600亿韩元融资韩国RLWRLD揭秘具身智能视频预训练商业价值与千寻智能路径大不同2026年全球具身智能赛道关于VLA视频预训练商业化价值的争论持续发酵。市场一边是高涨的融资热度一边是持续的质疑声音。不少观点认为依托互联网视频训练机器人只是阶段性噱头难以支撑真实产业落地。但韩国初创公司RLWRLD的一笔融资让整个赛道的技术路线和商业价值有了更具象的观察样本。近期RLWRLD累计种子轮融资达到600亿韩元折合4180万美元。对于一家仍处在早期技术打磨阶段的物理AI企业这样的融资规模十分亮眼。更值得关注的是本轮资金全部来自日韩实体产业资本LG、SK、乐天、CJ物流、ANA航空悉数入局。产业资本的持续加注代表一线产业端对技术落地价值的真实判断。透过这家韩企的发展路径可以看清视频预训练在不同场景下的适配逻辑也能重新梳理当前赛道里不同技术范式的真实价值。从落地实践看懂视频预训练的场景分层逻辑行业过去对视频预训练的讨论大多停留在单一维度简单判定技术有用或是炒作概念。RLWRLD的落地模式让赛道的分层特征逐渐清晰。市面上主流的视频训练方式分为两种完全不同的落地形态适配不同的发展阶段和商业场景。国内不少具身AI初创公司普遍选择抓取全网公开短视频完成模型底层预训练。海量的居家、生活、工业片段可以免费获取数据体量足够庞大能够快速让模型建立基础的视觉认知和动作逻辑。这种方式更适合企业早期冷启动。初创团队无需投入高额成本采集真机数据就能快速迭代模型、完成多场景测试适配多行业试点和技术验证工作。不过公开网络视频存在不少天然瑕疵画面视角、拍摄光影、人为摆拍都会带来数据噪声且视频记录的是人类肢体动作和机器人的机械结构、受力逻辑存在偏差在高精度、高稳定性的工业作业场景中表现往往不够稳定。RLWRLD则选择了另一种更贴近产业的方式。团队放弃全网公开数据深耕垂直实体场景长期进驻酒店、物流仓储、便利店、航空后勤等线下岗位通过穿戴设备全程记录在岗员工的真实操作流程。这些原生的岗位相对而言费事儿但实拍视频优势在于没有多余画面干扰完全贴合真实工作环境和标准作业动作。模型学习的不再是网络碎片化画面而是一线成熟岗位的完整操作逻辑。这类数据恰好匹配服务业大量重复性、标准化的细碎工作。机器人无需改造现场环境不用反复重新编程适配原有工作流程能够快速承接分拣、整理、收纳、简单辅助类工作。两种视频训练模式对应两类市场需求。全网视频适合快速搭建模型认知、拓宽场景边界实景岗位视频更适合沉淀稳定、可付费、可量产的商业落地能力。场景差异直接决定技术的落地效果和商业价值。实景视频路线能够跑通的底层原因一笔超4000万美元的种子轮融资背后大概率不是资本情绪炒作。更准确地说是这套落地模式贴合日韩当下的产业现实在需求、技术、生态、商业模式上都形成了自洽的运转逻辑。日韩老龄化带来的用工缺口已经渗透到服务业各个细分岗位。分场景来看酒店客房运维、仓储拆包分拣、商超货架整理、机场后勤辅助等基础岗位人员流动性大、人工成本逐年上涨重复性高、附加值低的工作长期面临招人难的问题。传统自动化设备刚性极强只能适配固定流水线没办法应对服务业灵活多变的作业场景行业长期缺少低成本的柔性自动化方案。RLWRLD的实景训练模式刚好填补了这一市场空白。依托真实岗位数据训练的机器人适配线下真实作业环境落地门槛低、改造成本可控企业可以用更低的人力替代成本完成自动化升级付费意愿和落地需求足够真实。技术层面实景视频训练规避了行业普遍存在的落地偏差问题。全网视频训练的模型经常出现画面看懂、实操出错的问题核心原因就是人类动作和机械硬件的物理逻辑不匹配模型只能复刻视觉表象难以适配真实物理作业规则。RLWRLD以一线员工原生作业视频为核心数据同步结合力觉、运动轨迹等物理参数做训练优化模型学习的是标准化、可复用的岗位动作流程作业稳定性大幅提升减少了人工远程干预兜底的情况技术落地的可靠性更贴合产业要求。生态和商业模式进一步放大了它的落地优势。从过往的投资记录可以看出RLWRLD的投资方基本都是拥有海量线下场景的产业巨头投资的同时直接开放自有业务场景提供落地试点和真实业务订单。企业不用耗费大量成本开拓市场从成立初期就拥有稳定的数据来源和收入场景一边落地项目、一边迭代模型形成持续的正向循环。同时公司聚焦算法大脑研发不涉足重资产的硬件制造资金和人力全部集中在模型优化和数据体系搭建资金利用效率更高商业化节奏也更稳健。多重因素叠加让这套深耕垂直场景的实景视频路线在日韩市场形成了可落地、可变现、可迭代的完整商业路径。重新审视技术选择与行业争议RLWRLD用大量产业落地证明视频预训练具备真实的产业价值。只是市场对这条技术路线的认知长期被另一种更轻量化、更低成本的训练范式干扰也因此产生了巨大的行业分歧。和韩国企业深耕实景视频的路径不同国内物理AI赛道诞生了另一套主流打法以全网公开视频预训练为核心底座。其中千寻智能是这条技术路线成长最快、关注度最高同时争议也最集中的头部企业。千寻智能由前珞石机器人CTO韩峰涛与伯克利背景算法专家高阳联合创立成立两年间快速跻身国内具身智能热门创业公司。公司核心技术逻辑与RLWRLD同属视频驱动的物理AI体系但取舍完全不同。千寻依托全网海量公开视频完成模型通识预训练再通过自研穿戴设备、工业遥操作数据做场景微调走软硬件全栈自研路线自研人形机器人整机重点落地国内动力电池、高端制造等工业场景。一韩一中、一实景一全网、一纯算法一全栈硬件两条同源却完全反向的路径刚好构成当下视频预训练赛道的两大样本。结合国内产业环境来看千寻智能的路线选择存在充分的本土化合理性。国内制造业品类繁杂、场景高度碎片化工厂需求普遍呈现小批量、多品类、快迭代的特征行业不存在统一标准化的作业流程。如果照搬RLWRLD逐场景、逐岗位采集实拍视频的模式整体成本过高、扩张速度缓慢很难适配国内工业市场的体量与复杂度。依托全网公开视频做底层预训练是国内机器人企业性价比最高、扩张效率最快的冷启动方式。可以快速让模型积累通用世界认知适配五花八门的工业非标场景快速产出标杆落地项目。同时千寻并未完全依赖外网数据通过自建真机数据体系补足场景偏差叠加国内完善的机器人供应链优势全栈自研模式也保留了长期硬件量产的增长空间。不过对照RLWRLD成熟、稳定、可持续变现的商业路径千寻智能路线的短板也十分突出这也是行业质疑声持续存在的核心原因。全网视频的数据属性决定模型擅长泛化试水很难在单一行业沉淀深度、标准化的作业能力。最终呈现出试点项目数量多、规模化付费落地少的现状长期缺少稳定现金流支撑高估值容易积累泡沫争议。外网视频自带的视角偏差、画面噪声、人机躯体错位问题始终无法彻底根除。复杂工业场景、高精度柔性作业中机器人依旧需要人工远程干预辅助自主稳定性和实景训练路线存在明显差距。与此同时全栈自研模式让公司同时承担算法、硬件、大规模数据团队的高昂成本整体烧钱速度更快。但整机量产节奏偏谨慎商业化兑现周期更长在资本市场整体趋于理性的当下后续需要更快的落地成果印证技术价值。
