导读：当美国人形机器人公司 Figure AI 上演"200 小时不间断直播”的炫技时，前谷歌 AI 负责人、Nuro 初创核心成员浦群妍却选择了一条更为务实的路径。她创立的寅成智能，摒弃了昂贵且复杂的人形方案，专注于物流分拣这一“苦累脏”场景。凭借自研端到端 AI 大模型与高性能机械臂的协同，其产品在效率、准确率及 ROI（投资回报率）上已远超人工，并成功在顺丰等头部物流企业实现规模化部署。
作者丨薛皓皓
编辑丨关雎
图源丨寅成智能
走务实的具身智能路线
两个月前，Figure AI 展示了 4 台 Figure 03 机器人连续 200 小时翻转快递包裹条形码的场景。然而，这场“炫技”背后隐藏着一个核心问题：物流场景是否真的需要昂贵的“人形”具身智能？
寅成智能创始人浦群妍给出了否定的答案。曾任谷歌 AI 产品化应用负责人及 Nuro 初创团队核心成员的她，带着十余年顶尖 AI 与自动驾驶经验回国，并未盲目追随人形机器人热潮，而是将目光锁定在物流分拣这一对 ROI 极为敏感的赛道。
依托自研的“感知 - 规划 - 决策”一体化端到端 AI 大模型，寅成智能的核心产品——具身智能分拣机械臂，单次抓取动作仅需 1.5 至 1.6 秒，分拣效率高达 1800 件/小时；错分率控制在 30ppm（百万分之三十）左右，质量指标达到人工的 3 倍。在真实的“机器换人”账本上，该机械臂可实现单机 24 小时不间断运转，完美契合客户对成本与效率的双重要求。
寅成智能创始人浦群妍
目前，寅成智能已完成千万美元级别的天使轮融资，并在顺丰等头部物流巨头的业务流中开展规模化部署。
近期，从国外的 Figure AI 到国内的自变量、星动纪元等企业，纷纷展示具身智能在物流分拣中的应用。物流分拣已成为机器人落地的共识高地，但各家成本尚未透明化。
具身创业：先找钉子，再造锤子
2022 年，毕业于复旦大学与卡内基梅隆大学的浦群妍，离开了由前谷歌 Waymo 工程师创立的无人配送公司 Nuro。彼时，Nuro 的低速无人配送车已完成从 0 到 1 的研发，进入规模化商业阶段。作为创始团队成员，浦群妍认为自己的使命已达，决定离职投身具身智能创业，并坚定选择回国。“国内拥有成熟的供应链体系及丰富的应用场景，”她解释道。
在创业方向上，浦群妍警惕硅谷工程师文化常见的“拿着锤子找钉子”误区。她坚持商业逻辑优先：市场需求推动产品，产品推动技术。经过一年对物流、3C、汽车等主流场景的系统调研，她最终锁定了物流分拣作为切入点。
回忆起首次深入国内快递分拣中心的经历，浦群妍印象深刻：包裹形态各异，既有方正纸箱，也有被压扁的软包、光滑的气泡袋，甚至缠绕胶带的破损件。工人需在几秒内完成抓取、判断和摆放，极具挑战。
选择物流分拣作为首发场景，主要基于三点考量：
- 强共识与高复制性：物流行业劳动密集，客户需求高度一致。解决一家的问题，即可快速复制至全行业。
- AI 价值最大化：传统机械臂难以处理非标件，而具身智能能实时感知材质、软硬度及堆叠关系，精准执行抓取，解决了行业痛点。
- 技术降维复用：物流分拣本质是"AI+ 物理执行”，与控制无人驾驶车辆的技术基础同源，可复用 Nuro 积累的技术经验。
具身智能，终于能算经济账了
目前，寅成智能的“具身智能分拣机器人”已成功进入顺丰控股、中国邮政、科捷股份及海外物流公司 GOFO 的业务流，并签署批量订单。然而，这一成果并非一蹴而就。
研发初期，实验室内的 3000 个随机包裹测试表现优异，但首次实地测试时，面对真实场景中千奇百怪的"Corner Case"（长尾数据），抓取成功率一度仅为 20%。
摆在团队面前的挑战主要集中在三方面：
- 速度难关：客户要求机器人效率媲美人工。通过优化端到端 AI 大模型的计算延迟，结合高性能串联机械臂，寅成智能将单次分拣全流程压缩至 1.5-1.6 秒，实现 1800 件/小时的效率，并保证 24 小时稳定运行。
- 质量难关：针对极高的错分率要求，团队深入现场定义错分标准，通过算法调优，将错分率压低至 30ppm。
- 环境难关：面对夏季仓内高达 45-50 摄氏度的高温，机器人需克服传感器反应变慢及设备过热等问题。经过两个完整冬夏的考验，其软硬件已完全适应极端环境。
至 2025 年 6 月，抓取成功率攀升至 97%；如今，这一数字已稳定在 99.99%。
对比 Figure AI 直播中单件耗时 3 秒、需每 4 小时换机的模式，寅成智能的方案在成本与效率上更具优势。物流客户不在乎机器人是否像人，只在乎是否比人更便宜、更快、更易管理。这正是寅成智能赢得头部客户订单的关键。
分拣只是第一步
在浦群妍的规划中，物流分拣仅是起点。“目前聚焦的供包环节是一个百亿级市场。”未来 3 至 5 年，寅成智能将遵循“从单任务到多任务泛化”的渐进路径。
纵向拓展：深耕物流链条
在突破单点分拣场景后，公司将向物流链条的其他环节延伸，覆盖更多作业节点。
横向拓展：跨界多场景应用
更具想象空间的是横向拓展。寅成智能的底层 AI 大模型具备强大的泛化能力，可适配任意"Pick and Place"（抓取与放置）场景。无论是医药、电商仓还是即时零售，任务本质未变。
具体落地策略包括：一是将客户特有的业务逻辑编码进模型；二是在新场景中收集有效数据与长尾案例，持续优化指标。以医药场景为例，面对包装规整的药品，识别难度反而低于异形快递包裹，堪称一次“降维打击”。
从硅谷到上海，从无人驾驶到具身智能，浦群妍正带领寅成智能在商业化道路上稳步迭代，用务实的技术重新定义物流自动化。
