从工业现场长出的具身智能：群青智能完成近亿元融资

硬氪获悉，工业具身智能公司「群青智能」近日完成近亿元融资，获得赛智伯乐、杭州高新金投、东方富海共同支持。

2025年，我国人工智能核心产业规模突破1.2万亿元。具身智能机器人等融合新业态蓬勃生长，一条万亿级产业新赛道正在加速形成。群青智能所深耕的工业现场，正是“智能”从数字世界走向物理世界的关键落地场。

从产线出发：工业具身智能的真实试炼

人工智能正以前所未有的速度重塑产业运行逻辑。相比通用大模型在开放场景中的快速演进，工业场景对人工智能提出了更高要求：它不仅要“能说会道”，更要在高噪声、高复杂度、极低容错的现场环境中做到可用、可靠、可复制。

群青坚信，工业人工智能必须从“实验室演示”走向“产线可用”，从“辅助判断”走向“创造经营价值”。因此，群青从一开始就生长于工业现场，扎根于真实产线，从具体工艺、真实数据和客户经营结果中定义模型能力，让人工智能在现场接受验证、在交付中完成迭代，从而真正打通工业AI的商业闭环。

从真实工艺出发，让模型能力在现场接受验证

在众多工业场景中，群青首先选择了焊接。

焊接作业不仅复杂多变，对精度、稳定性与可靠性要求极高，还伴随着高温、强弧光和焊接烟尘等职业健康风险。尽管焊工薪资逐年上升，新一代年轻人从事焊接工作的意愿却持续走低。焊接岗位面临着极其严峻的技能人才缺口。《制造业人才发展规划指南》指出，制造业重点领域人才缺口已接近3000万人；全国焊工整体缺口达300万至500万人，并呈持续扩大趋势。

与此同时，“效率-柔性”悖论正在成为制造企业必须破解的关键命题。以客车行业为例，平均每款车型的焊点可达数千个，而客户订单周期往往只有一周。动辄数天的换产调试、密集的人力投入和管理成本，持续挤压企业利润。焊接柔性能力，已经从“效率问题”变成了“生存问题”。

群青SPELL在双机器人复杂工件场景中自主作业

也正因如此，焊接成为检验工业具身智能成色的典型场景：它要求机器人不仅能够执行轨迹，更要理解工件、理解工艺、理解物理约束，并在复杂变化中稳定完成任务。资本市场也已开始关注这一方向。2024年，美国智能焊接机器人企业Path Robotics完成1亿美元D轮融资，反映出智能焊接在解决制造业柔性与技能短缺问题上的价值。相较之下，中国拥有规模庞大、类型丰富且高度复杂的工业场景，为群青工业具身智能的持续迭代提供了高质量的工程验证环境。

以物理AI闭环，打穿复杂制造场景

工业现场的高度不确定性，对自动化系统提出了根本性挑战。传统技术路线面对复杂多变的真实工件时，往往依赖大量人工预设规则。这种方式在简单场景中尚能奏效，但工件越复杂，规则体系就越臃肿，设计与维护成本也随之激增，系统难以投入真正规模化柔性制造。

群青选择了一条更本质的路径：基于对场景的拓扑感知能力，穿透工艺瓶颈，从机理层级构建焊接垂域独有的世界模型架构。

“我们不是让AI‘读取’几何图纸，而是让它‘理解’物理世界。”群青智能CEO吴哲明表示。

通过感知、推理、决策、执行、交互等全栈能力搭建的具身智能机器人，群青在PIML（Physics- Informed Machine Learning）框架下实现了关键突破：以自研物理 AI“青金石”为核心，将物理约束与工艺机理深度嵌入模型架构，打通Real2Sim 与 Sim2Real 的双向链路，和真实世界的精准对齐，让具身智能在复杂物理环境中稳定执行工业任务。

如果说传统自动化是“用规则适配世界”，群青所做的，就是让AI遵循物理规律、掌握工艺机理，在真实世界中自主感知、决策与执行，使焊接机器人从执行固定规则（rule-based）的自动化工具演进为工业具身智能体，真正进入制造现场。

工业具身智能的竞争，本质是对物理世界认知深度的比拼。真实数据，特别是含物理约束的真实数据，是焊接智能体进化的关键，需要在工业生产中长期沉淀、大量积累。谁拥有物理信息驱动的模型架构与多场景的数据资产，谁就掌握智能体泛化的核心能力。

依托技术内核和灵活的产品形态 ，群青已形成从现场部署、端侧学习到能力内化的客户价值闭环。其智能体在客户现场持续学习 ，并沉淀为客户专属端侧模型 ，支撑多产线复制与场景泛化。同时 ，基于脱敏数据和跨客户、跨行业知识图谱 ，群青持续优化基础模型架构 ，迭代智能体全栈能力。结合自研测试数据集，公司目前已积累300TB以上真实焊接过程数据。

在某头部制造企业的实践中，群青不是把人工智能作为单点工具嵌入流程 ，而是围绕工业现场的真实痛点 ，构建从数据采集、模型训练、系统部署到持续优化的完整闭环。通过对行业数据的长期积累和生产工艺的深入理解 ，群青定义并训练了面向具体工业任务的专用模型 ，使人工智能能力从“概念演示”走向“产线可用”，从“辅助判断”走向“创造经营价值”。

更重要的是，群青的实践正在呈现出从“点状突破”向“全链智能”跨越的趋势：能力边界正从焊接工序逐步延伸至上下游的切割、打磨、喷涂等关键环节，应用范围也从生产制造现场逐渐向设计研发、管理运营等核心流程拓展。 由点带面、以用促训、泛化突破，群青正在从一个个经过验证的工业智能场景中，提炼形成面向制造业全流程提质增效的系统能力。

群青的实践表明，人工智能产业化，仅拥有先进模型是不够的，关键是更要回答好三个问题：数据从哪里来 ，模型为谁训练 ，价值在哪里实现。群青给出的答案清晰而务实：数据来自真实工业现场，模型服务具体行业任务，价值在客户产线和经营结果中实现。

某头部商用车集团在首批数十套群青智能体系统成功落地后，已追加预算，并在集团多个生产部门及二级公司推进合作，形成“量采—验证—追加”的闭环。这一路径验证了群青智能体在复杂工业场景中的可靠性与经济性：换型效率提升70%以上，设备利用率提升35%以上，ROI周期缩短至0.5至1.5年。

某头部能源装备企业将群青智能体引入其灯塔工厂，并在二期工程中预定部署位置；其旗下自动化解决方案公司也与群青建立战略合作，将经过高定制、高复杂度场景验证的产品推向更广阔市场。这种灯塔验证与渠道绑定的模式，让群青的技术能力进一步渗透至能源装备产业链上下游。

2025年底，群青完成了跨行业泛化的关键一跃。不仅实现商用车TOP5覆盖，还成功为某道路工程机械上市公司交付方案。面对两个领域差异显著的工件结构、严苛的工况和完全不同的工艺要求 ，群青智能体证明了其世界模型架构并非单一行业的定制方案，验证了具备横向拓展的底层通用性。据群青介绍，公司业务目前已覆盖商用车、能源装备、重型机械等多个领域。

从“一个车间试点成功”到“换条产线照样可用”，群青正在工业界最严苛的场景中，完成从单点验证到规模复制的关键跨越。

把论文写在产线上：重新定义工业AI的实践范式

群青由四位清华博士联合创立 ，创始团队共同出身于清华大学机器人焊接实验室 ，长期深耕先进制造领域；创始人兼CEO吴哲明博士曾在美国加州大学伯克利分校机器人控制团队开展研究工作。团队由此形成了覆盖制造工艺、机器人控制与多模态感知的全栈核心技术能力。

这是一群从顶尖实验室走向高温、噪声、粉尘与弧光的人。他们用论文公式、机器人控制算法和一次次调试，把理论研究与真实产线连接起来。早期在客户车间 ，他们曾在40℃高温下调试设备 ，在弧光闪烁的工位旁守完整个夜班 ，把学术研究里的“理论可行 ”一点点翻译成产线上的“可用可靠”。

工业AI真正需要的，正是这样既懂算法逻辑、又经受过产业现场淬炼的复合型人才。这样的人才必须在真实产业场景中长期“浸泡”出来。群青团队正是这样一支在焊花与代码之间成长起来的队伍。

近期，团队正在引入专注PIML研究数年的北美AI领域资深专家，进一步补足智能体架构的底层研究。公司目前已获评国家高新技术企业，并斩获2024中国创新创业大赛赛区一等奖（第一名）、省部级科技进步奖、2025西门子Xcelerator公开赛全国一等奖（第一名）等荣誉。

从深厚的科学研究积累，到数年的技术实践打磨 ，再到与多行业头部客户深度合作 ，群青正加速向“智能体2.0” 阶段演进：一方面推动垂域模型的大规模部署 ，另一方面拓展跨场景、跨行业的泛化能力。

群青智能创始团队表示：“人工智能真正进入工业，不是把一个通用模型搬进工厂，而是要在现场理解现场，在工艺中学习工艺，在真实生产中创造真实价值。”

站在人工智能与实体经济深度融合的临界点，群青所代表正是这样一条具有生命力的产业路径：从场景中来，到场景中去；以数据定义模型，以模型服务产业；用真实价值穿越技术周期。

这也是工业具身智能走向成熟的一条现实路径。