2026年上半年，国内具身智能赛道融资总额达935亿元，是去年同期的5倍。这是一场速度与资本的混战。

哪怕放在具身智能这条新兴赛道里，2000年出生的闵宇恒，也是最年轻的创业者之一。2020年，20岁的他考进重庆大学“明月班”，这是一个以创业为导向的硬科技孵化班，创办人是机器人与自动化领域专家李泽湘教授。

大学期间，闵宇恒两度创业：第一次切入商业清洁机器人赛道；第二次，他加入一个智能制冰机项目。两次创业，让他攒下了本体硬件和运动控制的实战功底。

2024年4月，他进入清华大学（深圳国际研究生院）AI&Robot智能机器人实验室攻读人工智能硕士，很快与实验室同学共同组建了零次方的初始团队。促使他一次次出手的，是同一种心态：“如果你看到了机遇却不去做，你会觉得自己是不那么心安理得的。”他判断，具身智能会是一个规模可能超过互联网的机会。

2025年初，他和清华校友程颐、李宜哲等一起创办了零次方。彼时，宇树科技的人形机器人刚在春晚舞台上收获全民关注，零次方的起点，也是人形机器人。

年轻的团队阵容、清华的资深背景，加上一个足够有想象力的赛道，零次方很快完成了第一轮、第二轮融资。“只要你有一台会走的机器人，钱就来了。”闵宇恒回忆说。

但完成两轮融资后，闵宇恒做了一个与市场热度相反的决定——调整了人形产品线的优先级，将全部火力聚焦轮式移动机器人与抓取算法。

这背后是他对商业的冷静考量。人形机器人更偏炫技，离规模化商业场景较远，他想做更刚需、高频，更有商业价值的事。

于是他把目光锁定抓取。这源于他从大语言模型的进化中得到的启发。“在大语言模型里，coding是增长最快、最快实现营收的方向。Claude证明了coding有绝对反馈——代码调整后能不能跑通，是可以立刻验证的0和1结果。如果把coding称为大语言模型的元能力，那具身智能的元能力是什么？抓取，是机器人贯穿始终的原始技能。”

闵宇恒确定的终极目标是，做一家“抓取API化”的公司，赋能给任何需要抓取能力的机器人场景。

实现路径是：在真实场景中完成具身智能的进化。“只有在真实场景里，机器人才能获得真实数据，而数据质量决定了机器人的天花板。”他解释道，“这就像coding一样，边提交代码，边获得反馈，这个循环才能转起来。”

2、做家庭具身：先To B，后To C

零次方最终的愿景，和多数具身智能公司一样，是走进千家万户的家庭场景。

但闵宇恒没有直接冲向家庭场景。他算过一笔账：中国每个家庭每年新增的SKU种类只有几百种，但全球每年新注册的商标约1亿种。 

想要具备通用的家庭抓取能力，摆在面前有两条路：一是直接进几十万个家庭采数据；二是先在零售这些“上游”场景里，把泛化抓取能力练出来。零次方选择了后者，闵宇恒称之为，“一边赚钱，一边赚数据”。

为了验证这条路径，团队做了一次系统的测试：把所有通向家庭场景的路径，按物品泛化、任务泛化、对象泛化重新打分，找出两个“差值最小”的场景——卫生间清洁和超市整理。实测结果是，清洁至少需要全公司两年投入才可能有回报，零售整理这条线大概只要半年。

因为场景足够聚焦、足够能落地，公司顺利拿到了第四轮融资。

零次方优先成熟落地的场景是胶囊超市，一个SKU数量有限的商业场景，用来快速把成功率打上去、验证模型是否可行。

在访学现场，我们看到了零次方打造的胶囊超市：一台下身轮式、双臂人形的H1型机器人常驻在一个真实营业的无人零售终端里，客人扫码点单，机器人接到指令后走向对应货位或出餐口完成抓取和配送。 

有校友现场点了一杯咖啡。咖啡机磨豆出液需要时间，机器人在一旁待命；等到出餐时间，抓爪伸进出餐口，稳稳夹住咖啡杯，转身送出，整个过程一气呵成。 

第二个场景是复杂度更高的“大零售”，覆盖100万种SKU。机器人收到订单信息后，前往完成抓取、集中、分拣。

抓取模型的核心问题，也从“抓不抓得住”变成了“堆叠问题”和“分拣问题”：不同形状、不同材质、不同重量的商品，如何在高位货架上稳定堆放？如何在密集订单中快速分拣而不出错？

也正是这些挑战，让零次方的产品有了落地方向。今年，零次方的胶囊超市落地了接近500套设备，拿下了多家大零售头部客户的订单。

成熟的全栈技术与商业闭环支撑下，零次方先后完成第五轮和第六轮融资。2026年4月，由润泽集团领投，实现了超亿元融资，零次方也进一步完善了产业生态。

嘉宾商学校友到访零次方

3、从有感采集到无感采集，从“卡脖子”到“降本”

当多数具身智能公司还在实验室里展示几十种固定物品的demo时，零次方已经在真实商业场景中搭建了自己的数据飞轮。 

闵宇恒认为，零次方目前最强的部分在于“未预设SKU的抓取成功率”。他们如今的成绩是，在接近100万种SKU的真实商品池里，抓取成功率超90%。

数据从哪里来？零次方用了三种采集方式：一类是“遥操采集”，人直接操作机器人完成动作，相当于用人类的经验直接教会机器人；一类是行业内俗称“乌米（UMI）”的穿戴式采集，一套手持设备搭配一台GoPro相机，人戴着它做抓取动作，录下的轨迹之后可以直接迁移到机器人的末端夹爪上，相当于复用了人的手臂；第三类是“无本体采集”，机器人在真实场景工作时，通过远程接管把数据回流回来。

闵宇恒告诉我们，公司在全国已有十几个自建测试场景，参与建设10家地方政府数采中心，已回流近1000万条无感采集数据，覆盖近3万种商品。“数据从‘有感采集’到‘无感采集’，是具身智能第一个飞轮转起来的标志。”

“一流的公司讲究系统能力，二流的公司讲究数据，三流的公司才去探讨模型。”他说。模型要在数据上得到验证，数据要能验证模型架构的改动是否合理。具身智能的商业化落地是一个系统性工程，而不是单点突破。

4、每个垂类赛道，诞生一个巨头

支撑零次方技术路线的，是闵宇恒对具身智能终局的判断：每一个垂类赛道，都会诞生一个“互联网+”式的巨头。

他把行业发展拆成三个阶段：5年内，玩家会在垂直领域里各自为战；中期，具身智能会像当年的互联网一样，被应用到千行百业；终极形态，则是当通用能力被卷到极致，玩家在垂直领域积累的技能会变成一份可迁移的“能力包”，这正是他一直反复强调的“抓取API化”：把抓取能力标准化后，赋能给任何需要它的机器人场景。 

闵宇恒并不急于奔向那个终局。“在这个行业打工，换一个行业我就在另一个行业打工。”他认为，专用机器人和通用机器人会长期共存，具体场景里总会有一个性价比最高的专用方案，纯通用的人形机器人反而不划算。而眼下要做的，是先在一个个具体场景里，把闭环转起来。

这条路并不轻松，尤其是在算力这一侧。闵宇恒透露，零次方训练一个12B到13B参数量的模型，训练成本高昂。且芯片价格逐年攀升，预计还将继续上涨。行业里甚至出现了“点天灯”式的抢卡打法——一些大模型公司直接把资金打给云厂商账户，只要有卡出现就直接买断。

但闵宇恒的判断相对乐观：具身智能的应用场景足够分散，不像大模型赢家通吃，最终能存活下来的中间形态玩家数量，可能会比大模型、火箭的玩家更多。

在他看来，决定这场竞赛胜负的，是两把尺子。一把叫“物理熵”，考验机器人能不能精准抓取每一件物品，克服物理世界的摩擦、受力和形变等问题；另一把叫“环境熵”，是背景、光线等干扰噪音。

眼下，视频数据和生成模型能部分弥补环境熵的难题，但物理熵尚无捷径可走。物理交互的一致性，才是真正的护城河。这也是零次方执着于在真实场景里采集数据的根本原因。

“流水的模型，铁打的数据。”闵宇恒说。模型会不断迭代更新，OpenAI、Claude、Gemini轮番登场，但沉淀下来的真实数据不会贬值，尤其是那些在真实商业场景中、与真实物品交互产生的数据，它们记录的是物理世界的规律。

出品 | 嘉宾商学