Psi-R2在MolmoSpaces榜单中登顶全球第一，其训练数据构成引发关注。该模型同时使用真机数据和人类操作数据，其中人类数据规模达95472小时，覆盖294种场景、4821种任务和1382种物体。这种数据采集方式与传统遥操作形成鲜明对比：后者依赖专业人员通过屏幕控制机械臂，成本高昂且效率受限；而灵初智能选择让人类佩戴多模态数据手套在真实场景中作业，同步记录视觉、触觉和关节运动信息，为机器人提供更精细的操作范本。
公司同步推出的世界模型Psi-W0，通过引入约30%的失败样本训练，使模型具备错误预判能力。这种设计针对高精度任务场景，例如在服装仓储中，机器人抓取不同尺寸、材质的衣物时，0.1毫米的误差都可能导致失败。Psi-W0的虚拟试错机制，可显著降低真实环境中的调试成本。灵初智能透露，其数据手套已在北京部署100套设备，计划通过分布式采集网络扩大数据规模，2026年目标突破100万小时。
资本市场的反应印证了这条技术路线的吸引力。灵初智能已完成天使轮及Pre-A轮合计20亿元融资，投资方涵盖国开金融、上海国资徐汇资本等机构。2025年具身智能赛道融资规模达329亿元，2026年前几个月中国市场已披露约200亿元融资，诞生七家新晋独角兽。但行业普遍面临商业模式验证难题：多数企业聚焦机器人本体或算法模型，而灵初智能选择切入数据入口这一更底层的领域。
物流仓储成为技术落地的首站战场。灵初智能选择服装仓储作为突破口，该场景SKU复杂度高，涉及扫码、分拣、折叠等高频操作，天然适合训练机器人应对多样性任务。公司披露，其模型已实现1万小时真实数据验证，在服装分拣任务中达到99.9%以上的成功率。这种务实选择与家庭场景形成对比——后者因环境变量过多，短期内难以形成商业闭环。
分布式数据采集模式带来新的挑战。虽然用户可通过租赁数据手套参与采集并获得报酬，降低企业成本，但分散的数据源对质量控制提出更高要求。灵初智能需建立标准化任务流程和清洗对齐机制，确保采集数据能有效转化为机器人可执行轨迹。客户付费意愿仍是终极考验：2025年中国人形机器人中标项目中，超80%金额在500万元以下，显示市场仍处于早期验证阶段。
行业正在进入淘汰赛阶段。灵初智能的技术路线需要跑通完整闭环：从数据采集到模型训练，再到场景落地，最终通过真实作业回流数据形成飞轮效应。若能实现，该公司有望成为机器人时代的数据基础设施提供商；若失败，则可能陷入"技术演示多、商业落地少"的行业困局。当前，仓库里的作业效率、货架上的分拣准确率，远比模型榜单排名更能决定企业命运。
