這家具身公司不卷「干活」卷「懂你」，天使輪再獲數千萬戰略加注

2026 年，具身智能走到一個耐人尋味的轉折點。工廠人形機器人仍在逐條驗證 ROI，聚光燈卻已悄然轉向家庭與消費場景：超仿生人形機器人預售訂單以萬計，擠滿 CES 展臺。當「進入家庭」第一次成為機器人產品的關鍵詞，熱鬧之下，行業共識正在松動 —— 過去三年，具身公司都在回答「如何讓機器人把活干好」；而當機器人真正走進家庭，另一道題幾乎無人認真作答：機器人，真的懂它所服務的這個人嗎？

今天的具身智能公司：一類做本體，卷硬件、卷量產；一類做「小腦」，專注運動控制；一類做操作「大腦」，教機器人疊衣、備餐。三類玩家殊途同歸，都在讓機器人「會干活」。但當機器人以「人」的形象走進家庭，這張地圖上始終缺著關鍵一塊：誰來為它構建一顆真正「懂人」的大腦？仿生人大腦 —— 這條決定機器人能否從「工具」變成「伙伴」的賽道，恰恰是收斂程度最低、也最被低估的一條。

深穹星核的判斷是一個鮮明的非共識：面向 C 端場景的具身智能核心命題，不是任務，而是意圖。人的語言天然高噪聲、不完整 —— 說「沒事」可能并不是沒事，說「隨便」背后往往有明確偏好，一次沉默、一次眼神回避，或許才是真正需要被讀懂的信號。語音對話、表情模組、云端大模型，都只觸達了交互的表層；只有把「人為什么這樣說、此刻真正需要什么、希望被如何回應」完整還原出來，機器人才談得上懂人。在深穹星核看來，意圖理解（Intention）正是下一代通用智能繞不開的技術板塊 —— 一如自動駕駛繞不開感知，大語言模型繞不開對齊。

針對這一命題，深穹星核給出了自己的答案：VLIA（Vision-Language-Intention-Action）一體化端側具身交互模型。這是首個將意圖理解置于架構核心樞紐的具身交互大腦。在 VLIA 的鏈路里，視覺與語言不再只是動作的輸入通道，動作也不只是指令的輸出載體，整個模型圍繞「還原真實意圖、預判交互走向」運轉；團隊以人臉作為最高帶寬交互入口，將動機、情緒、關系、反饋構成的完整因果鏈嵌入模型底層。

然而模型只是起點，數據才是決定天花板的那塊板。今天的行業不缺視頻與語料，真正稀缺的，是帶有意圖結構的數據。公開數據只呈現行為結果，不提供動機與因果鏈；而家庭場景的開放交互，需要模型從「動機 — 行為 — 反饋」的完整鏈路中學習。深穹星核率先與頭部短劇、游戲公司戰略合作，拿下自帶完整意圖結構的高質量種子數據；再通過自研的高效數據處理管線將其快速泛化至海量公開交互數據，實現意圖數據的規?；?。

能將 “意圖” 這一命題落地為 VLIA 模型，源于深穹星核團隊極度契合的跨界能力拼圖。創始人郁振波曾蟬聯 ImageNet 國際大模型競賽三年世界冠軍，具備扎實的大規模訓練經驗；同時，他多年在華為海思的端側研發經驗，讓 VLIA 從設計之初就自帶落地的端側基因。而在交互層面，核心團隊源自騰訊、米哈游等頭部游戲大廠，長期致力于通過理解玩家交互意圖來提供動態反饋。這種在虛擬世界中 “讀懂人” 的深厚積累，直接構成了 VLIA 意圖理解的技術基石。訓練、端側、意圖理解，三塊板嚴絲合縫地扣在了一起。

近日，深穹星核正式發布首款高仿真人臉機器人 Nova S1，搭載 VLIA 一體化端側交互大腦，面向家庭、日常交互與協作場景。繼上周天使 4 輪融資后，公司再次完成新一輪數千萬元天使 5 輪戰略融資，持續加碼意圖理解與情感交互技術的研發落地。

選擇從人臉切入，是因為人臉是人類社會中最高帶寬的情感與意圖接口。相比文本、語音或屏幕，日常交流中人臉天然承載更高密度的交互信息，不僅傳遞情緒，也傳遞關系。對具身智能而言，人臉不是裝飾，而是機器人從 "工具" 變成 "有意圖的交互主體" 的關鍵入口。深穹星核判斷：未來的機器人親密伙伴必須首先擁有一張可信、自然、高審美、可表達的臉。只有用戶愿意看它、相信它、與它建立持續互動，后續的意圖理解、長期記憶、交互和任務協作才真正成立。

好的人臉機器人一定是審美先行，深穹星核依托上海九院整形外科建立了醫學數據、參數化形變與仿真平臺結合的設計體系。依托高質量人臉數據，構建從 3D 掃描、CT/MRI、肌肉骨骼到美學參數生成的技術流程。基于真實顱面結構與東方審美，生成符合解剖、工程與審美標準的人臉設計。這套體系將人臉設計從主觀經驗轉化為可參數化、可仿真、可制造的工程能力。

意圖理解是下一代人機交互的核心

如果說 "人臉硬件" 解決的是 "用戶愿不愿意與機器人互動"，那么 "意圖理解" 解決的就是 "機器人能不能真正懂人"。這正是深穹星核的鮮明非共識 —— 當整個行業都在回答 "機器人能做什么"，深穹星核選擇回答 "機器人懂不懂人"，而且這是下一代人機交互命題中必須被回答的核心問題。

深穹星核認為，自然交互本身是高噪聲、不完整的。用戶說 "沒事"，可能并不是真的沒事；說 "隨便"，背后可能有明確偏好；交互場景中的沉默，也可能是一種需要被理解的反饋。因此，意圖理解不是傳統多輪對話管理，而是從語言、表情、場景上下文中，還原人的真實需求。深穹星核對 "意圖理解" 的定義是：從自然交互中理解人的真實想法，并生成合適的交互策略。真正好的機器人，不是急著給答案，而是先判斷用戶真實需要什么、現在適不適合問、應該主動還是等待、應該安撫還是推進交互。這也是 VLIA 模型的核心設計目標。

這一理念在真實交互中體現得尤為明顯。以用戶說 "最近感覺不在狀態" 為例 —— 主流模型會直接輸出一份調理方案，卻忽略背后可能隱藏的疲勞、壓力或情緒低落，也未確認用戶需要的是短期急救還是長期調整。而深穹星核的模型會先承接情緒，再追問 "你目前最想先緩解的是熬夜后的累感，還是節奏太快導致的緊張"，明確真實需求后才給出方案。不是急著給答案，而是先判斷用戶真正需要什么。

多個主流模型輸出結果，直接根據指令輸出計劃

自研模型：先承接情緒，同時從一句模糊語句逐步需細化需求

以上只是復雜意圖中的一個例子。真實交互中，人的意圖往往模糊、甚至自我隱藏。面對這種復雜性，靠 “調 Prompt” 兜底是行業常見的做法。然而 Prompt 枚舉只能起到補丁的作用，人類動機的組合是無限的。試圖用提示詞去窮舉意圖映射，不僅會導致推理崩塌，更永遠覆蓋不了隱晦的長尾交互。Prompt 只能修飾模型的 “嘴”，無法補齊它 “不懂人” 的 “腦”。

VLIA：從意圖感知到自然反饋的一體化端側具身智能模型

為了讓意圖理解能力真正落到機器人的動作與表達上，深穹星核提出 VLIA 技術架構：即 Vision-Language-Intention-Action，面向真實交互場景的一體化端側具身智能模型。它不止步于理解用戶的表層語義，而是從多模態信號中感知用戶真實意圖、預判交互走向，并生成自然得體的多模態反饋，打通從 "感知用戶狀態" 到 "理解真實意圖" 再到 "生成自然回應" 的全鏈路。

在意圖感知與預判層面，VLIA 綜合用戶語音、表情反應、注視、場景視覺、影音狀態和長期記憶，還原用戶的真實需求、情緒狀態與關系訴求。它的目標不是生成一句 "像人的話"，而是預判交互走向：在當前關系、情緒和場景下，用戶真正想要什么；機器人做出某種回應后，用戶狀態會如何變化；什么樣的語言、語音、表情、注視和動作組合，能讓交互更自然、更可信、更長期。

在架構上，VLIA 包含四個關鍵環節：Vision（人臉、表情、注視、場景感知）、Language（語音識別、語義理解、對話上下文）、Intention（融合意圖狀態、情緒、關系和長期記憶，完成意圖研判與交互趨勢預判）、Action（生成語言、語音、表情、注視和動作策略）。

與星閃聯盟戰略合作：模型與硬件共同落地

人臉機器人作為典型的端側具身智能產品，不僅需要模型能力，也需要低時延、高可靠、可協同的硬件連接與產業生態。深穹星核與星閃聯盟建立戰略合作，聯合打造端側具身智能產品。其中深穹星核創始人郁振波博士生導師張文軍院士不僅為星閃聯盟的學術帶頭人，更是該技術最重要的倡導者和定義者之一。深穹星核負責 VLIA 一體化端側大腦，涵蓋意圖建模、多模態理解與動作生成、人臉交互與情感表達；星閃聯盟提供低時延無線連接、高可靠設備協同、端側硬件適配和生態伙伴場景落地能力。

雙方共同定義端側具身產品，從模型、芯片、連接到機器人本體，推動家庭交互終端、多模態交互模組和機器人本體產品落地，把 "意圖理解" 從模型能力推進到真實硬件產品，使機器人能夠在家庭、娛樂和生活場景中穩定運行。

從「知其然」到「知其所以然」：意圖數據的 Scaling 路線

目前看，行業普遍 "知其然"—— 集中在觀測人說了什么、做了什么、表情如何變化，卻忽視了行為背后的動機；深穹星核做的是 "知其所以然"—— 還原人為什么停頓、為什么回避眼神、為什么語氣轉弱，在什么樣的關系和情緒狀態下，希望被如何回應。這些隱藏的意圖邏輯、情緒轉折、關系語境與預期反饋，才是意圖理解的核心訓練信號，也是公開數據天然缺失的部分。

深穹星核的核心判斷是：具備明確動機、關系遞進與反饋閉環的結構化交互場景，是高質量意圖數據的核心來源。在這類場景中，每一次表達、每一個反應都對應清晰的意圖指向，天然形成 “動機 - 行為 - 反饋” 的完整因果鏈路，遠比無標注的公開數據更有訓練價值。基于這一判斷，公司通過與井英科技、友誼時光等頭部內容公司建立戰略合作，率先拿下兩類高壁壘意圖種子數據，構建獨有的意圖數據體系：

• 敘事類交互數據：來自專業短劇創作體系，包含完整的劇本結構、角色目標、情緒弧線、表演意圖與劇情設計。公司從中提取人物的隱含動機、情緒轉折與互動策略，把創作層面的意圖邏輯轉化為模型可學習的監督信號。
• 互動類交互數據：來自女性向游戲的完整交互體系，包含關系階段、玩家選擇、互動目標、好感度反饋與劇情分支。這類強關系、強情緒、強反饋的長期屬性，與機器人陪伴的核心場景高度契合，是訓練交互意圖模型的天然優質樣本。

這兩類戰略合作數據，補充了公開數據普遍缺失的 Intent、Emotion、Relationship、Feedback、Strategy 五大維度標簽，實現了從 “觀測行為結果” 到 “監督意圖因果” 的本質跨越。這就是深穹星核的數據壁壘：行業普遍在堆砌表層行為數據，而深穹星核從源頭掌握了交互意圖的底層結構。但高質量數據若不能規模化，依然無法支撐模型的持續進化。如何讓稀缺的意圖種子突破體量瓶頸，形成可自我放大的數據飛輪，正是深穹星核 Data Scaling 的核心命題。

深穹星核選擇的路線，不是簡單擴大公開視頻庫，而是擴大 “可被模型學習的人類意圖軌跡”。公司首先用短劇和游戲戰略合作形成高質量意圖種子數據；再訓練意圖標注與意圖表征模型；隨后將這套能力擴展到大規模視頻、對話和機器人交互日志中，把原本只有表層行為的數據，轉化為帶有意圖監督的 trajectories。這條數據飛輪包括五步：

• Intention Seed Data：短劇與女性向游戲提供高質量意圖種子
• Annotation Model：訓練意圖標注與表征模型
• Large-scale Data：處理視頻、對話和交互日志
• Intention-supervised Trajectories：形成行為、情緒、關系、反饋一體化軌跡
• VLIA：訓練交互趨勢預判與響應生成能力

隨著標注模型能力提升，數據規?？梢钥焖贁U大。公司真正 scale 的不是公開視頻數量，而是可被模型學習的人類意圖軌跡。這意味著，VLIA 的訓練基礎不是淺層相關性，而是帶有意圖監督的交互因果結構。模型不僅學習 “人說了什么、做了什么”，更學習 “人在什么關系和情緒狀態下，為什么這樣說、為什么這樣做，希望對方如何回應”。

深穹星核的技術護城河由「仿生硬件 — 核心數據 — 工程體系」三層疊加形成完整閉環，構筑難以復刻的交互智能體系。

第一層：醫療級人臉美學設計壁壘。依托合規臨床數據，掌握全維度醫學數據?；谡鎸嵣斫Y構的參數化設計，讓人臉跨越 "恐怖谷"，匹配執行器與量產約束，解決 "用戶愿意互動" 的前提。

第二層：獨家結構化意圖數據的核心能力壁壘。行業依賴公開數據只能學到外顯行為。深穹星核與頭部內容公司戰略合作，獲取短劇、游戲場景中自帶完整意圖結構的高質量種子數據 —— 包含動機、情緒、關系與交互策略，是天然的 "意圖監督數據"，決定 VLIA 的意圖理解上限。

第三層：Data Infra 工程體系的規模化效率壁壘。深穹星核通過意圖標注、表征學習與質量評估，將種子數據快速泛化到海量公開視頻、對話與交互日志中，批量生成帶意圖監督的交互軌跡，形成「種子→標注→大規模軌跡→迭代」的正向飛輪，解決高質量數據難以規?；碾y題。

仿真數據筑牢入口，意圖數據定義能力，Data Infra 實現規?；?。三者構成從觸達到內核再到進化的完整閉環，是深穹星核的核心競爭優勢。

同時，深穹星核也在積極探索如何做好長期陪伴。在長期陪伴場景中，機器人需要逐步熟悉用戶習慣，實現 "越用越懂你"，但業內共性難題是持續適配中易出現行為漂移、人格不一致，消解信任感。深穹星核推出 OrthLoRA 個性化學習機制，跳出 "穩定就不能個性化" 的行業兩難。傳統方案通過限制模型偏離度被動妥協，而 OrthLoRA 從底層結構解決矛盾，將 "不變的基礎能力" 與 "可變的個性偏好" 在模型的參數空間進行隔離。這套機制讓 VLIA 模型在長期使用中自然貼合用戶溝通節奏，相處越久越有默契；同時始終保持統一風格與清晰邊界，不會出現 "越用越陌生" 的體驗斷層，為人機長期陪伴提供穩固技術支撐。

深穹星核相信，機器人產業的下一步要做的不是全面替代人，而是需要回到以人為本，做好與人的交互，并以此為切口真正進入家庭。