高瓴、蓝驰领投灵初智能，致力于打造业界领先通用灵巧操作智能体

高瓴、蓝驰领投灵初智能，致力于打造业界领先通用灵巧操作智能体

2024-11-13 13:46:34

灵初智能将从2B服务业切入

近日，灵初智能完成天使轮融资，本轮融资由高瓴创投（GL Ventures）和蓝驰创投（Lanchi Ventures）领投。

本轮融资完成后，灵初智能将继续推进基于强化学习算法的机器人技能集训练、场景化的数据生成及采集、端到端解决方案的研发及落地，打造业界领先的通用灵巧操作智能体。

高泛化性、高灵巧性和高成功率是具身智能的 “不可达三角”。高泛化性指机器人在变化环境对不同物体执行复杂任务，高灵巧性体现在执行任务的精确灵活（如搭乐高、双手操作等），高成功率即机器人受干扰时稳定正确执行任务（产品验证阶段成功率 95%、规模化落地高于 99.9%）。

兼顾这三者极具挑战。高泛化性需通用模型和注重数据多样性的学习算法，高灵巧性需要精细模型和关注精度细节的学习算法及特定控制算法，鲁棒性也对控制算法有要求。

强化学习是提升具身智能体这三方面性能的核心技术，能让智能体在仿真环境利用低成本合成数据训练，实现自主探索、试错学习最优解，提升灵巧性甚至超越人类上限，还能增强鲁棒性。

灵初智能早期一直深耕基于强化学习的全栈能力，从灵巧操作入手在具身智能领域积累技术壁垒，后将扩展至通用泛化操作。其开发的分层端到端模型领先业界，包含Psi-P0规划模型和Psi-C0控制模型。

Psi-P0借助大模型交互推理理解行为对环境影响，拆解复杂任务以实现任务泛化；Psi-C0模型为陈源培提出的双层架构，结合人类运动数据和深度强化学习，上层用人类数据训练参考轨迹生成器，下层用其生成轨迹指导强化学习训练，解决泛化性和灵巧性难题。

Psi-C0控制模型支持多个技能串联作业的训练难题。

陈源培与斯坦福大学共同提出的Sequential Dexterity通过串联多个灵巧操作策略来完成长程的任务。在真实世界的搭积木任务中，能将翻找、重定向、抓取和插入积木4个skill串联起来提高整体的成功率。

https://baijiahao.baidu.com/builder/preview/s?id=1815581064747541626

梁一韬博士开发的Psi-P0实现开放环境中复杂任务的任务拆解和规划。其所支持的任务复杂度和准确度都超越同期OpenAI（VPT）和Nvidia的工作（Minedojo）。

如下面视频所示，可以进一步通过构建memory使具身模型具有lifelong learning，即根据自身经历自我提升的能力。

https://baijiahao.baidu.com/builder/preview/s?id=1815581064747541626

在产品规划上，灵初智能将从2B服务业切入，以头部客户的高价值场景需求为指引，开发整合技能集，实现商业落地，并快速迭代硬件，算法，数据系统，不断提升具身智能整体解决方案的泛化性，灵巧性和成功率，给出具身领域“不可达三角”的最优解。