端侧推理成本从 20 万砍到 1 万，眸深智能把动作做成 token 这门生意怎么算账？

刚刷完 36 氪硬氪那篇，复旦教授、前英特尔首席科学家下场做的端侧具身大脑公司眸深智能（Motion Brain），刚刚追加了一笔近亿元的 Pre-A 轮。这事情单独看不大，但和之前的数据放一起看就有点意思了——公司刚成立那一年回款就到千万元，次年上半年直接拉到 3000 万元，预测今年能冲到 5000 万元以上；两年估值翻十倍。两个指标一个比一个离谱。这背后真正撑得起来的数据反而不是融资金额，是他们把推理硬件成本压下来这件事。

先把这个成本数字本身说清楚。据眸深智能创始人穆泽林在采访里讲，他们的思路是从模型开源起就同步推两件事——模型压缩和国产芯片适配。模型这边，通过蒸馏加冗余参数裁剪，把千亿参数级模型压到百亿级别，参数规模降了大约四分之三，端侧推理延迟从 200 毫秒掉到 10 毫秒上下。硬件这边，模型同步适配海思昇腾 310/910、地平线、燧原 S60 这些国产芯片平台。最终跑出来的结果是，端侧推理成本从 20 万元降到 1 万元，大脑续航时间提升一个数量级，精度和性能不掉点。这套工程化工作也直接帮他们在 IJCAI 当年的全球赛场上拿到了最佳论文奖，是最近这个周期内唯一拿这个奖的中国大陆团队。这串数字摆在一起看，值得琢磨的不是单个数字有多漂亮，而是他们把成本打下来的方式——不是靠等摩尔定律，是靠把软件、芯片和场景一起做软硬协同。

技术路线上看，他们和现在具身智能圈子普遍在做的 VLA（视觉-语言-动作）模型走了完全不同的路。VLA 那一派的逻辑是把动作当成视觉和语言的下游信号来预测，结果是动作僵硬且多样性差。眸深的做法是把动作本身做成 token。具体路径上是这么过来的：从团队做出来 MLD 起，他们就把动作映射到隐空间里，再用扩散模型去还原，这套思路在行业内是头一次；之后发布的 MotionGPT 把人体姿态拆成大约 3000 个动作基元，类似汉字的常用字表，靠预测下一个动作 token 来生成复杂行为，这一篇也发在了 NeurIPS；再往后他们把这两步积累推到 STI-WM 这套时空一体世界动作模型。配套的训练配方是大部分互联网视频加上少量动捕数据再加少量真机数据。相比传统 VLA 把真机数据当命根子的做法，这条配方把真机数据需求压到九分之十以下，但动作准确度又做到了 99%。英伟达 DAIR 实验室最新的 ARDY 模型里，已经多次引用眸深的 MLD 和 MotionGPT 了。

把这套技术的能力往产业端拉，更耐看的是他们能在两周内完成一个本体到另一个本体的适配。具体客户名单目前能看到的是工业检测、物业、环卫。年内已经和某港股上市物业公司、A股上市环卫龙头完成了机器人产品的交付；正在推进的是头部连锁零售集团和头部白色家电工厂的人形机器人落地。从场景选型这一端的逻辑也讲得通——物业和环卫是真实的多机协同场景，巡检、保洁、设备巡检这些任务动作模式相对固定，对延迟敏感、对单价相对不敏感；这两个品类刚好对接眸深压成本后的硬件方案，反过来能让客户的单台 ROI 撑得起来。

算账这件事还有一项关键的杠杆——算子级适配。团队成员的背景跨海思、英特尔、英伟达这几个芯片厂商，是国内少数具备算子级适配能力的具身大模型团队。这意味着同样训练一次模型，他们不需要别人那种万卡规模、亿级人民币的训练量，他们给的数据是少量卡、小一个数量级的成本就能跑下来。这种显见的算力效率差距，本质原因是把上层大模型的 op 写到了和国产芯片的 tensor unit 几乎一一对应的程度。DeepSeek 当年那种低成本高质量训练逻辑，在具身智能圈里被眸深接着做了一遍，但做的人不一样，把芯片底换成了国产这一支。穆泽林的那句老实话——N 卡会越来越贵，国产 GPU 是必然选择——背后的意思就是这件事不能等到卡脖子的时候再做。

行业判断这一层其实是最值得拿出来拆的。具身智能这两年的口径里有个老掉牙的问题：大脑和本体谁会赢？现在看起来行业的演化开始偏向大脑。理由很直白——本体的硬件门槛是制造业门槛，下游有大量既有的精密机械、伺服电机、减速器厂商可以接；但大脑的研发门槛集中在大模型、动作 token 化、算子适配这几件事上，国内真正能搭起来的团队屈指可数。眸深走的就是大脑层，他们对标的是 DeepSeek + 英伟达 ORIN 这种软件 + 算力组合。从更长的时间尺度看，做大脑这件事的窗口期可能也就一两年——再往后，等大厂把同样的能力拼出来，初创公司的相对优势就没了。

最后回到生意端。从眸深公布的全年营收预测来看，这门生意目前的最大瓶颈不是订单——头部连锁零售、白电工厂、物业龙头的需求本身就在那儿——而是供应端的模型适配产能。一个大脑公司要服务多个本体，要适配多个国产芯片，每一个本体的适配周期被压到两周，已经接近极限。要继续往上跑，团队的扩张节奏、客户落地的速度、模型版本的迭代频率，这几个变量必须同时跑稳。看起来下半年决定的事情就是：眸深能不能在国产芯片上把千卡级训练打通——把这件事跑通，下一个十年具身智能的国内生态，入口就握在他们这一批人手里。

创业找资源，上乌鸦部落。