出品｜虎嗅科技组
作者｜宋思杭
编辑｜苗正卿
头图｜视觉中国
眸深智能创始人穆泽林是一个爱折腾的人。
95 年的穆泽林已经是第三次创业了，大学时期做过教育，毕业后又做了 5 年 toB 行业，再到今天，穆泽林想研究世界模型。
但穆泽林做世界模型的思路与大部分我接触过的年轻团队都不太一样，相比拼命发论文，他更想做一家从 day1 就能实现商业化的团队。
实际上，世界模型这条赛道并不缺投资人的钱，缺的是从客户手中赚到的钱。
虎嗅独家获悉，近日，眸深智能正式完成近 5 亿元 Pre-A+ 轮融资。本轮投资方包括头部国资基金深报一本基金、东方证券直投基金、陕西省高新技术产业投资有限公司，产业投资人安宇基金、天盟投资、建元天华；老股东创合汇资本、徐汇资本、庚辛资本超额追投。至此，眸深智能已累计完成近 10 亿元融资。
从 2025 年下半年开始，世界模型这个概念突然火起来。穆泽林的世界模型团队——眸深科技也正是在这一年成立的，但在此之前他和团队已经在这个领域沉淀多年了。
这种热度背后，是具身智能行业正在呈现出一种明显的"错位感"：热钱疯狂涌入，但技术远没有达到成熟的地步，真正能够规模化商业落地的团队也并不多，即使是所谓的"第一梯队"也不例外。
其中最主要的问题之一，就是泛化能力还不够好。按照穆泽林的说法，现在主流的 VLA 更像是在"记忆动作"：让机器人在固定高度的桌子上拿盘子，它或许可以完成；但如果桌子降低了 20 厘米，它可能就不会了，因为新的场景不在它训练过的数据里。
世界模型因此被推到了台前。相较于穷举数据，它试图让机器人理解物理世界的规律，再根据环境的变化生成动作。甚至有极端言论称，" VLA 已死，世界模型才是未来"。
但世界模型也只是一条理想的路线。穆泽林判断，目前整个世界模型的成熟度可能只有 20% — 30%。眸深在具体场景中部署时，仍然需要约 10% 的真机数据，一次交付周期也需要 2 — 3 个月。他预计，到 2028 年，这个周期才有可能缩短至 2 — 3 周。
也正因如此，世界模型创业带有很强的理想主义色彩。
虎嗅此前接触过的几支团队，创始人中不乏 00 后，他们大多从高校和实验室走出来，更习惯讨论模型、论文和技术终局，商业化并不是最优先的问题。
但穆泽林不太一样。相比于做出"最好的世界模型"，他更想做出"最好用的世界模型"。眸深成立当年，经审计的回款收入达到 1000 万元。
穆泽林也不是什么订单都接。现阶段，眸深只选择未来可能达到 1 万台至 10 万台需求的场景。在他看来，替客户做一台摆在展厅里、用来接待领导的机器人，并不算真正的商业化。
"区分真订单和假订单非常重要，这是我的‘秘诀’。"穆泽林对虎嗅说道。
这种对生意的敏感来自于他此前的经历。毕业之后，穆泽林先进入华兴资本做投资，2019 年又开始创业，做 AI 智能客服公司木心智能。那家公司有 5000 家中小企业客户，最高做到了约 1 亿元年收入、2000 万元净利润，最后被收购。
对于一家 SaaS 公司来说，这看起来已经是一笔不错的生意，但木心智能连续两年增长缓慢，也没能突破中国 SaaS 公司的收入天花板。
穆泽林后来反思，赚钱和值钱是两回事，太早商业化，有时也会限制一家企业扩张的速度和思路。
于是这次，他不想再做一家收入一两亿元、利润两三千万元，最后只能靠分红或者被卖掉的项目制公司。
不过，只靠商业能力也做不出世界模型。
穆泽林与眸深首席科学家陈涛在 2020 年前后相识。他曾邀请过陈涛一起创业，但当时陈涛刚回到复旦任教。直到 2024 年，穆泽林卖掉木心智能，陈涛也已是复旦的长聘教授，两人才真正开始共同创业。
在团队里，穆泽林并不负责具体的技术细节。他负责公司、大客户、销售和融资，陈涛负责底层技术和工程化研发。但大部分关于模型整体走向的会议，穆泽林都会参与，只是不太会发言。
某种程度上，他更像是那个不断作出判断和下注的人。比如什么技术最终能够成为产品，什么样的客户值得投入，哪种订单只是用来接待的样板，以及谁会成为眸深真正的竞争对手，都是他需要回答的问题。
面对在世界模型领域层出不穷的 00 后"小天才"，穆泽林并不担心竞争。
在他看来，世界模型不是一个依靠少数几个天才就能迅速追上的赛道，而是一项需要长期积累和成建制团队的系统工程。眸深与复旦成立的联合实验室有 40 余名博士，团队又被分成四个板块，"一个人出去，也只懂我们其中四十分之一的东西。"
因此，真正能够成为眸深竞争对手的，一定是两三年前就已经开始研究世界模型的团队，"国内外就那么几个"。
至于 2026 年以后才出现的创业公司，在穆泽林看来，大多只是在追逐风口。
"社会最终会奖励真正付出的人，而不是投机取巧的人。"穆泽林说道。
这当然是一个创始人对自己所选择路线的判断，甚至带着某种自信。但在技术路线尚未收敛的当下，眸深是否真的已经提前站在终局上，还需要时间证明。
以下为虎嗅与眸深科技创始人穆泽林的对话全文，有删减：
第三次创业，做机器人的大脑
虎嗅：你第一次创业是什么时候？
穆泽林：严格来说，我有三段创业经历。大学里有一段，当时做的是教育，所以后来去华兴看的也是教育、SaaS 这些行业。毕业后也有一段 2B 的创业，然后是今天的眸深。
虎嗅：毕业后的那次创业，具体做的是什么？
穆泽林：我从华兴出来以后做了木心智能，主要是 AI 智能客服、也就是 CRM。后来发现，这件事受两个因素限制。一个是当时 AI、尤其是 NLP 的技术还不成熟；另一个是客户形态不适合。我们有 5000 家中小企业客户，每家平均只有十几个人，语料非常分散，样本量也不一样，根本不足以训练一个好的模型。
这段经历给我的一个很深的教训是，模型结构比数据量更重要。当年我们一年有 1 亿元收入、2000 万元利润，还花了 1000 多万元做语料标注。大语言模型出来以后，那些数据的价值一下子就变得很低。如果模型架构一开始就是错的，基于错误架构采再多数据，最后也会打折扣。
虎嗅：你怎么看连续创业这件事？
穆泽林：我觉得连续创业分两种：连续成功创业和连续失败创业。创业本身是有规律可循的，核心是你能不能复盘上一段经历，在下一次创业里把经验和教训迭代出来。
创业也不只是换一家公司。你在一家大公司里从零孵化一个新业务，或者把一个失去活力的组织重新做起来，本质上也都是创业。它是一种做事情的方法论。IPO 也不是创业的结束，只是一个阶段性的起点。
我认可创业是螺旋上升的。以前做 FA 时，我一年大概有 1000 万元成交额；做木心时，一年做到 1 亿元收入；到了眸深，我希望它至少有机会成为一家 10 亿元收入的公司。很多事情都有发展规律，要一个台阶一个台阶往上爬。
虎嗅：后来你是怎么确定下一次创业方向的？
穆泽林：当时我给自己定了三个条件。第一，一定要做 AI，因为 AI 是人类的未来，机会足够大。第二，一定要做多模态。上一段创业让我意识到，文字只是人获取信息的一小部分，图片、视频、音频都很重要。如果要真正帮助人完成工作，模型不能只处理文字。第三，一定要做一个能够"按个卖"的产品，而不是再做一家靠项目制做到一两亿元收入、两三千万元利润的分红型企业。
我把这三个条件讲给陈老师听。他说，按个卖的多模态模型，不就是机器人的大脑吗？那一刻我才意识到，这三个条件最合适的产品形态就是机器人大脑。再往下研究，它既符合机器人的市场机会，也和陈老师团队过去的技术积累在一条线上，于是我们把这些事情串起来，做了眸深。
虎嗅：你和陈涛是怎么认识的？后来为什么决定一起创业？
穆泽林：我们大概在 2020 年认识。陈老师 2019 年回到复旦大学信息学院做教授，我也是信息学院毕业的，当时在参与校友会的筹办，所以和学院里的老师有不少交集。那时我正准备做木心，也想找他一起做 AI 和 NLP 相关的创业。
不过，他刚从海外回来，还在考核期，也没有多少学生，所以我们先从项目合作开始。到了 2024 年，他已经提前转为复旦的长聘教授，我也刚好把木心卖掉了，我们就又坐下来聊。那时我 29 岁，我不想再做一家干五年、做到两三千万元利润后又卖掉的公司，而是想找一件能够做十年、二十年，甚至做一生的事情。
虎嗅：你们两个人在眸深怎么分工？
穆泽林：分工比较明确。我是 CEO，主要负责公司的日常管理、大客户销售和融资。陈老师是首席科学家，负责底层技术方向，也会带着 CTO 做工程化和面向客户的研发。
技术细节我不会直接负责，但模型大的走向、方向性的会议，我基本都会参加，会听。只是我对技术的理解肯定没有陈老师那么深入。我们现在除了世界模型，也在布局持续学习、模型记忆以及一些受类脑机制启发的算法，这些大的方向我都会参与讨论。
虎嗅：管理眸深这样的研究型团队，和管理上一家公司有什么不同？
穆泽林：区别很大。眸深的员工整体更年轻，00 后很多，人才密度也高。现在公司大概六七十人，其中技术人员约 45 人。对这样的团队，我会更偏包容或者"散养"：大约六成是必须完成的任务，同时给大家三到四成的空间去自由探索。
我觉得管理最大的问题要在招聘时解决。你要找到勤奋、自驱的人，而不是招进来以后每天盯着他有没有玩手机。公司也要有一批好的中层和骨干，把理念一层层传下去。
木心的管理更直接，强规则、强目标，再配合提成和奖金就能起作用。眸深不一样。你要吸引和留住研究型人才，除了钱，还要有精神上的成就感、文化认同和使命愿景。木心从成立到卖掉，我们几乎没有认真讨论过价值观、使命和愿景；眸深从第一天就在讨论这些。
虎嗅：你们现在的 vision 是什么？
穆泽林：我们的愿景是为世界提供 10 亿颗机器人原生大脑，使命是让中国的具身大脑领先全球。
虎嗅：你怎么看梁文锋、杨植麟这样的中国 AI 创业者？
穆泽林：我觉得他们都是很优秀的创业者，因为不相信一个人做到这个程度只是靠运气。运气好的人很多，但一个人能在细分领域做到很高的知名度、取得很大成就，一定有常人达不到的意志力和专注度。
但技术不是一家企业的全部。就企业的长期发展而言，我个人会更看好梁文锋这一边，因为他做过量化和金融，和人打的交道更多，对人性的理解可能更深。这只是我的个人判断。企业长期还要看文化、价值观、组织和管理。中国需要的是技术型企业家，技术是形容词，最后你还是要成为一个企业家。
硬的技术也许能把一家企业带到千亿元规模；它能不能走到万亿元，往往要看那些更软的东西：怎么管理组织和人才，怎么理解环境，以及能不能做国家和社会真正需要的事情。
VLA 不会死，只会被"吃掉"
虎嗅：行业里经常说 VLA 和世界模型之争的话题，你对 VLA 这条技术路线的判断是什么？
穆泽林：我觉得 VLA 不会完全死掉，它只会被"吃掉"。但纯 VLA 走不通，在我看来这是 100% 板上钉钉的事情。
虎嗅："死掉"和"被吃掉"有什么区别？
穆泽林：VLA 不是 robotic native，不是原生为机器人设计的。它脱胎于 VLM，VLM 又来自 LLM。比如让机器人从桌上拿一杯咖啡，它可能先识别桌子是什么材质、有什么花纹，但这些信息和完成任务没有关系，会浪费大量算力，也会造成信息损耗。
现在有人用世界模型生成数据，再驱动 VLA 执行，我认为这也是过渡态。最终需要的是 WA：我看到这个世界，直接判断该做什么动作，完成动作的映射和生成。VLA 以后更像一个小脑模型。在某些固定场景里，比如已经拿起瓶子，只剩下拧瓶盖这一步，直接调用提前采集好的动作数据，反而更高效。最终还是要看在哪个环节用哪种算法，成本最低、效率最高，就用哪种。
虎嗅：你怎么定义世界模型？
穆泽林：世界模型这个概念确实比较泛，但大体不会有太多方向。我把它分成三类：第一类是视频生成，生成的东西看起来合理，但实际可执行性比较差；第二类是物理仿真或物理世界重构，这种模型往往会做得非常大；第三类是我们做的世界动作模型。
我们从 day one 就很明确，是要做机器人的大脑。机器人与物理世界对话的语言，不是文字，而是动作。我和你交流是通过说话，机器人和桌子交流，是把桌上的东西拿走，再理解桌面会发生什么变化。所以我们的核心问题是：世界的变化，怎样影响动作的排列顺序。
虎嗅：为什么是"世界动作模型"？动作的规律要怎么学？
穆泽林：大语言模型是一个 language token 接一个 language token 地输出，人的身份、所处环境和语境，会改变它吐字的顺序。世界动作模型也是一样的：椅子是 80 厘米高还是 20 厘米高，会决定机器人为了"坐下"该以什么顺序完成走过去、屈腿等一系列动作。
我们想找的是机器人和物理世界交互的"摩斯密码"。语言里有常用汉字，不同汉字排列起来，可以组成不同的句子；动作也有自己的基本单元，不同的动作单元排列起来，可以倒水、端茶或者拍桌子。我们要学的是动作的 meta knowledge，而不是死记硬背单个动作。
VLA 更像背唐诗三百首，背完以后，让它写一首新的，它可能只能从见过的内容里找答案。世界动作模型要学的是规律，学完以后可以重新组合。比如机器人在固定高度的桌子上拿过盘子，桌子降低 20 厘米以后，纯靠记忆轨迹的方法可能就不会了，因为它没有在那个场景里干过。靠穷举是解决不了真实世界问题的。
虎嗅：同一套模型怎么适配不同的机器人本体？
穆泽林：我们先生成动作轨迹，再做数学转换和关键点重定向。可以把它理解成穿一套动捕服：同一套人的动作轨迹，经过转换以后，可以驱动不同的机器人。
这和 VLA 有一个很大的区别。VLA 往往记住的是某一台本体、某一个场景下的关节轨迹，换一台本体，原来的模型可能就不能直接用了。我们的思路是先得到动作，再做本体适配，因此模型更容易跨本体使用。
虎嗅：很多本体公司也在做世界模型。它们掌握本体、场景和数据，你们的优势在哪？
穆泽林：我不认为多数本体公司能把世界模型做好。这和汽车公司都说要自己做自动驾驶很像，真正做出来的并不多。人和公司的基因不一样，做模型需要很高的人才密度。不是招两三个博士就够了，可能要四五十个博士组成一支完整团队，才能把系统搭起来。
很多本体公司现在连本体本身都没有完全做好，关节过热、量产稳定性等问题还没有解决，主业压力已经很大，很难再把最好的人和足够的资源放到世界模型上。真正顶尖的人才也未必愿意去一家本体公司领工资，他完全可以自己创业。
反过来也是一样，我做本体也不可能比宇树做得更好。我的判断还是专业的人做专业的事，大家在产业链上分工。
虎嗅：具身智能的技术路线还没有收敛，你认为最后会收敛吗？
穆泽林：我认为一定会收敛，就像大语言模型最后也找到了更高效、更简洁的模型结构。在这个过程中，VLA、强化学习、MoE 这些算法和策略不会完全被扔掉，它们会作为不同环节的能力被调用。
但从主干路线看，我们感觉它正在向世界动作模型收敛。大语言模型最后收敛到 token 的排列组合，我们也是用 Transformer 架构做 motion token 的排列组合。世界发生变化以后，模型输出什么动作、动作以什么顺序出现，这是我们认为最接近第一性原理的一条路线。
不是最好的世界模型，而是最好用的
虎嗅：世界模型仍然偏基础研究，为什么眸深从第一天就强调商业化？
穆泽林：我不认为世界模型天然就是一个研究型试验。我们内部讨论过，眸深不是只要做最好的世界模型，而是要做最好用的世界模型，要去建立行业标准。
基础研究当然重要，可能占到一半以上，但企业还有另一面。你在 day1 就要想清楚它以后怎么商业化，并且前瞻性地做布局。只依靠论文和融资，不去理解客户，也不去考虑技术怎么产生真实价值，这不是一家企业可以长期发展的方式。
企业和研究机构承担的责任不一样。大学和国家实验室可以做更长期的纯研究，但企业最终要穿越周期，也要承担自己的社会责任。技术不能只停留在书架上，还要走上货架。
虎嗅：同一套基础模型，怎么落到完全不同的场景里？
穆泽林：我们先做一个具备较好动作能力的通用基础模型，再针对不同场景做后训练和微调。比如捡垃圾机器人，需要识别不同垃圾并完成抓取；调酒机器人，需要识别桌上的酒杯、不同酒瓶，还要完成搅拌；物流装卸车，又是另一个场景。这三个应用底层用的是同一套模型。
研究人员持续迭代底层模型，比如提高推理速度和准确率；工程师则解决特定场景的问题，比如补充垃圾图片，让模型更好地识别垃圾，再完成相应的抓取动作。一个偏底层能力，一个偏场景交付，两边要配合。
虎嗅：你认为世界模型现在成熟到什么程度？
穆泽林：如果看整个世界模型，我认为目前成熟度大概只有 20% 到 30%，离真正成熟还有距离。但我们并不是要复刻整个世界的所有规律，而是把问题收窄到环境与动作之间的关系，丢掉和任务无关的信息，所以成熟和落地会更快。
目前一个新场景的大脑开发和 POC 通常需要两到三个月，也仍然需要一定比例的真机数据，大概在 5%-10% 左右。以后随着视频和仿真数据的比例提高，真机数据占比会继续下降，但真机数据一定要有。
我们希望到 2028 年前后，一个新场景的交付周期可以从两三个月缩短到两三周。这个判断一方面来自内部技术指标，另一方面是参照大语言模型的发展节奏倒推。今天的世界模型，可能还不到 GPT-2 的阶段，大概是 1.5。
虎嗅：面对大量合作需求，你们怎么区分真订单和假订单？
穆泽林：今天的具身智能还是卖方市场，所有人都对机器人好奇，都想试一试，所以订单必须筛选。有的客户愿意花 100 万元买一台机器人，但就买这一台，只是为了接待时展示，这种项目我们会尽量剔除。
最简单的判断，是看企业真实的规模和工位。如果一个岗位全公司只有 10 个人，他说将来要买 1000 台机器人，我不会相信；如果这个岗位本来就有 1 万多人，规模化替代至少是有可能的。
还可以设置门槛。比如项目开始前先收几百万元研发费，客户如果真有 1 万台需求，摊到每台上仍然划算；如果最终只买一两台，他就不会愿意付这笔钱。研发费本身也是筛选器。
虎嗅：具身智能公司很多，真正落地的却不多，问题出在哪里？
穆泽林：机器人落地不只需要软件，也需要硬件。规模化以后，客户会算成本、续航、节拍和容错率。机器人的智商可以很快提高，但本体不一定马上跟得上，软件和硬件是互相螺旋上升的。
另一个问题是场景。今天就想让机器人像"超级赛亚人"一样什么都会做，不现实。传统工业自动化和纯人工之间还有大量"灰度场景"，容错率相对高，也有真实需求，机器人可以先从这些地方落地。
对眸深来说，今天落地也不只是为了马上盈利，更重要的是形成模型的正循环。只有规模化落地，数据才能规模化回流；数据回来以后，模型继续迭代，才会形成真正的数据飞轮。
"现在才做世界模型的 100% 晚了"
虎嗅：国内外有哪家 AI 公司是你特别喜欢的吗？
穆泽林：我们一直有比较明确的对标，就是美国的 Skild AI。它和眸深的定位很像，都是做第三方通用大脑。
第一，它的团队也有教授参与；第二，它从早期开始就使用大量视频学习动作轨迹；第三，它和我们一样，非常重视商业化，也在和制造、零售、物流等行业的企业做大脑落地。我们最初并不知道这家公司，是后来从公开报道里看到，才发现双方在不同国家做了很相似的选择。
我喜欢它的原因，不是融资或者估值，而是它没有把自己只做成一个研究机构。技术路线、生态定位和商业化意识，这三点和我们比较像。
虎嗅：你们接触投资人时，他们对眸深最大的质疑是什么？
穆泽林：质疑分两个阶段。去年我们说纯 VLA 路线有问题，要做世界动作模型和动作生成式原生大脑，投资人很难理解：别人都在做 VLA，为什么你觉得 VLA 不行？当时眸深的估值和融资规模都不大，投资人当然不敢赌。
到了今年，越来越多人意识到 VLA 有局限，也开始谈世界模型、空间世界模型和世界动作模型。投资人的问题又变成：眸深和其他世界模型公司到底有什么区别？
投资人通常不会像博士一样研究五年技术，可能只集中看了两个月，而每家公司背后又都有知名教授，所以他们最难判断的是底层差异化。
虎嗅：这一轮为什么更多选择国资和产业资本，而不是明星一线 / 市场化 VC？
穆泽林：今天在中国创业的环境，和我十年前在华兴时已经很不一样。对眸深最有价值的资金有两类。第一类是国家队，省级国资平台的支持、背书和政策协同，对我们有实际帮助；第二类是产业资本，它可以直接带来场景、订单和业务合作。
现在很多国资和产业资本也是市场化运作，决策并不一定慢，有的项目一两个月就可以交割。市场化基金我们也欢迎，只要速度足够快。在我看来，除非你代表国家意志，或者代表产业方的业务意志，否则市场化基金就是钱。钱当然重要，但它附带的所谓资源，未必像想象中那么强。
世界模型还需要长期研发和大量业务协同。很多国家队和产业资本没有那么强的存续期压力，反而可能更有耐心，这也是我们选择它们的重要原因。
虎嗅：从 2025 年开始做世界模型，算早还是晚？
穆泽林：如果 2025 年才开始创业，我觉得已经有一点晚了，但关键不是公司哪一年成立，而是技术从什么时候开始沉淀。眸深团队很多技术从 2019 年、2020 年就在做，公司成立之前，实验室已经有五六十人持续研发。眸深只是到 2025 年才用企业组织的形式去运转。
风口已经起来以后再跳进去，很容易被风卷起来，也可能被风撕碎。你要提前埋伏在那里，沿着一条技术路线持续做，等风口来了才有延续性。
判断一个团队是不是长期在做这件事，也不复杂。去看它三年前、五年前的论文和研究方向。去年 VLA 热就说自己做最好的 VLA，今年世界模型热又说自己一直做世界模型，互联网是有记忆的。
虎嗅：越来越多团队进入世界模型，你担心过竞争吗？
穆泽林：我不担心。真正的竞争对手，一定是两年前就已经在做世界模型的团队，就那么几家，大家彼此都知道。现在新冒出来的团队，如果没有过去的积累，在我看来很大概率是在蹭风口。
世界模型是一个复杂的系统工程，不是一个超级天才就能从头到尾全部做完。我们现在有 40 多个博士，分成四个板块，每个板块都有七八个博士。一个人从团队里出去，也只掌握整个系统的一部分。国内外真正能做的，是那些已经有几十个人长期投入的头部实验室。
社会最终会奖励真正付出的人，而不是投机取巧的人。短期内资本会涌入，有些新团队也能融到很多钱，但融资成功不等于最后会成为长期竞争对手。如果从现在开始、从零做世界模型，我认为 100% 晚了。
宏泰配资提示：文章来自网络，不代表本站观点。
