独家 | 复旦高材生女生挂帅，浦群妍斩获逾亿元融资及订单

尽管仓库内气温飙升至四十摄氏度以上，且这一酷暑状态持续了整整四个月，浦群妍依然坚持每天在此工作十五个小时。她与团队中的技术人员及工人们并肩作战，共同致力于公司物流机器人的开发与测试。对于这位女性创始人而言，这样的艰难夏日早已不是第一次经历。

虽然女性在硬科技领域的创业身影逐渐增多，但具备纯粹技术背景并直接扎根于研发一线的女性领导者却凤毛麟角，浦群妍正是其中的佼佼者。她的学术与职业履历堪称耀眼：2004年，她考入复旦大学计算机专业；本科毕业后，她赴美国卡内基梅隆大学继续深造；随后入职谷歌，成功将多项人工智能技术转化为实际产品，所主导的业务带来的年度营收突破十亿美元大关。此外，她还是全球无人配送先驱企业Nuro的创始团队成员之一，该公司现已成长为估值极高的超级独角兽。

近期消息显示，由浦群妍创立的具身智能企业“寅成智能”已完成近亿元人民币的A轮融资。此次融资由华民投和上海半导体产投联合领投，原有投资方德同资本继续追加投资，多维资本则担任该轮的独家财务顾问。值得注意的是，距离上一轮千万级美元的天使轮融资，仅过去了短短三个月。

自创业伊始，浦群妍便将战略重心聚焦于物流分拣这一既庞大又充满挑战的万亿级市场。凭借卓越的市场执行力，她在不到三年的时间内便跻身物流分拣具身智能应用领域的头部阵营，并顺利打入顺丰速运、申通快递、科捷股份以及海外物流企业GOFO的核心业务流程。最近，她透露了一项重大进展：顺丰已下达了一份价值亿元级别的订单。

浦群妍坚信，极致的运营效率与投资回报率（ROI）是寅成智能在工业场景中迅速确立地位的核心要素早在“AI for AI”概念尚未普及之时，寅成智能便已引入自我演进的数据训练机制，促使机器人在实际操作中实现自主学习和优化。目前，该系统已在快递分拣等环节广泛应用，其抓取准确率高达99.99%以上，处理单个包裹仅需2秒钟。

**摒弃“从零造机器人”的思维**

在当前炙手可热的具身智能话题中，“世界模型”常常占据核心位置。然而，浦群妍指出，这类技术理念在她十年前从事自动驾驶工作时就已存在，只不过当时并未被冠以“世界模型”之名。

在她看来，二者在底层逻辑上高度相似，主要区别在于对精度的严苛程度。“仓储领域，尤其是我们正在实施的‘抓取与放置’（pick and place）操作，是一项极其精密的工作，比自动驾驶要求高出许多。自动驾驶只需保持一定安全距离即可，而机器人执行触觉交互时必须发生物理接触。任何微小的精度偏差，都会直接影响最终结果。”

从自动驾驶跨界至具身智能，并将首战定位于物流场景，是浦群妍经过深入产业调研与深思熟虑后的决定。她分析道，物流不仅市场规模巨大，更是一个典型的劳动密集型行业，具有高度的非结构化、非标准化特征以及强烈的随机性。传统的简单AI和自动化手段难以应对如此复杂的状况，导致许多环节至今仍严重依赖人力。

这正是AI展现巨大潜力的契机。“行业的非标特性越强，传统自动化越难解决，就越需要具备感知、判断及泛化能力的AI介入。”

她回忆起一次令人印象深刻的产业调研案例：某家年产值数十亿的企业，其生产线已实现高度自动化，涵盖十余个甚至二十个不同工种，实行双班制下总人数不足百人。这一现象表明，工业自动化确实解决了诸多问题，但物流领域仍存在大量分散、复杂且难以标准化的痛点。这也成为她坚定选择物流赛道的关键原因：市场足够广阔，同时“非标”特性显著，为AI提供了真正的施展空间。

然而，随着2026年的临近，物流场景已成为机器人竞赛的焦点战场，众多人形机器人纷纷涌入。面对日益激烈的竞争，浦群妍强调，寅成智能的优势并非在于重新发明机器人本体，而在于加速产品向真实应用场景的渗透。

她观察到，人形机器人领域在过去两三年内正试图对硬件本体、供应商体系及零部件进行全面革新。这意味着从技术研发到供应链成熟，再到产品稳定性达标，需要一个漫长的过程，“这不能以一两年来衡量，可能需要以十年甚至二十年的产业周期来计算”。

相比之下，寅成智能采取了差异化策略。“我们并未对机器人本体进行彻底的颠覆式改造，也未重建整个供应链，而是优先将AI能力植入真实的工业环境，通过产品的持续迭代来解决客户的实际痛点。”

这种策略赋予了寅成智能更充裕的时间与产业生态进行磨合。成立不足三年，浦群妍已清晰感受到品牌效应的显现。她表示：“现在若询问现有的物流设备制造商，他们会表示，只要销售的是寅成的产品，就有质量保障；反之，若是其他品牌，他们往往持观望态度，不敢轻易采购。”

**源自AI，而非为机器人附加AI**

初次听闻寅成智能的快速落地成果或许会让人惊讶，但在深入了解其数据训练模式后，一切便显得合乎逻辑。

首先，数据已成为具身智能行业的基石共识。过去两年间，业界关于真实数据、仿真数据与合成数据的技术路线争论不休；但随着机器人逐步进入真实场景，新的问题随之浮现：即使拥有了海量数据，如何高效地筛选、标注、训练及应用这些数据，同样决定了模型迭代的效能。

鉴于真实世界数据采集成本高昂，若后续流程仍过度依赖人工，随着数据规模的扩张，研发效率极易遭遇瓶颈。因此，如何实现数据筛选、模型训练及效果评估的自动化，正成为具身智能公司必须攻克的基础难题。

浦群妍对此有着深刻见解：“一旦大量环节依赖人工，迭代速度必然放缓。因为凡是需要人类参与的地方——无论是推理、思考还是工程实施——都耗费时间。”

在模型训练方面，寅成智能内部采用了一种类似“师生机制”（teacher-student）的方法，利用辅助模型持续监测主模型的训练效果，进行评估后将结果反馈至下一轮训练。据公司介绍，目前寅成智能已在客户实际作业环境中积累了数百万条数据，涵盖了异形件、破损件、挤压、堆叠、遮挡、粉尘、易碎品及缠绕物等多种复杂情形。目前，相关系统已在快递分拣等场景中落地，抓取成功率最高可达99.99%，单件处理耗时约2秒。

“我的商业规划实际上是服务于技术与产品的前行节奏。”从寅成智能的发展轨迹可见，技术路线与商业化并非割裂的两条线。公司选择从物流中的特定任务入手，本身就要求在早期阶段深入真实生产线，通过实际操作暴露问题，进而反向驱动数据与模型的优化。

这与当前部分初创企业追求的“全能型”通用机器人路线截然不同。浦群妍指出，那些旨在初始即具备通用能力的人形机器人，首先需要明确“任意任务”的具体序列，逐一进行适配。任务范围越宽泛，需覆盖的场景、数据及工程复杂性越高，技术验证周期也就越长。

寅成智能选择了一条更为务实的路径。浦群妍认为，“更具逻辑性的产品与技术演进路线，应当是从单一任务的泛化，过渡到多任务的泛化，最终迈向无限任务的泛化。”

在这一路径背后，寅成智能对自身定位十分清晰：不是简单地给机器人“加装AI”，而是“从AI出发”。浦群妍将这两种思维模式概括为“AI+”与“+AI”。举例来说，“AI+物流”与“物流+AI”在她的认知中有着本质区别。寅成智能首要构建的是AI核心能力，在此基础上叠加物流属性与机器人载体，从而提升现有机器人的智能化水平；而另一种思路则是先打造机器人本体，再尝试赋予其AI功能。

这也解释了为何寅成智能未选择对机器人本体及供应链进行大规模重构，而是立足于现有机器人平台进行持续的深度研发与迭代。

**勇于“打破常规”**

浦群妍身上有一个显著特点，那就是她对“打破常规”抱有极大的坦然与自信。早在本科阶段，她便毅然选择了人工智能方向。在2006年至2007年间，AI远未达到如今的热门程度。“彼时，许多理工科领域实际上仍基于……”（原文未完）