半年六轮融资，人形机器人基础模型公司值不值5亿？

人形机器人基础模型公司成立半年融资六轮，最新一笔天使++轮近5亿元——这究竟是赛道爆发前的价值发现，还是资本在缺乏数据支撑下的集体押注？

先说结论：从量化研究的角度看，这家公司的融资节奏和估值逻辑存在明显的数据信噪比问题。人形机器人基础模型（Humanoid Foundation Model）本质上是一个依赖高质量多模态数据闭环的复杂系统，而当前行业普遍面临样本量不足、数据分布偏差大、工程化验证周期长三重风险。德塔智能能在半年内完成六轮融资，说明资本对其技术路线和团队执行力的高度认可，但作为量化研究员，我更关心的是：这些融资背后的数据质量假设是否经得起回测。

融资节奏的“超额收益”陷阱

从公开信息看，德塔智能的天使轮、天使+轮、天使++轮在短短半年内密集完成，且每轮规模逐步扩大。这种节奏在传统一级市场极为罕见，通常意味着公司有极其明确的里程碑节点，或者存在强烈的稀缺性竞标。但落在人形机器人领域，我们得冷静看待。

“成立半年融资六轮”这个表述本身就是一个信号：如果模型迭代速度真的如此之快，那么每轮融资对应的技术验证窗口应该极短。但人形机器人的基础模型训练需要海量真机数据，尤其是遥操作和示教数据，这种数据的采集成本极高，且无法像LLM那样通过互联网爬虫无限扩展。

我曾在某次内部讨论中听到一个观点：人形机器人公司的估值驱动力不是模型参数量，而是数据采集的规模与质量。德塔智能宣称将资金用于“自研数采设备的量产与数据闭环建设”，这其实是一个正确的方向，但问题是：半年内能否建设出足够大规模且低偏差的数据集？如果样本量不够，模型就会陷入过拟合，在真实工业场景中泛化能力会急剧下降。

从因子挖掘视角看“数据闭环”

做量化的人都知道，多因子模型的稳定性取决于因子数据的质量、时效性和正交性。人形机器人基础模型同理，其核心是“感知-决策-执行”闭环中的数据流。一个典型的工业场景——比如在产线上抓取不规则零件——需要动作序列、视觉反馈、触觉信号等多模态数据同时对齐。任何模态的缺失或噪声都会导致模型在推理时出现“分布外”错误。

图片中展示的工业场景，恰恰是这类模型需要落地的环境。但注意，这种环境的数据采集难度极高：工厂产线不能为采集数据而停工，真实场景中的光照、遮挡、工件尺寸变化都会引入噪声。德塔智能如果能在半年内完成数采设备的量产，并积累足够覆盖多种工业场景的高质量数据，那么这笔融资的性价比就很高。否则，资金可能只是用来堆砌没有意义的“伪数据量”。

工程化风险：从实验室到产线的“回撤”

另一个关键问题是工程化落地的风险。人形机器人基础模型在实验室的仿真环境中表现优异，但一旦进入真实工厂，硬件故障、通信延迟、环境变化都会导致模型性能的剧烈回撤。这就像我们做因子回测时，换手率假设和实际交易成本之间的差距，往往会让年化收益从20%掉到5%。

德塔智能的融资方包括多家上市公司产业方，这暗示了其可能已经有明确的工业场景深度绑定。但产业方是否愿意提供足够的真实场景数据，以及是否愿意承担模型试错带来的生产中断风险，都是未知数。如果短期内无法在工业场景中跑通闭环，下一轮融资的估值逻辑就可能出现“归零风险”。

与其他赛道的对比：历史不会简单重复

回顾自动驾驶领域，2016-2018年也出现过类似的融资热潮，大量公司靠路测数据量讲故事，但最终只有少数几家真正实现了规模化部署。人形机器人基础模型面临的挑战类似，但v2.0时代的数据门槛更高——因为动作数据的采集成本远超视觉数据。

根据行业公开数据，目前头部人形机器人公司每年采集的有效动作数据量级在百万级，而训练一个通用基础模型至少需要千万级。六轮融资背后，如果德塔智能没有在数据采集效率上有本质突破，那么估值就存在较大泡沫成分。

结论：关注数据密度，而非融资速度

作为一名量化研究员，我习惯于用“信息比率”来评估一个策略的好坏。对于人形机器人基础模型公司，核心指标应该是“单位融资额

原文链接：https://www.leiphone.com/category/ai/LwA3PaasIacDAQS6.html