深度｜千寻联手京东，重写具身智能估值规则：未来价值藏在数据网络里
引言：具身智能的估值难题：一个数据驱动的解法猜想
具身智能正处在一个微妙的时刻。一方面，资本市场热情高涨，创业公司估值屡创新高；另一方面，关于其商业模式和价值评估的根本性问题，业内仍未形成共识。当一台机器人能够模仿人的动作，它的价值究竟是由其硬件成本、销售数量决定，还是由其背后那套不断学习和进化的智能系统决定？ 近期，具身智能头部企业千寻智能与京东集团正式签署的战略合作协议，为观察此问题提供了一个极佳的样本。双方宣布将在2026年至2029年间，围绕技术、产品、场景和营销展开深度合作，共同推动具身智能在零售领域的加速应用。这一合作的核心，不仅仅是将机器人部署到线下门店，更是将机器人的每一次物理服务，都转化为可用于模型训练的数据资产，试图构建一个由“技术、场景、数据”共同驱动的增长飞轮。 这一思路，标志着具身智能正从单点技术验证，迈向行业落地的新周期，也或许为解开具身智能的估值难题，提供了一种数据驱动的全新解法。01 失效的标尺：传统硬件估值模型的局限
在讨论新的可能性之前，有必要审视现有评估体系的失效之处。对于机器人产业，市场曾习惯于套用成熟的硬件估值公式： 公司估值=f（硬件销量，产品单价，市场渗透率） 这个模型清晰、直观，适用于功能固定的工业机械臂或扫地机器人。在这些产品中，硬件是价值的主体，软件的功能在出厂时基本被固化。其增长路径是线性的，依赖于生产规模的扩大和销售渠道的拓展。 然而，具身智能的出现，让这把沿用已久的标尺开始失准。它的核心价值主张在于“智能”——一种通过与物理世界交互而持续学习、适应和进化的能力。这意味着，产品的价值不再是静态的，而是动态增长的。一台今天还略显笨拙的机器人，在积累了足够的数据和训练后，明天可能解锁全新的技能，胜任更复杂的任务。它的价值会随着时间的推移和数据的积累而复利式增长。 这种由软件和数据驱动的非线性成长性，是传统硬件估值模型无法捕捉的。如果仅仅将具身智能公司视为硬件制造商，无异于在智能手机时代用功能机的逻辑去评估苹果。高昂的估值需要新的叙事来支撑，而这个叙事必须回归其价值创造的本源—— 智能的成长性本身。02 从自研基模，到运营一个不断增值的数据网络
千寻智能与京东的合作，似乎正在实践一种区别于传统路径的价值主张。其Moz机器人在京东MALL制作咖啡，这一场景的设定颇具深意。 首先，咖啡制作是一个典型的非标、复杂任务。它涉及柔性抓取（取杯）、精细操作（研磨、萃取）、以及与人的交互，对机器人的感知、决策和控制能力提出了很高要求。这确保了任务本身具备足够的“训练价值”。 其次，合作采用了遥操作模式。在初始阶段，由人类专家远程控制机器人完成任务。这一过程的价值不在于机器人本身完成了服务，而在于它 完整地记录了专家是如何完成任务的 。每一次取杯、每一次按压，机器人的多模态传感器都在同步采集视觉、关节运动轨迹、力反馈等高维度数据。 这些源自真实物理世界、由专家操作产生的数据，构成了后续模型训练的基石。这个过程可以被理解为： 1. 场景即矿场 ：将复杂的真实世界场景（如咖啡店），视为一个富含高质量数据的“矿场”。 2. 服务即挖掘 ：机器人每一次提供服务的过程，都是一次“数据挖掘”行为。 3. 遥操作即标注 ：专家的远程操作，为机器人的行为数据提供了高质量的“专家标注”，极大地提升了数据价值。 通过这种模式，千寻智能与京东共同构建的，不再是一次性的功能演示，而是一个可持续运营的数据生产工厂。商业运营与数据生产，在这里实现了统一。03 数据飞轮的经济学：成本、质量与规模
将数据视为核心资产的构想并不新奇，但其实施面临着一个经济学挑战：物理世界的数据采集成本高昂且效率低下。这曾被视为制约具身智能发展的“最后一公里”难题。如果数据获取成本过高，所谓的“数据飞轮”就无从谈起。 针对这一行业痛点，千寻智能通过一套组合拳，试图从根本上解决数据采集的经济性问题。 其一，是多种采集策略，重构成本结构。千寻智能的数据采集并非单一模式。一方面，为了追求数据规模和广度，千寻自研了一套可穿戴式数据采集设备，它让普通人也能方便地进行日常操作的数据采集。据悉，这套方案将数据采集的综合成本降至了传统方式的十分之一。这一数量级的成本优化，使得大规模、常态化的泛在数据采集在商业上变得可行，为模型的通用能力打下坚实基础。 另一方面，在京东MALL这样的商业合作中，采用的是远程遥操作采集。这种方式的价值重点不在于追求极致的采集效率，而在于获取场景化、高价值的“专家数据”，并实现“数据采集+模型训练+商业闭环”的统一。每一次咖啡制作，既是服务履约，也是一次高质量数据的自动化生产。这种模式确保了数据的真实性和任务相关性，其质量远非仿真合成数据可比。 其二，是对 数据质量的重新定义 。行业早期曾追求在仿真环境中生成“完美”的、无噪声的合成数据。然而，仿真环境与物理世界的“Sim-to-Real Gap”（虚实差异）始终是难以逾越的障碍。千寻智能的思路，似乎更倾向于拥抱真实物理世界的“脏数据”。这些数据虽然不完美，但其多样性和复杂性，恰恰是提升模型泛化能力的关键。在京东MALL这样的真实零售环境中采集数据，正是这一理念的实践。 其三，是 数据规模的快速积累 。基于上述的成本控制和场景化采集模式，该公司已积累了超过20万小时的真实交互数据，并计划在2026年达到100万小时。相比之下，目前行业主流的开源数据集（如RT-X）的总时长也仅在百万小时级别。通过将商业场景转化为数据生产线，其数据资产的积累速度和规模，有可能构建起显著的竞争壁垒。 当数据采集的经济性问题得到缓解，一个强大的正向“数据飞轮”便开始转动：部署更多机器人进入更多场景 → 获取更多、更多样的数据 → 训练出更强大的具身模型（如其Spirit v1.5开源模型性能超越美国Pi0.5） → 解锁更复杂的任务与商业场景 → 吸引更多合作伙伴，进一步扩大商业版图。这是一个指数级增长的自我强化循环，是其百亿估值背后的核心杠杆。04 双场景验证：工业与商业的逻辑复用
一个理论是否稳固，需要经过不同环境的检验。在与京东合作之前，千寻智能的另一个关键案例是在宁德时代的产线上，执行锂电池生产中对精度和稳定性要求极高的插拔任务，据称成功率超过99%。 将工业与商业这两个场景并置观察，可以发现一些有趣的共性与差异：- 工业场景（如宁德时代） ：环境结构化、任务重复性高、对精度和可靠性要求达到极致。它验证了技术在解决“刚性需求”和“单一深度任务”上的能力。
- 商业场景（如京东） ：环境半结构化、任务多样化、涉及大量人机交互。它考验技术在应对复杂环境和“柔性需求”上的泛化能力。