國家大基金首次“出手”具身智能，銀河通用再獲25億融資

 

近日，據接近銀河通用的人士稱，銀河通用機器人已完成25億元新一輪融資。國家人工智能產業基金（國家大基金三期）、中國石化、中信集團投資控股、中國銀行、上汽集團金控、中芯聚源、亦莊國投、未來產業投資、鯤鵬基金、無錫創投、福建產投等，多家老股東繼續追加投資。其中，國家大基金系首次出手投資具身智能企業“具身大模型國家隊”正式誕生。

 

兩個月前的2025年12月19日，銀河通用剛宣布一筆超3億美元（約21億人民幣）融資，由中國移動鏈長基金領投，中金資本、中科院基金、央視融媒體基金等聯合注資，當時已刷新中國具身智能單輪融資紀錄。

 

“從上一輪融資到本輪融資，僅間隔兩個月，這是典型的超募。”一位接近銀河通用的人士稱，一級市場對公司的追捧遠超預期。

 

本輪融資后，銀河通用累計融資額穩居中國具身智能領域首位，繼續鞏固其作為人形機器人領域估值最高未上市企業的領先地位。

 

銀河通用成立于2023年5月，創始人兼首席技術官王鶴是具身智能大模型領域的領軍學者，擁有清華本科、斯坦福博士學歷，師從美國三院院士Leonidas J. Guibas教授。王鶴在美國畢業后回國創立了中國第一個具身智能實驗室。

成立三年，估值行業持續領跑，銀河通用憑什么？

 

01 

真機訓練效率比特斯拉高1000倍

如果要在當下的中國具身智能賽道找一個最像OpenAI的公司，銀河通用或許是最接近的答案，不是因為它追隨OpenAI的路徑，而是因為它正在定義屬于自己的賽道：具身大模型。

 

拆開看，銀河通用在圍繞具身智能打造全棧能力，包括百億級數據集構建了數據壁壘，端到端具身大模型通過春晚等極端場景展示了技術領先性，工業與消費場景的規模化落地數據驗證了商業化閉環能力，國資與產業資本的密集入局則提供了場景和訂單的更多可能性。

 

但理解銀河通用的估值，要更多理解具身大模型的價值。

 

當前業界大多將“大腦”（任務規劃）、“小腦”（運動控制）及“手部”（靈巧操作）割裂開發，缺乏端到端的統一大模型。大腦、小腦、靈巧手各自為戰。模塊之間標準不統一，信息需要在多個系統間頻繁傳遞與對齊，不僅增加延遲和算力負擔，也放大整體調優的復雜度。更關鍵的是，高層語義理解在向底層傳遞過程中逐層衰減，機器人在復雜環境中反應遲緩、泛化受限。

 

銀河通用選了另一條路：端到端。春晚亮相的“銀河星腦”（AstraBrain）是最新技術成果，這是全球首個集成“大腦-小腦-神經控制”于一模的全身全手端到端大模型，打通從多模態感知到實時反饋控制的全鏈路。

 

 

端到端的優勢在于全局最優，要實現人類級別的靈巧操作，必須打通從高層語義理解到低層電機控制的全鏈路，實現全身協同與全手精細操作的深度融合。

 

模型在虛擬世界中經歷億萬次交互試錯，習得的不是特定任務的預設軌跡，而是對物理世界交互規律的深度理解。

但這在2023年是一條少有人走的路。銀河通用的策略是“大腦優先、身體務實”，機器人Galbot采用輪式底盤而非死磕雙足行走，把研發資源集中在最核心的泛化抓取與推理能力上。

 

在數據上，銀河通用同樣走了一條非主流路線。行業普遍依賴人力遙操采集真機數據時，銀河通用構建了全球規模最大的百億級具身智能數據集，開創了數據基建“銀河星坊”（AstraSynth），首創“以合成仿真數據為主、真機數據為輔”的虛實融合訓練范式。在高精度物理仿真環境中生成海量多樣化場景，讓機器人在虛擬世界遍歷各種極端情況，再以極少量真機數據完成實戰校準。

 

基于這條路徑，銀河通用實現了少量樣本（Few-Shot）甚至零樣本（Zero-Shot）讓機器人對新場景“舉一反三”的泛化能力。基于這樣的技術路徑，實現了真機訓練效率比特斯拉高1000倍、基于該數據集訓練的模型成功率達到 99%，遠超全球同類具身智能企業，且是目前全球唯一實現從仿真數據訓練到泛化抓取商業化全鏈條閉環的企業。2025年數博會上，這一合成數據集被國家數據局列為高質量數據集典型案例，成為具身智能領域數據基建的示范樣本。

 

在創業初期做出的關鍵選擇，構成了銀河通用后來估值登頂的技術底座。

 

02 

春晚，一場國民級的技術驗證

 

 

這些選擇在2026年春晚得到了一次高強度的公開驗證。

 

馬年春晚上，銀河通用被央視總臺指定為“2026年春節聯歡晚會指定具身大模型機器人”——干活機器人首次登上春晚舞臺。節目中，機器人在沈騰、馬麗身邊全自主完成盤核桃、撿拾玻璃碎片、貨架精準取物、疊衣理物、串制烤腸等任務。官方稱所有操作由銀河星腦實時決策、自主完成，非預設程序。

 

面對隨機擺放的真實物品，春晚變化的舞臺燈光，機器人需要對陌生環境實時理解和應變，這恰恰是端到端路線追求的能力。無論是盤核桃時的指尖力度控制，還是疊衣服時對柔性物體的實時形變適應，機器人“見過”的不是特定物品的特定動作，是物理世界的交互規律。

 

03

“真假”具身大模型

在春晚高光背后，具身智能賽道里，“具身大模型”這個詞，成為一個代表具身智能最前沿技術趨勢的“性感”概念。

 

在大熱的具身智能賽道，部分公司將參數規模有限、只能在固定場景完成固定動作的專用模型，對外表述為“具身大模型”。一時間，行業中出現了各種“具身大模型”。

 

但真正意義上的具身大模型，需要滿足幾個硬條件：跨任務泛化、跨場景遷移、統一架構下的端到端閉環，依托大規模數據訓練，并具備持續擴展能力。銀河通用的“銀河星腦”是業內少有的真正達到大規模訓練的具身智能大模型。

 

而那些針對特定場景、特定動作或固定流程優化的工程模型，本質上是“應用層調優”而非“基礎模型構建”。兩者的差距不是參數量的多少，而是能力范式的根本不同，一個只能在預設環境中完成預設動作的機器人，和一個能在陌生環境中自主決策、靈活操作的機器人，代表的是完全不同的產業價值。

 

類似的情形也存在于“落地階段”。具身智能進入產業應用階段后，行業內“真實生產部署”與“展示型應用”共存。

 

所謂真實應用，是機器人進入核心業務流程，承擔明確生產職責，穩定性、良率、節拍、故障率等指標達到工業標準，納入客戶驗收與持續運營考核。而展示型應用通常發生在可控環境中，任務流程經過預設與排練，未納入正式生產系統，更接近技術展示或市場傳播行為。

 

過去一年行業的核心敘事是“機器人干活兒”。但同時也一直有“機器人被移出工廠”的爭議，本質上反映的就是這一問題：如果技術尚未達到工程化穩定水平，僅靠演示和階段性合作，無法在真實工業體系中長期存活。

 

工業場景不接受噱頭，只接受效率、穩定性和成本結構的改善。

 

概念的泛化其實是行業進入洗牌期的信號。當“大模型”和“落地”都可以被包裝，真正能拉開差距的，只剩下一件事：機器人到底能不能在產線上穩定干活。

 

04 

進廠干活，才是唯一的檢驗標準

2026年1月，銀河通用發布工業重載機器人Galbot S1，雙臂最大負載50公斤，產品達工規級別，已在寧德時代電池工廠的復雜工業場景中實現全自主作業，納入正式生產節拍體系，經受了真實工況的嚴苛檢驗。

據公開報道，這是目前唯一在寧德時代常態化運行的人形機器人，而寧德時代也是銀河通用迄今唯一投資的具身智能企業。

 

在馬年春晚另一節目《山海尋夢》中，Galbot S1與航天衛星、C919等大國重器同臺亮相。

 

 

除寧德時代外，銀河通用已與德國博世、豐田汽車、北汽集團、上汽集團等全球制造業龍頭建立合作，累計訂單達數千臺。

 

消費端同樣在放量。“銀河太空艙”便利店半年落地20余城市超100家，實現全球首個百臺級機器人自主運營規模落地；智慧藥店覆蓋24城近40家，單店管理超5000種SKU；即時零售倉創下全球首個7×24小時不間斷運營超一年的行業紀錄。

 

在醫療領域，銀河通用與宣武醫院、華西醫院等頂尖三甲醫院深度合作，推動機器人在病房、藥房、導診等場景落地。

 

王鶴透露，目前已在讓機器人給老人量血壓、做認知測試，再逐步過渡到夜間查房。

 

他對節奏的判斷是“先B后C”，“工商業先跑1萬臺，硬件、安全、成本磨到'無感'后，才會真正走進千家萬戶。樂觀估計，10年內會出現家用普及拐點。”

 

05 

資本涌向具身智能頭部公司

銀河通用并非唯一在密集融資的玩家。2026年開年至今，具身智能資本熱度不減反增。據中國信通院數據，截至2025年12月，我國具身智能和機器人領域融資總額達735億元。

 

錢在涌入，但涌向了越來越少的頭部公司。行業正在經歷一輪由過度共識引發的估值調整期。市場在等第一批無法實現商業交付的具身智能企業被清退。

 

九合創投王嘯在最近一次采訪中說，100多家公司最后剩個三五家，90%以上的錢和資源都是犧牲掉的，沒辦法的事。王嘯把這個邏輯講得更透：“具身智能是硬件加軟件的事，軟硬件都要強，還得做好場景適配，燒錢周期比純軟件長得多。”

 

銀河通用的估值仍然為具身智能賽道最高。在這個時間窗口，拿到錢本身就是一種壁壘。

 

本輪央企、大產業集團的重金大筆投資，也帶來了場景層面的戰略支持。中國石化的加油站網絡、石油化工高危場景及數萬家易捷便利店，為銀河通用在智慧能源與智能零售領域打開了廣闊的應用空間；中信集團坐擁包含高端制造基地、商業地產在內的龐大業態，將為銀河通用在智能制造與智慧服務領域提供豐富的落地場景；上汽集團的入股，也標志著上汽集團從汽車整車到零部件、上下游各大場景方均會與銀河通用深度整合落地。

 

加上此前已有的中網投、國開行、中國移動產業鏈基金、中金資本、央視融媒體基金等國家級基金及央企產業資本，銀河通用的投資人矩陣在行業內可以說是最厚實的產業資源池。

 

銀河通用的籌碼是：端到端路線被逐步驗證、百億級數據集構成壁壘、寧德時代等工業場景提供了商業化早期證據、國資產業資本矩陣提供了場景確定性。

 

王鶴說：“三年內要看到1萬臺人形機器人完全自主干活。”