长得好看又会「看脸色」，深穹星核不卷「干活」卷「懂你」，天使轮再获数千万战略加注

2026 年，具身智能走到一个耐人寻味的转折点。工厂人形机器人仍在逐条验证 ROI，聚光灯却已悄然转向家庭与消费场景：超仿生人形机器人预售订单以万计，挤满 CES 展台。当「进入家庭」第一次成为机器人产品的关键词，热闹之下，行业共识正在松动 —— 过去三年，具身公司都在回答「如何让机器人把活干好」；而当机器人真正走进家庭，另一道题几乎无人认真作答：机器人，真的懂它所服务的这个人吗？

今天的具身智能公司：一类做本体，卷硬件、卷量产；一类做「小脑」，专注运动控制；一类做操作「大脑」，教机器人叠衣、备餐。三类玩家殊途同归，都在让机器人「会干活」。但当机器人以「人」的形象走进家庭，这张地图上始终缺着关键一块：谁来为它构建一颗真正「懂人」的大脑？仿生人大脑 —— 这条决定机器人能否从「工具」变成「伙伴」的赛道，恰恰是收敛程度最低、也最被低估的一条。

深穹星核的判断是一个鲜明的非共识：面向 C 端场景的具身智能核心命题，不是任务，而是意图。人的语言天然高噪声、不完整 —— 说「没事」可能并不是没事，说「随便」背后往往有明确偏好，一次沉默、一次眼神回避，或许才是真正需要被读懂的信号。语音对话、表情模组、云端大模型，都只触达了交互的表层；只有把「人为什么这样说、此刻真正需要什么、希望被如何回应」完整还原出来，机器人才谈得上懂人。在深穹星核看来，意图理解（Intention）正是下一代通用智能绕不开的技术板块 —— 一如自动驾驶绕不开感知，大语言模型绕不开对齐。

针对这一命题，深穹星核给出了自己的答案：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枢纽的具身交互大脑。在 VLIA 的链路里，视觉与语言不再只是动作的输入通道，动作也不只是指令的输出载体，整个模型围绕「还原真实意图、预判交互走向」运转；团队以人脸作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。

然而模型只是起点，数据才是决定天花板的那块板。今天的行业不缺视频与语料，真正稀缺的，是带有意图结构的数据。公开数据只呈现行为结果，不提供动机与因果链；而家庭场景的开放交互，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、游戏公司战略合作，拿下自带完整意图结构的高质量种子数据；再通过自研的高效数据处理管线将其快速泛化至海量公开交互数据，实现意图数据的规模化。

能将 “意图” 这一命题落地为 VLIA 模型，源于深穹星核团队极度契合的跨界能力拼图。创始人郁振波曾蝉联 ImageNet 国际大模型竞赛三年世界冠军，具备扎实的大规模训练经验；同时，他多年在华为海思的端侧研发经验，让 VLIA 从设计之初就自带落地的端侧基因。而在交互层面，核心团队源自腾讯、米哈游等头部游戏大厂，长期致力于通过理解玩家交互意图来提供动态反馈。这种在虚拟世界中 “读懂人” 的深厚积累，直接构成了 VLIA 意图理解的技术基石。训练、端侧、意图理解，三块板严丝合缝地扣在了一起。

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、日常交互与协作场景。继上周天使 4 轮融资后，公司再次完成新一轮数千万元天使 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。

选择从人脸切入，是因为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，日常交流中人脸天然承载更高密度的交互信息，不仅传递情绪，也传递关系。对具身智能而言，人脸不是装饰，而是机器人从 "工具" 变成 "有意图的交互主体" 的关键入口。深穹星核判断：未来的机器人亲密伙伴必须首先拥有一张可信、自然、高审美、可表达的脸。只有用户愿意看它、相信它、与它建立持续互动，后续的意图理解、长期记忆、交互和任务协作才真正成立。

好的人脸机器人一定是审美先行，深穹星核依托上海九院整形外科建立了医学数据、参数化形变与仿真平台结合的设计体系。依托高质量人脸数据，构建从 3D 扫描、CT/MRI、肌肉骨骼到美学参数生成的技术流程。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设计。这套体系将人脸设计从主观经验转化为可参数化、可仿真、可制造的工程能力。

意图理解是下一代人机交互的核心

如果说 "人脸硬件" 解决的是 "用户愿不愿意与机器人互动"，那么 "意图理解" 解决的就是 "机器人能不能真正懂人"。这正是深穹星核的鲜明非共识 —— 当整个行业都在回答 "机器人能做什么"，深穹星核选择回答 "机器人懂不懂人"，而且这是下一代人机交互命题中必须被回答的核心问题。

深穹星核认为，自然交互本身是高噪声、不完整的。用户说 "没事"，可能并不是真的没事；说 "随便"，背后可能有明确偏好；交互场景中的沉默，也可能是一种需要被理解的反馈。因此，意图理解不是传统多轮对话管理，而是从语言、表情、场景上下文中，还原人的真实需求。深穹星核对 "意图理解" 的定义是：从自然交互中理解人的真实想法，并生成合适的交互策略。真正好的机器人，不是急着给答案，而是先判断用户真实需要什么、现在适不适合问、应该主动还是等待、应该安抚还是推进交互。这也是 VLIA 模型的核心设计目标。

这一理念在真实交互中体现得尤为明显。以用户说 "最近感觉不在状态" 为例 —— 主流模型会直接输出一份调理方案，却忽略背后可能隐藏的疲劳、压力或情绪低落，也未确认用户需要的是短期急救还是长期调整。而深穹星核的模型会先承接情绪，再追问 "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。不是急着给答案，而是先判断用户真正需要什么。

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需细化需求

以上只是复杂意图中的一个例子。真实交互中，人的意图往往模糊、甚至自我隐藏。面对这种复杂性，靠 “调 Prompt” 兜底是行业常见的做法。然而 Prompt 枚举只能起到补丁的作用，人类动机的组合是无限的。试图用提示词去穷举意图映射，不仅会导致推理崩塌，更永远覆盖不了隐晦的长尾交互。Prompt 只能修饰模型的 “嘴”，无法补齐它 “不懂人” 的 “脑”。

VLIA：从意图感知到自然反馈的

一体化端侧具身智能模型

为了让意图理解能力真正落到机器人的动作与表达上，深穹星核提出 VLIA 技术架构：即 Vision-Language-Intention-Action，面向真实交互场景的一体化端侧具身智能模型。它不止步于理解用户的表层语义，而是从多模态信号中感知用户真实意图、预判交互走向，并生成自然得体的多模态反馈，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。

在意图感知与预判层面，VLIA 综合用户语音、表情反应、注视、场景视觉、影音状态和长期记忆，还原用户的真实需求、情绪状态与关系诉求。它的目标不是生成一句 "像人的话"，而是预判交互走向：在当前关系、情绪和场景下，用户真正想要什么；机器人做出某种回应后，用户状态会如何变化；什么样的语言、语音、表情、注视和动作组合，能让交互更自然、更可信、更长期。

在架构上，VLIA 包含四个关键环节：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）。

与星闪联盟战略合作：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，不仅需要模型能力，也需要低时延、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。其中深穹星核创始人郁振波博士生导师张文军院士不仅为星闪联盟的学术带头人，更是该技术最重要的倡导者和定义者之一。深穹星核负责 VLIA 一体化端侧大脑，涵盖意图建模、多模态理解与动作生成、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、端侧硬件适配和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产品落地，把 "意图理解" 从模型能力推进到真实硬件产品，使机器人能够在家庭、娱乐和生活场景中稳定运行。

从「知其然」到「知其所以然」：

意图数据的 Scaling 路线

目前看，行业普遍 "知其然"—— 集中在观测人说了什么、做了什么、表情如何变化，却忽视了行为背后的动机；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，在什么样的关系和情绪状态下，希望被如何回应。这些隐藏的意图逻辑、情绪转折、关系语境与预期反馈，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。

深穹星核的核心判断是：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。在这类场景中，每一次表达、每一个反应都对应清晰的意图指向，天然形成 “动机 - 行为 - 反馈” 的完整因果链路，远比无标注的公开数据更有训练价值。基于这一判断，公司通过与井英科技、友谊时光等头部内容公司建立战略合作，率先拿下两类高壁垒意图种子数据，构建独有的意图数据体系：

• 叙事类交互数据：来自专业短剧创作体系，包含完整的剧本结构、角色目标、情绪弧线、表演意图与剧情设计。公司从中提取人物的隐含动机、情绪转折与互动策略，把创作层面的意图逻辑转化为模型可学习的监督信号。
• 互动类交互数据：来自女性向游戏的完整交互体系，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，与机器人陪伴的核心场景高度契合，是训练交互意图模型的天然优质样本。

这两类战略合作数据，补充了公开数据普遍缺失的 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。这就是深穹星核的数据壁垒：行业普遍在堆砌表层行为数据，而深穹星核从源头掌握了交互意图的底层结构。但高质量数据若不能规模化，依然无法支撑模型的持续进化。如何让稀缺的意图种子突破体量瓶颈，形成可自我放大的数据飞轮，正是深穹星核 Data Scaling 的核心命题。

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”。公司首先用短剧和游戏战略合作形成高质量意图种子数据；再训练意图标注与意图表征模型；随后将这套能力扩展到大规模视频、对话和机器人交互日志中，把原本只有表层行为的数据，转化为带有意图监督的 trajectories。这条数据飞轮包括五步：

• Intention Seed Data：短剧与女性向游戏提供高质量意图种子
• Annotation Model：训练意图标注与表征模型
• Large-scale Data：处理视频、对话和交互日志
• Intention-supervised Trajectories：形成行为、情绪、关系、反馈一体化轨迹
• 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，数据规模可以快速扩大。公司真正 scale 的不是公开视频数量，而是可被模型学习的人类意图轨迹。这意味着，VLIA 的训练基础不是浅层相关性，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”。

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，构筑难以复刻的交互智能体系。

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。

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。深穹星核与头部内容公司战略合作，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。

第三层：Data Infra 工程体系的规模化效率壁垒。深穹星核通过意图标注、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，是深穹星核的核心竞争优势。

同时，深穹星核也在积极探索如何做好长期陪伴。在长期陪伴场景中，机器人需要逐步熟悉用户习惯，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，而 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" 在模型的参数空间进行隔离。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，不会出现 "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。

深穹星核相信，机器人产业的下一步要做的不是全面替代人，而是需要回到以人为本，做好与人的交互，并以此为切口真正进入家庭。

文章来自于微信公众号 “机器之心”，作者 “机器之心”