机阶段向批量阶段过渡，但尚未披露良率、标定效率或量产爬坡计划。稠密力场路线能否在量产中保持标定精度，是公司接下来必须用交付数据回答的问题。

从已披露的事实看，灵感机器人的技术叙事完整，创始团队背景在触觉感知与AI系统之间具备稀缺的交叉经验，投资方的产业资源与合肥的制造生态也可能为产线建设提供支撑。但技术叙事与商业验证之间的距离，需要靠交付数量、客户复购和量产良率来填补。灵感机器人刚刚走完第一步融资，真正的考验在下一批交付里。

验证边界与可复核指标

综合全文，以下披露边界与待核验指标集中列出：本轮融资的精确金额、估值、股权比例和完整投资方名单未披露；公司官网未披露；Lux系列的单片接触面积、视场角、边缘畸变、力场解算帧率、延迟、噪声水平未披露；已交付传感器数量、客户名称、订单金额、复购情况、数据采集规模、数据集大小、良率、标定效率、量产爬坡计划未披露；六维力传感器成本对比的基准与测试条件未披露；是否提供统一数据格式、API或与主流仿真平台的对接方案未披露。上述指标是后续验证公司量产能力、数据基础设施定位和客户验证可见度的关键。

RecodeX 极客视：视触觉传感的竞争，最终不会由“力场还是几何”的路线之争决定，而会由谁能以产线可复制的成本，把接触瞬间的物理信息变成机器人控制回路里可靠的一路信号来决定。灵感机器人把筹码押在力场上，这个选择有清晰的产业逻辑，但天使轮只是买到了证明它的时间窗口。

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。