2026 年，家具卷干具身智能行业迎来关键转折点。身公司不使轮数千当工厂人形机器人仍在验证 ROI 时，活卷聚光灯已转向家庭与消费场景：超仿生人形机器人预售订单破万，懂天CES 展台挤满新品。再获注随着「进入家庭」成为核心关键词，略加行业共识正在重构 —— 过去三年，家具卷干具身公司聚焦于「如何让机器人把活干好」；而当机器人真正走进家庭，身公司不使轮数千一道被长期忽视的活卷难题浮出水面：机器人，真的懂天懂它所服务的这个人吗？

当前具身智能赛道主要分为三类：做本体（卷硬件/量产）、做「小脑」（运动控制）、再获注做操作「大脑」（叠衣/备餐）。略加三者殊途同归，家具卷干旨在提升机器人的身公司不使轮数千「干活」能力。然而，活卷当机器人以「人」的形象进入家庭，地图中缺失了关键一环：谁来构建一颗真正「懂人」的大脑？仿生人大脑 —— 这条决定机器人从「工具」进化为「伙伴」的赛道，收敛度最低，却最被低估。

深穹星核的非共识：核心命题是「意图」而非「任务」

深穹星核提出鲜明非共识：面向 C 端的具身智能核心，不是任务执行，而是意图理解。

人类语言天然高噪声、不完整。「没事」可能隐含委屈，「随便」背后有明确偏好，沉默与眼神回避往往才是真实信号。语音、表情模组、云端大模型仅触及交互表层；只有还原「人为什么这样说、此刻真正需要什么、希望如何被回应」，机器人才算真正「懂人」。在深穹星核看来，意图理解（Intention）是下一代通用智能的必经之路，正如自动驾驶绕不开感知，大模型绕不开对齐。

针对此命题，深穹星核推出 VLIA（Vision-Language-Intention-Action）一体化端侧具身交互模型。这是首个将意图理解置于架构核心的具身交互大脑。在 VLIA 链路中，视觉与语言不再是单纯的动作输入，动作也不仅是指令输出，整个模型围绕「还原真实意图、预判交互走向」运转。团队以人脸为最高带宽交互入口，将动机、情绪、关系、反馈构成的完整因果链嵌入模型底层。

数据壁垒：从「观测行为」到「理解动机」

模型只是起点，数据才是决定天花板的短板。

行业不缺视频与语料，稀缺的是带有意图结构的数据。公开数据仅呈现行为结果，缺乏动机与因果链；而家庭场景需要模型从「动机 — 行为 — 反馈」的完整链路中学习。深穹星核率先与头部短剧、游戏公司达成战略合作，获取自带完整意图结构的高质量种子数据，并通过自研高效数据处理管线，将其泛化至海量公开交互数据，实现意图数据的规模化。

这一落地能力源于团队极度契合的跨界拼图：
* 创始人郁振波：蝉联 ImageNet 国际大模型竞赛三年冠军，具备大规模训练经验；曾任华为海思端侧研发专家，赋予 VLIA 原生端侧基因。
* 核心团队：源自腾讯、米哈游等头部游戏大厂，擅长通过理解玩家交互意图提供动态反馈。这种在虚拟世界「读懂人」的积累，构成了 VLIA 意图理解的技术基石。

训练、端侧、意图理解，三块拼图严丝合缝。

近日，深穹星核正式发布首款高仿真人脸机器人 Nova S1，搭载 VLIA 一体化端侧交互大脑，面向家庭及日常协作场景。继上周天使 4 轮融资后，公司再次完成数千万元天使 5 轮战略融资，持续加码意图理解与情感交互技术的研发落地。

为什么选择「人脸」作为切入点？

深穹星核判断：人脸是人类社会中最高带宽的情感与意图接口。

相比文本、语音或屏幕，人脸天然承载更高密度的交互信息，不仅传递情绪，更传递关系。对具身智能而言，人脸不是装饰，而是机器人从「工具」转变为「有意图的交互主体」的关键入口。未来的机器人亲密伙伴，必须拥有一张可信、自然、高审美、可表达的脸。只有用户愿意看它、相信它，后续的意图理解、长期记忆与任务协作才真正成立。

审美先行：医疗级人脸设计体系

好的人脸机器人，审美必须先行。深穹星核依托上海九院整形外科，建立医学数据、参数化形变与仿真平台结合的设计体系。
* 技术流程：基于 3D 扫描、CT/MRI、肌肉骨骼数据及美学参数生成。
* 设计标准：基于真实颅面结构与东方审美，生成符合解剖、工程与审美标准的人脸。
* 工程转化：将主观的人脸设计转化为可参数化、可仿真、可制造的工程能力。

意图理解：下一代人机交互的核心

如果说「人脸硬件」解决的是「用户愿不愿意互动」，那么「意图理解」解决的就是「机器人能不能真正懂人」。

深穹星核认为，自然交互是高噪声、不完整的。意图理解并非传统多轮对话管理，而是从语言、表情、场景上下文中还原人的真实需求。其定义为：从自然交互中理解人的真实想法，并生成合适的交互策略。真正优秀的机器人，不急于给答案，而是先判断用户真实需求、当前语境适宜性，以及应采取主动、等待、安抚还是推进的策略。

案例对比：从「给方案」到「懂人心」

以用户说「最近感觉不在状态」为例：
* 主流模型：直接输出调理方案，忽略背后可能隐藏的疲劳、压力或情绪低落，未确认用户需要短期急救还是长期调整。
* 深穹星核模型：先承接情绪，追问「你目前最想先缓解的是熬夜后的累感，还是节奏太快导致的紧张？」，明确真实需求后才给出方案。

多个主流模型输出结果：直接根据指令输出计划

自研模型：先承接情绪，同时从一句模糊语句逐步细化需求

面对人类动机的无限组合，靠「调 Prompt」兜底只是补丁。Prompt 枚举无法覆盖隐晦的长尾交互，只能修饰模型的「嘴」，无法补齐它「不懂人」的「脑」。

VLIA 架构：从意图感知到自然反馈

为了让意图理解落地，深穹星核提出 VLIA 技术架构：Vision-Language-Intention-Action，面向真实交互场景的一体化端侧具身智能模型。它打通从「感知用户状态」到「理解真实意图」再到「生成自然回应」的全链路。

• 意图感知与预判：综合语音、表情、注视、场景视觉、影音状态及长期记忆，还原用户需求、情绪与关系诉求。目标不仅是生成「像人的话」，更是预判交互走向：在当前关系与情绪下，用户真正想要什么；回应后用户状态如何变化；何种语言、表情、动作组合能让交互更自然、可信、长期。
• 四大关键环节：
• Vision：人脸、表情、注视、场景感知。
• Language：语音识别、语义理解、对话上下文。
• Intention：融合意图状态、情绪、关系和长期记忆，完成意图研判与交互趋势预判。
• Action：生成语言、语音、表情、注视和动作策略。

战略合作：模型与硬件共同落地

人脸机器人作为典型的端侧具身智能产品，需要低时延、高可靠、可协同的硬件连接与产业生态。深穹星核与星闪联盟建立战略合作，联合打造端侧具身智能产品。

• 技术背书：深穹星核创始人郁振波的博士生导师、张文军院士，是星闪联盟学术带头人及该技术最重要的倡导者与定义者之一。
• 分工明确：
• 深穹星核：负责 VLIA 一体化端侧大脑，涵盖意图建模、多模态理解、动作生成、人脸交互与情感表达。
• 星闪联盟：提供低时延无线连接、高可靠设备协同、端侧硬件适配及生态伙伴场景落地能力。

双方共同定义端侧具身产品，从模型、芯片、连接到机器人本体，推动家庭交互终端、多模态交互模组和机器人本体落地，将「意图理解」从模型能力推进到真实硬件产品。

意图数据的 Scaling 路线：从「知其然」到「知其所以然」

行业普遍「知其然」—— 观测人说了什么、做了什么、表情如何变化，却忽视行为背后的动机。深穹星核做的是「知其所以然」—— 还原人为什么停顿、为什么回避眼神、为什么语气转弱，以及在特定关系和情绪状态下希望如何被回应。这些隐藏的意图逻辑、情绪转折与关系语境，才是意图理解的核心训练信号，也是公开数据天然缺失的部分。

独家数据壁垒：结构化意图种子

深穹星核判断：具备明确动机、关系递进与反馈闭环的结构化交互场景，是高质量意图数据的核心来源。

通过与井英科技、友谊时光等头部内容公司战略合作，深穹星核率先拿下两类高壁垒意图种子数据：

1. 叙事类交互数据：来自专业短剧创作体系，包含完整剧本结构、角色目标、情绪弧线、表演意图与剧情设计。从中提取人物隐含动机、情绪转折与互动策略，将创作层面的意图逻辑转化为模型可学习的监督信号。
2. 互动类交互数据：来自女性向游戏完整交互体系，包含关系阶段、玩家选择、互动目标、好感度反馈与剧情分支。这类强关系、强情绪、强反馈的长期属性，与机器人陪伴场景高度契合，是训练交互意图模型的天然优质样本。

这两类数据补充了公开数据缺失的 Intent、Emotion、Relationship、Feedback、Strategy五大维度标签，实现了从「观测行为结果」到「监督意图因果」的本质跨越。

数据飞轮：扩大「可被模型学习的人类意图轨迹」

高质量数据若不能规模化，无法支撑模型进化。深穹星核选择的路线不是简单扩大公开视频库，而是扩大「可被模型学习的人类意图轨迹」。

Data Scaling 五步飞轮：
1. Intention Seed Data：短剧与女性向游戏提供高质量意图种子。
2. Annotation Model：训练意图标注与表征模型。
3. Large-scale Data：处理视频、对话和交互日志。
4. Intention-supervised Trajectories：形成行为、情绪、关系、反馈一体化轨迹。
5. VLIA：训练交互趋势预判与响应生成能力。

随着标注模型能力提升，数据规模快速扩大。VLIA 的训练基础不再是浅层相关性，而是带有意图监督的交互因果结构。模型不仅学习「人说了什么、做了什么」，更学习「人在什么关系和情绪状态下，为什么这样说、为什么这样做，希望对方如何回应」。

(注：原图链接保留，此处为示意)

技术护城河：三层闭环

深穹星核的技术护城河由「仿生硬件 — 核心数据 — 工程体系」三层叠加形成完整闭环：

1. 第一层：医疗级人脸美学设计壁垒
   依托合规临床数据，掌握全维度医学数据。基于真实生理结构的参数化设计，让人脸跨越「恐怖谷」，匹配执行器与量产约束，解决「用户愿意互动」的前提。

2. 第二层：独家结构化意图数据的核心能力壁垒
   行业依赖公开数据只能学到外显行为。深穹星核通过战略合作获取短剧、游戏场景中自带完整意图结构的高质量种子数据 —— 包含动机、情绪、关系与交互策略，是天然的「意图监督数据」，决定 VLIA 的意图理解上限。

3. 第三层：Data Infra 工程体系的规模化效率壁垒
   通过意图标注、表征学习与质量评估，将种子数据快速泛化到海量公开视频、对话与交互日志中，批量生成带意图监督的交互轨迹，形成「种子→标注→大规模轨迹→迭代」的正向飞轮，解决高质量数据难以规模化的难题。

仿真数据筑牢入口，意图数据定义能力，Data Infra 实现规模化迭代。三者构成从触达到内核再到进化的完整闭环。

长期陪伴：OrthLoRA 个性化学习机制

在长期陪伴场景中，机器人需逐步熟悉用户习惯，实现「越用越懂你」。但业内共性难题是持续适配中易出现行为漂移、人格不一致，消解信任感。

深穹星核推出 OrthLoRA 个性化学习机制，跳出「稳定就不能个性化」的行业两难：
* 传统方案：通过限制模型偏离度被动妥协。
* OrthLoRA：从底层结构解决矛盾，将「不变的基础能力」与「可变的个性偏好」在模型参数空间进行隔离。

这套机制让 VLIA 模型在长期使用中自然贴合用户沟通节奏，相处越久越有默契；同时始终保持统一风格与清晰边界，避免「越用越陌生」的体验断层，为人机长期陪伴提供稳固技术支撑。

结语

深穹星核坚信，机器人产业的下一步不是全面替代人，而是回到以人为本，做好与人的交互，并以此为切口真正进入家庭。