室内温度高达40多度，连续四个月，每天15个小时，浦群妍带着一帮技术人员，泡在仓库里，和工人一起开发、测试公司的物流机器人。
这样的夏天，她已经扛过好几个。
硬科技领域不乏女性创业者，但真正拥有纯技术背景、直接站在研发一线的女性创始人并不多。浦群妍恰恰是其中一个。2004年，她考入复旦大学计算机系，本科毕业后，她又前往卡内基梅隆大学深造，随后加入谷歌，将多项AI技术转化为实际产品，带动的年收入超过10亿美元。她还曾作为创始团队成员加入了全球无人配送鼻祖Nuro，这家公司如今已是一只超级独角兽。
近日，我们了解到，浦群妍创办的具身智能公司寅成智能完成近亿元的A轮融资。本轮由华民投和上海半导体产投联合领投，老股东德同资本持续加码。多维资本担任本轮独家财务顾问。据悉，本轮融资距离上一轮千万级美元的天使轮，仅仅过去了3个月。
从创业第一天起，她就把目光首先锁定在了物流分拣这样一个足够庞大，却也足够“苦”的万亿级市场。一路过关斩将，不到3年时间，已经做到了物流分拣具身落地订单头部位置，并且成功进入顺丰速运、申通快递、科捷股份和海外物流公司GOFO等客户业务流。
最近，她向我们披露的成果是，顺丰已经下了一笔亿元级订单。
极致的效率和ROI是浦群妍认为寅成智能能够快速在工业场景站稳脚跟的关键所在。在“AI for AI”的概念还没有像现在这么火的时候，寅成智能就引入了自我进化的数据训练机制，让机器人在真实作业中不断自主学习，目前，这套系统已在快递分拣等场景落地，抓取成功率高达99.99%以上，单件作业仅需2秒。
不造一个“全新的机器人”
当下最火的具身智能概念中，“世界模型”几乎总能占据一席之地。但浦群妍告诉我，类似的技术理念，其实在十年前她做无人驾驶时就已经存在了，只是当时还没有人把它定义为“世界模型”。
在她看来，两者的底层逻辑非常相似，不同的地方在于对精度的要求。“仓储这一块，特别是我们现在在做的pick and place，是一个精细活，相对于无人驾驶来说，它要精细得多。因为无人驾驶尽量保持一定的安全距离，其实就可以了。但机器人做touch，本身就必须去触碰。这样的话，精度稍微差一点，最终结果都会受到影响。”
从无人驾驶进入具身智能，再把第一站落在物流场景，浦群妍经过了大量产业调研和思考。她认为，物流首先是一个足够大的市场。与此同时，这也是一个典型的劳动密集型行业，场景高度非结构化、非标准化，随机性很强。过去的简单AI和传统自动化，很难覆盖这些复杂情况，因此大量环节至今仍然依赖人工。
这恰恰也是AI最有机会发挥价值的地方。“一个行业越是非标、越是难以通过传统自动化解决，就越需要具备感知、判断和泛化能力的AI。”
她向我分享了一个产业调研时遇到过的印象很深的案例。一家年产值达到数十亿元的企业，整个生产流程已经完成了相当程度的自动化，十几个、二十个不同岗位，两班倒加起来也只有一百多人。这样的案例让她看到，工业自动化能够解决的问题其实已经不少，但物流场景依然存在大量分散、复杂、难以标准化的环节。
这也成为她最终选择物流的原因之一：市场足够大，同时又足够“非标”，给AI留下了真正的空间。
不过，进入2026年，物流场景也成为机器人赛道兵家必争之地，当越来越多人形机器人已经开始进入。在这样的竞争下，浦群妍认为，寅成智能的优势并不在于重新发明一套机器人本体，而在于更快地把产品推向真实场景。
她认为，人形机器人从两三年前开始，就试图对本体硬件、供应商体系以及零部件进行一轮全面革新。这意味着，从技术研发到供应链成熟，再到产品稳定，可能需要一个相对漫长的周期，“不是按一年、两年来计算，可能要按十年、二十年的产业周期来看”。
寅成智能选择了另一条路线。“我们并没有对整个本体做一个绝对颠覆性的改变，也没有把整个供应链推倒重来，而是先把AI能力装进真实的工业场景，用产品迭代去解决客户真正需要解决的问题。”
这种路线让寅成智能有了更长时间与产业磨合的机会。创业不到三年，浦群妍已经明显感受到品牌效应正在形成。她说，“现在可以去打听原有的物流设备厂商，他们会说，如果卖的是寅成的产品，有质量保证；如果不是，大家就不确定，也不敢买。”
从AI出发，而不是给机器人加AI
初听浦群妍介绍寅成智能的落地速度，可能会感到意外，但是了解这家公司的数据训练方式以后，很多问题便能够迎刃而解。
先从数据成为具身智能行业的基础共识说起，过去两年，围绕真实数据、仿真数据和合成数据的技术路线，行业一直存在不同判断；但随着越来越多机器人开始进入真实场景，另一个问题也逐渐浮现：即便获得了足够多的数据，如何筛选、标注、训练和使用这些数据，同样决定着模型迭代的效率。
尤其是真实世界数据的获取成本较高，如果后续流程仍高度依赖人工，数据规模扩大之后，研发效率很容易受到限制。因此，如何把数据筛选、模型训练和效果评估尽可能自动化，正在成为具身智能公司需要解决的基础问题。
浦群妍对此的理解是，一旦大量环节依赖人工，迭代速度就会受到影响。“因为一旦涉及人，整个迭代就会变慢。人需要推理、思考，包括engineering，这些事情都需要时间。”
在模型训练环节，寅成智能内部采用了一套类似“teacher-student”的机制，通过另一个模型持续监控训练效果，对模型表现进行评估，再将结果反馈到下一轮训练中。按照公司披露，目前寅成智能已经在客户真实作业场景中积累了数百万条数据，覆盖异形、破损、挤压、堆叠、遮挡、粉尘、易碎品、纠缠物体等复杂情况。目前相关系统已经在快递分拣等场景落地，抓取成功率最高可达99.99%，单件作业时间约2秒。
“我的商业路线，其实是来配合我的技术和产品往前推进的。”从寅成智能的路径来看，技术路线和商业化并不是两条独立的线。公司选择从物流中的具体任务切入，本身就意味着需要在较早阶段进入真实产线，用实际作业不断暴露问题，再反过来推动数据和模型迭代。
这与现在一些开始就追求“什么都能做”的通用机器人路线存在明显差异。浦群妍说，对于希望从一开始实现通用能力的人形机器人而言，需要先回答“anything”的第一件事是什么、第二件事是什么，再逐个进行适配。任务范围越广，需要覆盖的场景、数据和工程问题也越复杂，技术验证周期自然更长。
寅成智能选择的是另一条路线。浦群妍认为，“一个更符合逻辑的产品和技术发展路线，应该是单任务的泛化，到多任务的泛化，再到无限任务的泛化。”
这套路径背后，寅成智能对自己的定位也比较明确：不是给机器人“加AI”，而是从AI出发。浦群妍将两者概括为“AI+”和“+AI”。举个例子来说，“AI加物流”和“物流加AI”在她看来是两件不同的事情。在她看来，寅成智能首先建立的是AI能力，再叠加物流和机器人属性，让已有的机器人变得更加智能；另一种路径则是先从机器人本体出发，再尝试增加AI能力。
这也是寅成智能没有选择从机器人本体和供应链进行大规模重构，而是基于现有机器人持续研发和迭代的原因。
“打破规则”
浦群妍身上一个比较鲜明的特质，是她对“打破规则”这件事并没有太多心理负担。
她本科阶段就选择了AI方向。2006、2007年前后，AI还远没有成为今天的热门赛道。“很多理工科其实还是基于规则、逻辑和推理得出结论，但是AI可以跳脱到这些规则以外，可以自学习，可以模仿人。所以当年的我虽然还很年轻，但我觉得这个东西很酷。”
对技术本身的兴趣，后来也贯穿到了她的创业选择中。从无人驾驶转向具身智能，还AI切入物流机器人，她更关注的似乎始终是技术本身能够解决什么问题，而不是沿着一条已经被验证的路径寻找确定性。
这也解释了她对“打破规则”这件事的态度。“我有我自己的观点和看法，也有自己的人生价值需要去追求。所以我觉得，打破规则这件事情没有给我带来太大的负担，我是享受其中的。这个东西本身一直在激励我往前走。”
但真正让这种技术理想落到现实中的，并不只是技术判断。创业之后，她越来越多地出现在工厂和客户现场。她会和生产一线的员工长期交流，也会和客户现场的工人一起解决问题。在她看来，这些一线员工有自己的判断和情感，他们未必会用技术语言讨论产品，但如果认同一件事情、也认可与你合作的人，就会真正把这件事当成自己的事情去做。
寅成智能早期的一次产品验证，让她对此印象尤其深刻。最初，公司是在实验室里搭建测试场景，尽可能把环境做得复杂、把数据做得随机，以此验证产品性能。实验室里的结果看起来不错，但真正进入客户现场后，情况却完全不同。“直接傻眼了，就是感觉什么都不对了。”
实验室环境和真实场景之间会存在差距甚至超出了团队预料，一时间，大家甚至开始怀疑，研发是不是需要推倒重来，方向是不是选错了。
那段时间恰逢夏天，现场温度超过40℃。浦群妍带着团队，甚至把行政人员也拉到现场，长期驻扎，一点点解决实际问题。从备用线开始，先跑100个包裹，再到1000个包裹；从每天运行1小时，到逐渐增加运行时间。指标稳定之后，再进入真正的生产线，从5分钟、10分钟、1小时，一点点增加到全天运行。
当时正值“双十一”这样的业务高峰期，订单量突然放大，所有人都知道，一旦产品出现问题，影响的不再只是一次测试，而是客户真实的生产经营。在这个过程中，一位长期与他们合作的维保人员给了团队很大的信心。他不断告诉现场的人“没问题”，也持续加班，帮助团队解决一个个实际问题。随着产品逐渐稳定，客户方的一线人员也从旁观者变成了产品迭代过程中的参与者。
浦群妍把它理解为一种人与人之间的信任。“我觉得女性的共情力可能会更强一些。至少我能够感觉到，你尊重他们，他们也会用很多倍的回报给你。”
在长期与客户、工人和团队相处的过程中，“尊重一线的人”和“愿意长期待在现场”确实成为了她与团队相处的一种方式。相比单纯依靠技术指标证明产品，她似乎更在意如何让真正使用产品的人参与到产品变好的过程中。
