从核电站到机器人：一段被福岛改变的职业轨迹
韩峰涛的机器人生涯始于2011年研究生毕业，但第一份工作却是在国家核电——一个看似与机器人无关的领域。他坦言，入职不久便遭遇了日本福岛核电站事故，导致全球核电项目停滞，团队被迫转向垃圾焚烧、光伏、风电等替代能源领域，主要工作是翻译美国第三代核电技术图纸并做国产化适配。这段经历持续近两年，直到一位国际领导朋友推荐他加入一家工业机器人企业。他因此重返机器人行业，2013年正式回归机器人赛道，开启长达两年的工业机器人研发工作。
“刚开始毕业那时候其实还是比较懵懂，第一份工作选国家核电，呃，去了之后日本的福岛核电站它就炸了嘛。”
当时中国工业机器人产业尚处萌芽期：2013年，埃弗特（2008年成立）、埃斯顿（2010年成立）、汇川（2013年切入机器人）等国产厂商刚刚起步；全国工业机器人年销量仅数万台，2014年才首次超越日本，成为全球最大单一市场（当年销量约8万台）。韩峰涛所在的团队正是在这一轮政策与资本双轮驱动的浪潮中，从国企技术岗转向创业一线。
具身智能不是“落地生死线”，而是“模型爆发元年”
具身智能不是“落地生死线”，而是“模型爆发元年”
当前行业热议“2026年是具身智能落地生死之年”，甚至有投资人断言“落不了地，行业就没了”。对此，韩峰涛明确表达不同意见：具身智能的核心仍是模型能力，2026年更应被视为具身模型性能快速爆发的元年，而非最终裁决时刻。
他强调，机器人落地的关键瓶颈早已从硬件转向通用智能大脑的构建——这正是千寻智能聚焦的方向。他回顾了AI与机器人融合的演进路径：早期靠手写规则（传统控制）→ 第一代深度学习+力控+小脑（珞石、梅卡曼德等尝试缝衣、磨刀等特定任务）→ 直到2023年ChatGPT发布，才真正具备构建通用智能机器人的全栈技术基础。
“二六年不会是具身行业的落地生死之年，而是具身模型的性能快速爆发的一年。”
这一判断源于他对技术周期的深刻理解：工业机器人市场虽已壮大（2024年中国年销量约30万台），但全球总量仅50万台，按单价2万美元计，市场规模约100亿美元，仅相当于理想汽车半年销量。要突破这一天花板，必须依赖更通用、更自适应的智能能力，而非仅靠硬件迭代或局部优化。
创业认知的三次跃迁：从“三年上市”到“做大脑”
创业认知的三次跃迁：从“三年上市”到“做大脑”
韩峰涛的创业历程，本质是认知不断升级的过程：
- 第一次跃迁（2015年）：与国机同事创立“落实”，以“三年创业、五年上市”为朴素理想，用Word写60页BP，坚信“技术好就能卖出去”——这是典型的无知者无畏；
- 第二次跃迁（2020年代初）：在工业机器人国产化浪潮中，亲历市场从“500台打平”到“1万台仍不盈利”的残酷现实，见证国产份额从不足3%跃升至超50%，但意识到硬件瓶颈与低毛利困局；
- 第三次跃迁（2024年再创业）：成立千寻智能，明确将“大脑”而非“硬件”作为核心战场：“如果正常来讲，我原来做硬件的，那我这次创业，我先去搞关节、搞本体……但这个是以前做过啊，没啥意思……这次最大的机会还是大脑。”
他将硬件演进类比为手机功能拓展：从无摄像头到3D扫描，从无显卡到3D游戏——传感器与算力是基础，而通用模型才是释放上限的关键。当Figure与OpenAI展示具身模型融合效果、波士顿动力发布电动Atlas时，他看到的不是硬件竞赛的终点，而是具身智能从“专用工具”迈向“通用代理”的临界点。
“你只要能干更多的事儿，实际上你就能创造一个更大的市场。”
技术革命的定义：为什么深度学习1.0不算革命？
韩峰涛援引阿里云王坚院士的观点，重新定义何为“真正的技术革命”：它必须催生伟大的公司——如互联网时代的Google、百度、新浪；移动互联网时代的滴滴、美团；短视频时代的字节跳动。而2012年AlexNet引发的深度学习热潮，仅是一次“技术进步”，而非革命。
这一判断贯穿他对行业周期的观察：
- 2009–2012年：他在浙大读研时，神经网络正处于低谷，甚至有人将多层网络简化为单神经元PID控制；
- 2013–2020年：深度学习1.0推动3D视觉、力控协作机器人兴起，但受限于模型能力，仅能解决特定场景问题（如缺陷检测、简单装配）；
- 2023–2024年：ChatGPT与VLA零次世界模型出现，首次提供通识认知能力，使“通用机器人”从概念走向工程可行。
他特别指出，当前融资热潮（如千寻近20亿元融资、估值破百亿）背后，是资本对具身模型性能拐点的押注——而非硬件供应链的重复建设。这也解释了他为何反复强调“客户”而非“技术参数”：“客户”是他的肌肉记忆，更是对落地本质的清醒认知。
学霸、折腾者与连续创业者：性格如何塑造创业路径
学霸、折腾者与连续创业者：性格如何塑造创业路径
韩峰涛自述并非“拼命学习型”学霸：高中在河北正定中学（高考大省），成绩稳居班级前三；本科就读华中科技大学，却将精力大量投入学生会、机器人比赛、跨省骑行、拉赞助等“折腾”事务中。他坦言：“我本质上还是非常喜欢折腾的人……特别不喜欢做过的事情再让我做一遍。”
这种特质直接导向他的创业哲学：
- 拒绝路径依赖：第一次创业做工业机器人（硬件），第二次创业仍聚焦硬件（珞石力控协作机器人），而第三次明确转向“大脑”；
- 拒绝低价值重复：当同行在关节、本体领域内卷时，他选择押注模型——因“硬件是基础，但大脑才是释放上限的关键”；
- 拒绝短期叙事：面对“2026生死线”的舆论，他坚持“模型爆发才是核心变量”，体现对长期价值的坚守。
他将自己定位为“中国具身领域的另一条路”：与90后技术新锐高阳（伯克利回国、清华插班生）形成互补——前者代表产业老兵的务实迭代，后者代表AI原住民的范式突破。这种组合，恰是具身智能从实验室走向工厂的关键拼图。
“学生时代这么活跃，为什么你第一份工作是去了国企啊？……客观讲，我们现在回头看是生活所迫。”
大模型是真正的技术革命
2023年ChatGPT的出现，让我清晰意识到：大模型是一场真正的技术革命。回顾历史，每一次技术革命都催生了伟大的公司——从早期的门户网站（网易、新浪、搜狐）、搜索引擎（Google、百度），到移动互联网时代的滴滴、美团，再到短视频浪潮中的字节跳动。相比之下，上一代基于深度学习的技术进步（如CV中的人脸识别、NLP驱动的语音助手）虽有广泛应用，却未能催生巨头，原因在于它们只是功能级的增强，而非范式级的跃迁。
千寻的使命，正是将这场发生在虚拟世界的革命，带入物理世界：构建面向物理世界的通用具身大模型基座，以控制各类机器人执行复杂任务。正如王坚院士所言：“真正的技术革命一定会诞生伟大的公司。”
原话：大模型这次是一个真正的技术革命啊！……客观讲，第一次的深度学习不能称之为技术革命，它是个技术进步。
原话：千寻做的事情其实也很简单。就是把大模型的技术革命从虚拟世界带到物理世界来，我们来去构建一个物理世界的通用的模型或者基座，然后来控制将来控制各种各样的机器人来干各种各样的活儿。
国产替代的教训与创业路径反思
我们第一次创业聚焦工业机器人国产替代，当时误判了商业化节奏——技术成熟度尚可，但市场空间有限。2024年全球工业机器人销量仅50万台，按均价2万美元计算，总市场规模约100亿美元，尚不及理想汽车半年销量的营收规模。尽管汇川、埃斯顿等企业实现了出货与盈利，但行业整体仍处于“有销量、难盈利”的困境，主因是产品高度同质化、竞争白热化。
教训在于：仅靠硬件能力无法构建长期壁垒。我们最初只做机器人控制器（本质是软件系统，即“小脑”），很快意识到：机器人是软硬结合体，脱离本体谈控制器，如同自动驾驶公司只做算法不碰整车——最终仍被主机厂主导。因此，我们转向软硬一体化路线。
原话：你不能说你自己账上钱多，啊，你说我先苟着啊，我等技术路线收敛了，然后我再下场……创业公司只有一个优势就是你的速度快，然后你要尽快把自己的阶段性的技术的优势变成某个细分市场的市场的地位的优势。
具身智能创业的生死线：本体+模型+中厂规模
在具身智能赛道，中美创业路径分化明显：美国公司（如Figure）倾向专注“大脑”开发，依赖第三方本体；而中国公司（包括千寻）坚持本体与大模型同步自研。原因在于：中国缺乏收购文化，大厂几乎垄断全栈能力，创业者若不“先把自己变成中等规模的厂”，将难以生存。
我们内部定义的“中等规模”是：年出货10万台机器人。这一规模对应盈利拐点，且是通往服务/家用场景的必经之路。相比当前工业机器人仅3%渗透率（保有量300万台/亿级制造业工人），具身大模型将显著提升机器人能力边界——从只能执行简单重复动作，跃升至可承担约30%的复杂任务，从而打开十倍级增量市场。
千寻提出的“双十计划”（十年让全球10%人口拥有机器人）即锚定服务与家庭场景。我们预计行业窗口期约5–6年，目标2030年实现百万台级出货。终局市场将呈现“二八分布”：全球头部5–8家企业占据2/3份额，其余由中小厂商瓜分。
原话：为什么工业机器人卖到几万台之后也没有盈利了？……这里面的因素很多。第一个呢是工业机器人整个的出货量还没那么大……第二个，工业机器人已经属于一个行业的后半段，同质化很严重了。
寻找“会干这事的人”：合伙人的生死时速
创业初期，我曾考虑加入大厂或转做投资人，但迅速意识到：高科技创业的核心是找到“会干这事的人”。顶尖AI人才极少加入成熟企业，他们更倾向自立门户——无论是伯克利“硅谷四子”，还是国内头部企业的科学家。因此，解决“人”的问题，是抢占三到五年窗口期的关键。
具身赛道的真正卡点是具身大模型。2023年大半年里，我从6000+联系人中逐一筛选，经100余位推荐人引荐，面谈超百人。最终与高阳（后称“伯克利归国四子”之一）达成“双向奔赴”：他需要产业落地专家（CEO），我需要AI大模型专家（CTO）。我们前后沟通十余次，确认彼此技术路线、使命愿景高度契合。
原话：靠谱的人太少了，骗子太多了……有的人就想，我要加入你可以，但是我带很多人过来，这人到底适不适合新公司也不一定，反正我得带一堆我的人过来。
原话：我还是想去去做一家伟大的公司的……所以选这个合伙人，一定能跟着我们一块儿往前并肩战斗二十年。
选合伙人：技术靠谱与价值观趋同缺一不可
在美AI大战这一时代背景下，千寻坚信自己有机会成为一家伟大的公司——而要实现这一目标，创始合伙人必须能与团队并肩战斗二十年。因此，在早期选人时，技术线是否靠谱是第一道门槛。尽管创始人韩峰涛在2024年融资初期对AI的认知尚浅，甚至被部分投资人评价为“不懂AI”，但他有一个明确判断标准：既然是大模型的机会，合伙人就必须知道如何搞大模型。高阳的背景恰好契合这一点：他早在2017—2018年就已开始研究端到端自动驾驶，同时具备大规模模型训练经验，技术能力经得起推敲。
但技术只是起点，更关键的是价值观趋同。韩峰涛强调，创业过程中必然存在激烈争论甚至冲突，真正决定团队能否长期存续的，是面对人性考验时能否坚守一致的价值观。他们花了十几次沟通，反复探讨分工、创业时长、科研与落地的差异，甚至预设了“拍桌子吵架”后的处理机制。高阳最初给韩峰涛的印象是“像生意人”，说话豪爽、观点犀利；但深入接触后，高阳逐渐确认韩峰涛不仅懂技术，更具备极度聪明、纯粹正直的特质——当然，后来发现他也有柔软的一面（如年会上被同事说哭）。
“你要说黑韩峰涛不懂AI，我也认了，我确实不如高阳懂AI。那你要说高阳我俩还经常拍桌子吵架，那你肯定是没见过高阳。”
“信任的定义很简单：当你的同事给你提出意见或建议时，你要把对方的话当成善意的，而不要过分小心翼翼或防备。”
创业共识：信任与卓越是组织基石
千寻在正式开业时仅有11人，其中还包括高阳的一名实习生。韩峰涛在办公室启用当天的讲话中明确提出两大核心价值观：信任与卓越。信任并非无冲突，而是指团队成员能将批评视为善意，而非攻击——这一点在绝大多数公司都难以实现。而“卓越”则源于现实压力：在融资、竞争与长期生存的多重挑战下，只有卓越的公司才可能存活并成长。
韩峰涛将“正直”定义为尊重客观事实，并以浙大校训“求是”为参照。在具身智能这一高度喧嚣的赛道中，正直意味着不夸大成果、不套用开源代码冒充自研、不造谣对手；反之，不正直则表现为技术虚报、舆论抹黑、散布谣言等行为。他指出，当前行业竞争已远超技术层面，演变为公关战、水军战甚至人身攻击（如编造“韩峰涛与高阳不和”等毫无根据的黑点）。
“正直做法就很简单，就是你应该做什么，这是不是你做的？你说的好坏这些，你是不是如实的向外界传达？”
行业变局：具身智能进入‘大脑’融资爆发期
韩峰涛观察到，具身智能行业的竞争烈度正在快速升级，甚至可能远超当年自动驾驶、半导体与大模型的喧嚣程度。原因在于：行业仍处早期（多数公司尚未实现规模落地），但估值增长迅猛，处于“黎明前的黑暗”阶段；同时，2025年下半年起，资本共识迅速收敛至‘投大脑’——因行业已形成共识：数据瓶颈已被突破，具身模型性能即将进入scaling阶段。
千寻第一轮融资仅3000万元人民币（估值3亿元），而2025年新成立公司动辄融资十几亿。韩峰涛认为，2026年将成为关键分水岭：若无法在该年融资并进入头部，后续新公司几乎无上牌桌机会。这与2023年大模型窗口关闭前的格局高度相似。
为突破数据瓶颈，千寻从2024年起坚定选择真实数据路径，而非仿真数据——参考自动驾驶经验，仿真到现实的gap难以弥合。其数据策略分为三步：① 20万小时视频数据预训练（高阳多年积累）；② 遥操作微调（高质量但低效）；③ 自研可穿戴设备实现低成本规模化采集。团队从2024年5月启动设备研发，历经4代、数十次小版本迭代，将数据可用性从20%~30%提升至95%，为后续scaling奠定基础。
从30%到95%：可穿戴设备数据可用性的攻坚之路
千寻在早期面临的核心挑战是可穿戴式设备采集数据的可用性极低——初始阶段仅为20%~30%，远低于遥操作方式。问题集中体现在三方面：动作学习所需数据量是遥操作的3~5倍、维度不足、以及位置与视频视觉精度偏低。为突破这一瓶颈，团队在过去一年半中完成了近百次迭代，将数据可用性提升至95%。这一成果并非依赖单一方向，而是设备、数据管线与算法三端协同进化的结果。
在设备层面，团队否定了“简单五米臂”的学术方案，转向轻量化、高精度、全身动作捕捉的定制化设计；在数据处理端，构建了全流程AI驱动的数据切段、标注与质检管线；在算法侧，则针对低质量数据开发了鲁棒性更强的学习策略。由于该领域缺乏成熟经验可循，绝大多数突破来自团队自主踩坑——尽管从自动驾驶背景中吸纳了部分工程化人才，但真正关键的机器人数据定义、处理范式与模型适配，均属原创探索。
我们也是在 Sunday 和 Generalist 公布了他们的设计之后，发现哦，我们做的事情其实很像。
数据战略：百万小时真实数据+视频预训练+强化学习闭环
千寻的数据策略已进入规模化落地阶段：自2025年1月起铺量部署可穿戴设备，至Q2积累近十万小时真实干活数据，并计划全年采集100万小时。当前预训练数据结构为视频数据为主（量大、成本低、场景广）+可穿戴设备数据为辅（精度高、动作细）；遥操作数据则主要用于模型微调；最终通过真实场景下的强化学习（如 roll-out 与 failure case 收集）实现闭环优化。
值得注意的是，中美资本环境差异深刻影响了数据投入节奏：在美国，投资人愿为纯数据基建投入数亿美元；而在中国，必须同步推进商业化Demo（如宁德时代项目），否则难以持续融资。高阳坦言：“如果第一天有人给我两亿美金、三亿美金，我就第一天就 all in 搞数据。” 这种现实约束，使得千寻在80%以上资源投入数据攻坚的同时，仍需分配20%精力用于场景验证与客户对接。
客观讲，尤其是二四年……你告诉投资人说，OK，我要搞具身大模型，我就要搞数据，你别问我商业化，也别问我demo，什么都别看，我就是我们因为有高阳的AI，因为我有我的硬件，你相信我一定会能把它搞出来的。我觉得没有人投资人会会相信这个事儿。
商业化与模型演进的双轨并行：宁德时代落地的启示
千寻将具身大模型发展类比为大语言模型路径：当前阶段≈GPT-2水平，尚不具备 Agent 能力，因此2027年前90%精力将聚焦基模预训练与 scaling。但与LLM不同，机器人模型需与硬件、场景深度耦合——模型能力提升必须与商业化探索同步进行。若等到模型成熟再启动落地，将错失场景定义与数据占位先机。
宁德时代项目（2025年元旦启动）即为典型案例：选择“电池插拔检测”环节，因其满足三大条件——无需非标改造、天然适配力控、生产节拍较慢，成为技术早期落地的理想切口。项目从接触到验收耗时11个月，其中大量时间用于非模型环节；但若采用最新模型，部署周期可缩短至1个月。这一实践验证了千寻“全栈能力”的价值：AI、硬件、ToB商业化三位一体，缺一不可。
我们选的场景应该是所有的具身智能公司里最适合第一批落地的。
场景选择：技术可行性与工程落地的精准平衡
千寻在选择首个工业落地场景时，采取了高度理性的技术-商业耦合策略：插拔检测这一工序之所以被选中，是因为它同时满足四个关键条件——端到端模型可直接部署（无需非标自动化改造）、依赖力控技术（技术必要性）、生产节拍较慢（适配早期技术成熟度）、容错率高（插头尺寸大、失败可重试）。这些特性共同构成了一个“技术可跑通、风险可承受、数据可闭环”的理想试验场。宁德时代提供了近200个工序作为候选池，团队从中筛选出唯一一个既匹配当时端到端模型能力、又满足节拍与容错要求、还能让机器人真正进入真实产线以采集强化学习数据的场景。这一过程凸显了场景选择能力在具身智能落地中的决定性作用。
“你只有 AI、硬件和 To B 销售能力都强，你才能把整个流程跑通。任何一点不行，你都跑不通。”
“这个场景的容错率也很高啊，因为你插完，你第一次没插进去，你机器再重新试一次就好了。”
落地方法论：现场研发+基模优先的双轨策略
在宁德时代的落地实践中，千寻建立了专属宁德小分队，实现研发人员长期驻场——代码、模型、策略现场迭代，而非远程交付。这种“研发进产线”模式虽短期成本高，但解决了基模能力不足下的工程化难题：无法仅靠微调适配，需大量场景专属数据采集与工程重构。为降低长期交付成本，公司确立了清晰的长期路径：先全力提升基模至 GPT-3.5 级别，使模型具备 strong zero-shot 能力（70–80% 初始成功率），再赋能客户自主完成微调与部署，从而实现“机器人+标准模型+数据管理平台”的标品化交付。
这一战略也解释了为何千寻在本轮融资中引入华为、小米、京东等实业背景产投——他们不仅是资金方，更是具身能力的共建者：千寻提供基模与机器人，产投方提供场景与工程资源，共同构建具身 agent 的物理底座。因此，公司资源分配高度聚焦：90% 精力投入基模迭代，10% 用于客户赋能与生态协同。
“你不能在北京做研发，然后把模型发过去，让现场的 FAE 来搞这个事，不行，研发要到现场去。”
“二六年我们跟我们很多产投……我们将来提供标准的机器人加模型加数采能力，然后客户在我们上面做机器人的 agent。”
落地节奏：工业先行，家庭待机，安全是终极瓶颈
千寻对具身智能的落地节奏判断极为务实：工业场景优先（动力电池、物流、酒店零售），因其具备大市场、高增长、客户集中、付费意愿强、需求全球化五大特征；而家庭服务虽为最大市场，但安全问题构成核心瓶颈——机器人重量（数十公斤）、电池容量（≈3 倍电动自行车电池）、跌倒风险等硬件约束，短期内难以满足家庭环境的伦理与监管要求。团队认为，固态电池成熟或极小型化（如挂载式、插电式专用机器人） 才是家庭落地的真正起点。
在技术路径上，千寻不追求“通用机器人”，而是推动“有泛化能力的专用机器人”先行：如欧美已有的“洗衣机-烘干机-叠衣”链式机器人，或阿罗哈式小型机械臂，以有限场景+大模型泛化能力实现早期商业化。这种“小而准”的策略，既规避了通用落地的高风险，又保留了技术演进的弹性空间。
“进入家庭最主要的一个点是安全问题。在没有解决好安全问题之前，可能进入到家庭还是比较难。”
“我觉得这种用上大模型技术，但是解决一两个问题或者少数几个问题这种有泛化能力的专用机器人，我觉得也是一个可能是第一批家庭落地的场景。”
融资窗口与模型性能爆发期
在当前融资竞争加剧、中国创业环境特殊的背景下，融资窗口能否持续至2026年是关键问题。韩峰涛认为，只要行业能持续看到模型性能的阶段性提升（如清晰的 scaling law 曲线），投资信心就不会动摇。这与美国具身智能公司的实践一致：除 NVIDIA 外，其余公司普遍依赖真实数据，并已统一转向可穿戴设备采集路径。2026年将成为行业分水岭——若企业未能在此前建立技术与数据壁垒，将难以进入下一阶段竞争。这也解释了为何新晋公司一成立便能获得高额融资：“你不融这点钱你上不了牌桌。”
“二六年是就类似于二三年，二六年如果你上不了牌桌，我觉得就没戏了。”
“只要大家能看到变化，能看到进展，我觉得大家的信心会一直持续。”
落地卡点与技术演进路径
团队内部反复推演失败可能性，核心风险集中于两点：技术路线偏差（如接入线错误）与模型进展不及预期（如无法如期达到 GPT-3.5 级别）。但当前硬件与供应链已趋成熟，真正的瓶颈仅剩模型能力本身。千寻判断，大模型能力突破将直接驱动落地加速——例如叠衣场景中，传统机械臂可完成抓取动作，却无法理解“褶皱”与“铺平”的语义；而大模型的作用正是赋予其对衣物状态的泛化判断能力。同理，在插拔操作中，AI 的核心价值在于实时响应位置偏移并动态调整动作，而非依赖固定程序。因此，一旦模型能力跃升，商业化进程将进入快车道。
“大模型其实是只解决了一个事儿，就是告诉他这衣服是平的还是皱的。”
“只要大模型技术到了三点五，落地也会非常非常快。”
牌桌准入标准与竞争格局
能进入2026年“上牌桌”阶段的公司需具备三大特质：深厚的 AI 背景（无论源自早期积累或自动驾驶等跨界经验）、合理的估值与充足资金储备（避免因账面资金不足被挤出）、以及中国市场的商业化落地能力（包括产投协同与场景理解）。数据量是基础指标，但数据采集加速度更为关键——这取决于数采设备、数据管理平台、训练 pipeline 等基础设施的迭代效率。对于2025年下半年成立的公司，若能获得1-2亿美元融资，可通过复用行业经验缩短爬坡期，仍有突围机会。
大厂入场影响方面，韩峰涛认为：华为、小米等软硬整合企业更具长期优势，但其战略重心尚未转向具身智能——因商业化尚未规模化，大厂不会提前投入重兵。预计2028-2029年才是大厂深度下场的临界点。因此，千寻的策略是：以速度换空间，在大厂下沉前完成从创业公司到中型企业的跃迁。其内部目标明确：2026年达成具身大脑全球 Top 3，模型能力达百万小时数据量级，融资地位稳居中国头部。
“速度是我们唯一的优势。”
“在你解决卡点之前，你要聚焦；在你解决卡点之后，你要看速度。”
创业至暗时刻：背债千万、裁员降薪、学区房断供
2015年千寻成立初期仅靠300多万做软件，但很快意识到必须转向整机方向——预算认知缺失导致资金链迅速吃紧，盲目扩张与堆库存让公司一度濒临倒闭。2016年靠CEO向亲戚借款勉强撑过两个月；2017年融资时遭遇投资人临门压价：原承诺的6000万缩水至3000万现金+3000万可转债，并附加苛刻条款。因已拒掉其他投资人，团队被迫继续借钱维生，三名联合创始人共同背负超1000万债务，而当时三人月薪仅8000元。
2019年公司人员从300人裁至150人，全员降薪，三位创始人税后月收入仅约1.1万元。彼时刚换购学区房，月房贷达4万元，最终连首付都搭进还款。“那年冬天特别冷，三千块的羽绒服也舍不得买”，韩峰涛回忆道。为还贷，他采纳朋友建议：向多人各借5万元——既降低对方心理门槛，又凑足应急资金。
“实话说，当时也没有觉得能解决，但是当时你只能想办法去解决。”
“如果没有那次裁员，二零年落是肯定没了。”
认知迭代：从技术自信到数据驱动的范式转变
韩峰涛坦言，2024年是他个人最大的认知转折点——从传统机器人思维转向AI原生视角。早期他笃信“小脑”（运动学/动力学建模）应主导控制逻辑，认为大模型只需提供高层指令；但随着与AI背景合伙人高阳深度协作，逐渐意识到数据质量与规模才是具身智能落地的核心壁垒。
2024年5月，团队在自研可穿戴设备与机器人期间陷入数据采集僵局：因坚持使用自有机型采样，导致模型迭代停滞。高阳力主采购外部机器人（如方舟无限）以解耦数据采集，尽管预算紧张仍投入近200万。此事促成关键共识：主航道上凡能提升模型性能的投入，必须坚决执行，且以AI视角的判断为准。
“我们看到技术背景出身的创始人讲BP时，眼里那种‘没被社会毒打过的纯粹自信’，就是十年前的我。”
“其实纠错很简单：信任文化下，别人指出错误时你能接受——因为相信对方是为公司好。”
组织进化：信任为基，直觉为锚，做改变世界的大事
经历两次生死危机后，千寻确立两大组织基石：信任文化与追求卓越。韩峰涛认为，当创始人直觉发生冲突时（如机器人派与AI派），纠错机制不依赖流程，而依赖“愿意被指出错误的开放心态”——这建立在对同伴动机的绝对信任之上。
他强调，创业初心并非逐利或求名，而是在AI时代抓住改变世界的窗口期：“工业机器人再成功也只是垂类小行业，而具身智能有机会重塑现实。”这种使命感驱动团队在融资、扩张、技术路线等关键决策中保持战略定力，也解释了为何在20亿新融资背景下，仍坚持“落地非共识”——即不随大流追逐短期热点，而是深耕技术本质。
“一个人，开煎饼摊也好、搞具身智能也罢，从零到一把事情做到极致很难——不如做点大的。”
做大事的原点：改变世界的野心与时代机遇
韩峰涛坦言，创业的原点并非功利目标——比如赚钱或领奖——而是源于一种更本质的驱动力：人生的意义感。对他而言，真正有吸引力的是“一群人把一件很厉害的事儿干成”。早年做工业机器人时，他深切感受到技术的局限性：即便做到极致，也仅能在一个垂类小行业里“做一点事儿”，既无法改变行业，更谈不上改变世界。而AI赛道，尤其是具身智能，则提供了前所未有的可能性——这是第一个中美真正同时起步的硬科技领域，且中国在人才、数据素材、应用场景与制造成本等方面具备系统性优势，甚至优于美国。
“具身智能是第一个中美同时起步的赛道，中国在人才、素材、场景、成本上，系统化优势比美国还要好。”
“中国一定会有几家优秀的具身智能公司成长为全球顶级的具身智能公司。”
从工业落地到通用智能：一代创业者的认知跃迁
千寻并非韩峰涛的首次创业。早在2016年前后，他便投身机器人领域，服务过日本京瓷等客户，开发了高度定制化的磨刀工作站——一个融合高精度3D视觉、力控与自适应机械臂的封闭式自动化系统。该系统虽技术前沿，却受限于极小且停滞的市场：中国四大刀具产地（广东阳江、浙江杭州、重庆大足、山东青岛）的产业高度碎片化，人工依赖严重，而机器人难以复用。这段经历让他深刻体会到：过度垂直的解决方案虽能短期创收，却难以规模化，甚至会因场景壁垒而“栽跟头”。
这正构成了千寻的底层认知：具身智能的真正难点，不在于模型本身，而在于能否将前沿技术与产业真实需求深度咬合。韩峰涛与高阳等团队成员，既具备工程实现与技术组合能力，又对制造业老板的决策逻辑、落地场景的残酷性有切身体会。这使得千寻在2026年关键窗口期，选择以模型性能突破为支点，推动机器人从工业产线走向更广阔的商业服务乃至家庭场景——目标是让机器人“真的能进入千家万户，帮我们干活”。