Zhijian Power / 至简动力 / Simplexity Robotics

1.1 身份、法律足迹与叙事定位

本章分析的可投资主体是杭州至简动力科技有限公司，公开也以至简动力、Zhijian Power 和 Simplexity Robotics 出现。官网以「Simplexity Robotics」介绍这家公司，称其成立于 2025 年 7 月下旬，专注用统一模型、数据闭环和机器人硬件打造全场景具身机器人。工商口径把叙事压实为一组法律事实：AiQicha 显示公司成立于 2025-07-31，位于杭州市余杭区，贾鹏任法定代表人，经营范围覆盖 AI 软件、智能机器人研发与销售、工业 / 服务机器人制造，以及数据处理和系统集成等服务。因此，当前更适合按机器人 / 具身 AI 来看。细节很关键：团队可信度来自 Li Auto 的智能驾驶和自动驾驶系统经验，但公开文章描述的是把 VLA、世界模型和自动驾驶能力迁移到机器人，而不是出售智能驾驶平台。[CO001, CO002, CO003, CO004, CO005, CO006]

1.2 领导层、创始人-市场匹配与治理信号

领导层叙事异常集中。多篇独立报道都将贾鹏列为 CEO、王凯列为董事长、王佳佳列为 COO，三人均来自 Li Auto 智能驾驶组织。公开报道把贾鹏与 Li Auto 智能驾驶研发、IBM 高性能计算和 Nvidia 自动驾驶架构经历相连；把王凯与 Li Auto CTO 职责和更早的 Visteon 自动驾驶架构经验相连；把王佳佳与智能驾驶量产职责相连。该机器人栈从自动驾驶借用感知、VLA、数据闭环和量产纪律，因此创始人-市场匹配可信。它也带来关键人与治理尽调负担：AiQicha 列出更宽的董事 / 高管名单，Baidu Baike 和第三方工商库披露创始人与机构股东信号，但已审阅来源没有提供签署版股权结构文件、董事会观察员权利、否决权或雇佣锁定条款。后续章节应把 Li Auto 校友论点同时视为优势和依赖项，而不是可持续组织厚度的证明。[CO028, CO029, CO030, CO031, CO032, CO033]

1.3 融资、阶段、地点与披露规模

融资是公开资料中最一致的规模信号。Sina、Tencent News、36Kr、Yicai Global、Gasgoo、Pandaily、Taibo、Pedaily 等媒体称，至简动力在不到约六个月内宣布 5 轮融资，合计 RMB 2 billion。投资方名单在多个来源中反复出现：Yuanjing/Vision Capital、Lanchi/BlueRun、Sequoia China/HongShan、Legend Capital、CAS Star、Gaorong、Tencent 和 Alibaba。Yicai 将融资额折算为 USD 289.3 million；36Kr 和 Baidu Baike 称估值跨过 USD 1 billion，使公司成为非上市独角兽。产品阶段事实不够成熟，但方向一致：报道提到 45 days 内做出第一代硬件、两代机器人本体、小批量线下生产，以及面向工厂、超市、物流等 B 端封闭场景的 PoC 验证。除杭州外，北京、上海和苏州也被列为战略地点，其中苏州被描述为全球创新中心。已审阅公开来源没有披露收入、客户数量或员工人数；这些是明确的封面指标缺口，而不是零值。[CO014, CO015, CO016, CO017, CO018, CO019]

1.4 里程碑、负面背景与待尽调事项

公开时间线被压得很紧，也带有较强宣传属性：2025 年 7 月完成法律设立；数周内据报推进原型 / 产品；2026 年 3 月宣布融资；随后英文报道将其包装为高速成长的具身 AI 独角兽；2026 年 4 月在浙江 / 杭州生态中获得认可。已审阅页面里最重要的负面证据不是公司特定制裁或诉讼，而是行业层面对具身智能估值、商业化和真实需求风险的怀疑。NBD 称该行业仍处早期，缺少类似 ChatGPT 的已验证范式，并暴露在 FOMO 驱动的估值之下；NetEase 也指出更广泛人形 / 具身机器人热潮中的技术瓶颈、伪需求和盈利担忧。监管尽调在公开检索中也不完整：已审阅国家级和 CreditChina 门户，但静态抓取输出未捕捉到直接面向该公司的官方结果。因此，本章可以核验身份、团队、融资和据报产品阶段里程碑，同时保留经审计财务、签约客户、员工基础、股权结构和官方负面记录检索等缺口。[CO039, CO040, CO041, CO042, CO043, CO044]

1.5 图表

2.1 市场边界：面向受控作业的具身智能机器人

Simplexity Robotics 不应按泛 AI 公司、EV 自动驾驶供应商或广义消费级人形机器人来估算。证据指向一家使用自动驾驶技术栈方法的具身智能机器人公司，初始部署围绕封闭或半封闭的工厂、超市和物流工作流。因此，纳入的支出应覆盖机器人本体、操作或移动模块、车队编排、机器人技能 / 数据迭代、部署集成、维护，以及面向受控工位和场内物流路径的结果挂钩服务模式。排除的支出包括消费聊天机器人 AI、通用云端模型训练、广义 EV 软件、独立 WMS 许可证，以及不具备移动或操作自主性的商品化自动化。现状替代也很宽：人工、输送线、AGV、固定自动化、叉车、外包 3PL 流程和内部自动化团队已经解决了部分工作。这个边界解释了用户背景为何提到智能驾驶：公开报道把创始团队与 Li Auto 自动驾驶和 VLA 工作相连，但可投资市场是实体运营中的机器人部署，不是汽车。[CM001, CM002, CM003, CM004, CM005, CM006]

2.2 TAM/SAM/SOM 视角，以及为什么数字不能压成一个 TAM

公开数据支持分层测算。全球物流机器人口径是最宽的天花板，Global Market Insights 估算该市场 2026 年为 USD 20.7 billion，2035 年达到 USD 91.4 billion。更窄的仓储机器人口径规模更小，但更接近初始买家：Fortune Business Insights 估算全球仓储机器人 2026 年为 USD 7.35 billion，中国仓储机器人 2026 年为 USD 2.94 billion。MarkNtel 的中国仓储自动化估计相邻但并不完全相同，不过其 2025 年 USD 3.02 billion 基数和 2032 年 USD 9.17 billion 预测，可作为中国自动化 SAM 代理。Simplexity 的公开 SOM 无法计算，因为没有披露付费部署、定价、客户数量、收入或毛利率。正确的尽调姿态，是把中国工业物流机器人视为具身智能里的第一根楔子，再要求管理层证明 PoC 能转化为可重复的付费部署。[CM014, CM015, CM016, CM017, CM018, CM019]

2.3 买家、用户、付款方与采用路径

买方地图更偏运营，而不是纯技术。在电商履约和 3PL 中，经济买家是物流或仓储运营 VP，日常用户是拣选员、主管和自动化工程师，付款方是物流业务单元或资本开支委员会。在制造业场内物流中，工厂运营和工业工程团队推动采购，IT 与自动化团队则把机器人接入 MES、WMS、安全和设施控制。零售与超市场景增加门店运营和损耗防控干系人；服务场景增加设施或网点运营。JD 的 Zhilang 证据说明买家为什么在意：公开主张包括拣选效率提升超过 3x、存储密度提升 2.5x、回本周期缩短，以及北京一个园区内近 100 台机器人。Geekplus 证据给出在位者标杆：大型 AMR 供应商卖给电商、3PL、服装、医疗、商超、汽车、冷链等高吞吐环境。Simplexity 要么在柔性操作和泛化上胜出，要么找到在位者能力不足的工作流。[CM020, CM022, CM023, CM024, CM025, CM026]

2.4 增长驱动、中国政府支持与自动驾驶技术栈迁移

增长由政策、劳动力、电商、物流复杂度，以及把 AI 转化为实体生产力的诉求共同拉动。中国 2026 年 MIIT/SASAC 行动尤其明确：推动真实场景训练、创新联合体、技能包、验证、常态化部署、融资支持，甚至租赁或 robot-as-a-service 模式。更广的 Robot+ 政策和新的人形 / 具身 AI 标准体系增加合法性，也帮助打开国企和地方场景。市场数据同样支持需求：物流机器人驱动因素包括电商增长、劳动力短缺、AI 导航进步、RaaS、效率和韧性。自动驾驶迁移重要，是因为相同的 VLA / 世界模型、感知、导航、计算、电力和量产纪律可以缩短机器人迭代周期。可是，相比道路，机器人还需要在更不标准化的环境里处理操作、平衡、人机交互和异常场景鲁棒性；汽车技术栈可信度是起跑优势，不是采用证明。[CM008, CM009, CM010, CM011, CM012, CM020]

2.5 约束、矛盾与尽调缺口

采用约束很实质。公开市场估算方向积极，但边界互不兼容；分析师来源混用了仓储自动化、仓储机器人、物流机器人，有时还混入更广义的服务机器人。在位者已经有部署车队、客户证明和专用工作流，因此 Simplexity 不能假设具身 AI 叙事会自动转化为 SOM。技术风险仍在：公开报道强调训练难度高、算力消耗大、数据需求强，以及机器人作业相较驾驶面对更难的随机性。监管和地缘政治约束也重要，因为具身 AI 模型触及数据治理和先进计算供应。最关键的是，已审阅公开来源没有披露 Simplexity 的付费客户数量、价格、回本期、管线转化、在线率、毛利率或支持成本。市场有吸引力，但投资问题在于：Simplexity 能否在在位者吸收柔性自动化用例之前，把政策推动的试点转成可重复付费部署。[CM021, CM030, CM031, CM032, CM033, CM034]

2.6 图表

3.1 格局：直接具身机器人同业与 AV 技术栈邻近竞争者

最清晰的竞争框架，是把直接具身机器人同业与自动驾驶技术栈在位者和邻近公司分开。直接同业包括 AgiBot、Unitree、UBTECH、Galbot，以及中国人形和具身 AI 创业公司的长尾，因为它们销售或正在商业化实体机器人、机器人本体、机器人开发者平台，或面向工厂、零售、物流、教育和服务场景的任务机器人。Simplexity 处在同一类广义待完成任务中，因为官网将其描述为围绕一个基础模型、数据闭环效率和可靠机器人硬件打造的全场景具身机器人公司。Momenta、DeepRoute.ai、Horizon Robotics、Baidu Apollo、Pony.ai、WeRide、Mobileye 和 AutoX 等邻近竞争者不同：它们主要是自动驾驶软件、芯片、robotaxi 或 ADAS 技术栈。它们不会一对一替代一款人形机器人 SKU，但会争夺人才、资本、训练数据、OEM 信任、安全案例和世界模型可信度。这个区分很重要：Simplexity 可能把直接机器人订单输给价格更低或部署更多的人形机器人，也可能在 AV 技术栈玩家把车队规模实体 AI 资产转成机器人平台时失去战略重要性。[CP001, CP002, CP003, CP004, CP005, CP009]

3.2 直接同业画像与商业化信号

直接同业在外部证据上明显领先 Simplexity。AgiBot 自有页面和 2026 年公告强调多条机器人产品线、全栈具身智能架构，以及第 15,000 台机器人下线里程碑；这是一家 2025 年 7 月下旬才成立的公司无法公开匹配的规模信号。Unitree 的差异化不在不透明企业口径，而在可见的产品宽度和价格透明度：其官网列出人形机器人和四足机器人，G1 起售价 $13,500、Go2 起售价 $1,600，给买家和开发者形成低价公开锚。UBTECH 提供上市公司披露和人形 / 服务机器人组合，即便 Walker 的详细定价仍不可得。Galbot 是已审阅来源中融资最强的直接创业同业，2026 年报道称其新融资超过 $300 million、估值 $3 billion，已有自主零售部署、工厂用例和来自产业方的战略资本。Simplexity 的单模型和端侧训练表述技术野心很强，但当前竞争缺口是商业化证据，不是愿景。[CP001, CP002, CP006, CP007, CP008, CP009]

3.3 邻近 AV 技术栈压力：数据、安全、OEM 渠道与实体 AI 人才

自动驾驶技术栈公司不应被误标为直接人形机器人竞争者，但战略上仍然重要。Horizon 的公开申报文件和官网显示量产定点、Journey 系列出货、OEM 关系和 2024 年收入；这些都是具身机器人创业公司想借用的资产：安全工程、边缘推理、感知栈和车规级供应链。Pony.ai 和 WeRide 的公开投资者材料围绕 robotaxi、robotruck、许可、多国运营和牌照；这些不是人形机器人部署，但证明了车队运营、监管穿越和物理世界 AI 商业化能力。Baidu Apollo 和 Mobileye 还增加平台和 ADAS 分发深度。Gasgoo 关于汽车高管流向具身智能的报道尤其值得关注，因为它展示了 AV 与机器人之间的人才和资本桥梁，也包括 Simplexity 自身来自 Li Auto 的创始人谱系。按承销视角，AV 在位者是二阶竞争威胁：它们未必先于 Simplexity 做出机器人原型，但可以在年轻机器人创业公司证明锁定之前，塑造标准、吸走人才，并与 OEM 或工厂结盟。[CP013, CP014, CP020, CP021, CP022, CP023]

3.4 护城河耐久性、价格压力、锁定与商品化风险

最大负面信号是，中国人形机器人市场已经从演示走向生产规模和价格分层。TrendForce 预计中国人形机器人产量将在 2026 年大幅增长，并预测 Unitree 加 AgiBot 接近出货量的 80%；DirectIndustry 则提醒，许多公开机器人视频只是演示而非耐久生产证明，同时仍称 2025 年头部玩家也只有数千台。这个组合对 Simplexity 很危险：高端模型主张可能重要，但硬件价格底线、供应链能力和部署背书，可能在后来者建立买家锁定之前就把早期功能商品化。公开定价也不对称。Unitree 给出明确入门价格，而 Simplexity、AgiBot、Galbot 和 UBTECH 的企业人形机器人成本大多未知或以销售询价为主。未知定价应保持未知，不能推断。Simplexity 的可防御性因此取决于能否证明统一 VLA / 世界模型、端侧训练和硬件架构能带来可衡量的任务学习、在线率和数据闭环优势，并足以抵消更便宜的机器人本体、更大的同业车队或 AV 技术栈分发能力。[CP010, CP011, CP030, CP031, CP032, CP033]

3.5 图表

4.1 收入模式与定价可见度

Simplexity 的公开财务档案支持一个混合型企业机器人收入论点，而不是一个已经成型的收入模式。公司官网说明其是一家新成立的具身智能公司，正在建设模型、数据闭环和机器人硬件能力；Preqin 是保留来源中唯一明确描述收入来自向企业客户直接销售机器人硬件、配套软件模型和自动驾驶系统解决方案的来源。对一家全栈机器人公司来说，这个方向合理，但不等于公司披露的收入结构。已审阅官方页面没有发布 SKU、机器人 ASP、软件许可费、服务费率、试点转付费转化、折扣或合同期限。 财务含义是，所有价格和收入质量分析都必须保持条件式。据报封闭场景目标包括工厂、超市和物流，指向 B2B 部署而不是消费硬件规模；早期 PoC 验证是有用的牵引信号。但如果没有签署合同金额、付费部署、使用率、续约权和实施成本，PoC 仍不能计入经常性收入。因此，本章把硬件、软件和解决方案交付视为有支撑的收入流，但对 ARR、当前收入、已实现定价、毛利率、CAC 和回本期留为空值。[CI001, CI002, CI009, CI010, CI011, CI012]

4.2 单位经济性、成本结构与可比公司申报

Simplexity 没有披露通常支撑财务模型的单位经济性输入：机器人 BOM、制造良率、软件附加率、现场服务人力、质保率、支持强度、毛利率或回本期。因此，最好的公开证据只能是间接的。据报资金用途集中在基础模型训练、机器人本体研发与迭代、数据采集和核心算法，这指向一套横跨算力、机器人工程、数据运营、原型制造和现场验证的成本基础。这个画像与纯软件公司根本不同，不适合套用没有支撑的 SaaS 利润率假设。 可比自动驾驶和人形机器人公司的公开申报说明了为什么必须谨慎。WeRide 2025 年收入为 RMB684.6 million，但毛利只有 RMB4.9 million，净亏损 RMB1.25 billion。UBTECH 2024 年收入超过 RMB1.3 billion，但仍处亏损。Horizon 2024 年收入超过 RMB2.38 billion，并录得大额 non-IFRS 净亏损。Pony AI 2025 年收入扩至 US$90 million，但申报记录仍显示，从技术商业化到持久盈利还有很长路径。这些申报不是 Simplexity 的事实；它们是护栏，说明机器人收入可以与重度亏损、客户集中和营运资金压力并存。[CI006, CI015, CI016, CI017, CI018, CI019]

4.3 资本充足性、跑道与下一轮风险

最强的已披露财务事实是融资，不是经营表现。独立来源一致称累计融资约 CNY2.0 billion、估值超过 USD1.0 billion，投资财团包括 Tencent、Alibaba、HongShan、Legend、CAS Star、Gaorong、BlueRun/Lanchi 等。对一家 2025 年 7 月成立的公司来说，这笔资金异常庞大，也给 Simplexity 在模型训练、机器人迭代、数据获取和早期部署上留下有意义的资本垫。可是，它没有揭示账上现金，也没有说明公司消耗资本的速度。 因此，资本充足性仍是开放尽调问题。没有公开来源披露月度烧钱、跑道月数、债务、租赁、客户预付款、项目融资义务或下一轮融资触发条件。可能的触发条件不是标准 SaaS ARR 里程碑；对这家公司来说，更可能是证明软硬件系统能从 PoC 走向可重复部署，同时保持可接受的毛利率和服务负载。负面背景也重要，因为独立媒体报道了中国官方对人形机器人泡沫风险的担忧。如果市场情绪在 Simplexity 拿出收入质量和单位经济性的私有证据之前收紧，其据报独角兽估值可能更难守住。[CI003, CI004, CI005, CI006, CI013, CI014]

4.4 公开牵引与私有指标缺口

公开牵引故事可信但不完整。报道称公司很快完成小批量机器人本体推出和 PoC 验证，并描述其在杭州、北京、上海和苏州的布局。这些是重要运营信号，因为它们显示公司不只是纸面融资载体。可是，保留来源没有任何一个点名付费客户、披露已部署机器人数量、区分试用与付费合同、发布使用率，或展示来自 PoC 的已确认收入。这意味着数据无法支持活跃客户数、收入 run rate、ARR、NRR、毛利率或销售效率判断。 尽调姿态应当明确：公开牵引可以支持继续研究，但承销必须等私有证据。下一个 data room 应包括月度管理账、按产品和客户拆分的已确认收入、递延收入、签署订单积压、部署 cohort、机器人级 COGS、服务工单、质保准备金政策、算力和数据采集支出，以及所有类债务义务。在这些材料可用之前，财务模型中的每个收入、利润率、烧钱和跑道单元都应留为空值，而不是用行业平均数填充。[CI007, CI008, CI010, CI011, CI012, CI029]

4.5 财务结论与尽调优先级

财务结论是继续研究。Simplexity 拥有异常强的融资动能、据报顶级投资人阵容，以及契合 2026 年具身 AI 需求的产品叙事。这些都是真正的正面因素。但公司太年轻、太私有，公开财务模型难以可靠。干净的尽调备忘录必须把已披露 CNY2.0 billion 融资和 USD1.0 billion-plus 估值，与没有支撑的收入、ARR、毛利率、烧钱、跑道或单位经济性主张分开。 承销风险不是公司没有财务价值，而是公开证据尚不能衡量收入质量或资本效率。可比申报显示，机器人和自动驾驶企业可以在收入增长的同时持续大额亏损、承受客户集中，并为重研发和部署成本融资。因此，下一轮尽调应优先拿到 5 类证据包：管理层财务；合同和管线明细；BOM 与制造良率历史；部署服务成本 cohort；以及董事会批准的、覆盖至下一次融资事件的资本计划。没有这些，估值立场应保持未知，而不是有吸引力或昂贵。[CI003, CI004, CI014, CI017, CI022, CI023]

4.6 图表

5.1 产品定义与成熟度

Zhijian Power 应被视为一家具身智能机器人公司，试图把自动驾驶方法转化为面向实体作业的机器人。官网称公司成立于 2025 年 7 月下旬，正从真实场景出发，把高上限统一模型、高效数据闭环和可靠机器人硬件结合起来打造产品；它对外呈现为「全场景具身机器人」，而不是一款具名商业 SKU。第三方报道补上了成熟度边界：Yicai 报道称第一代机器人已小批量生产，概念验证测试已经启动；36Kr EU 称面向 B 端和 C 端用户的两代本体已经开发完成，已实现小批量生产，PoC 验证已全面启动。这是有意义的原型证据，但不等于已认证、可重复、被客户接受的部署。因此，最稳妥的表述是：产品仍在开发中，并在封闭环境里开展 PoC 活动，而不是已经规模化的商业 product-market fit。 [CE001, CE002, CE003, CE004, CE005, CE006]

5.2 自动驾驶 / VLA 架构

公司的技术栈明确以自动驾驶和 VLA 世界观来框定。官网称其自研一个具身基础模型，用统一 Transformer 融合世界模型与 VLA，联合建模语言逻辑、视觉语义、3D 空间结构和机器人状态，用于理解、生成和预测。媒体报道把这与创始团队的 Li Auto 背景相连：贾鹏被描述为曾负责 Li Auto 智能驾驶研发，并经历 BEV 感知、AD Max 3.0 和 VLA 模型迭代；王佳佳则被描述为带来端到端驾驶模型的量产交付经验。研究成果也契合这个世界观。LaST0 用 latent spatio-temporal chain-of-thought 和 Mixture-of-Transformers 双系统设计处理机器人快慢思考；ManualVLA 把长程操作中的规划 / 手册生成与动作执行拆开；TwinRL 用数字孪生和真实世界 RL 扩大探索并指导机器人本体学习。这些论文支撑了架构词汇，但本身不能证明公司已把它们融合成客户可用的机器人系统。 [CE007, CE008, CE009, CE010, CE011, CE012]

5.3 工作流、部署与数据闭环

目标客户工作流是在受控实体环境中渐进式部署机器人。Yicai 称公司计划从工厂车间、超市、物流等封闭场景切入，再从封闭走向半开放和完全开放环境。36Kr EU 给出更技术化解释：公司被描述为试图把智能驾驶中的「shadow mode」模式迁移到机器人，通过部署额外边缘算力，让机器人在本体上采集、训练、测试和验证。官网中的「on device」「body」「hour」表述与这个框架一致：端侧部署、实时推理 / 训练、模型定义的通用本体、可复用数据和快速在线学习。尽调问题在于，这些仍是架构意图和早期 PoC 信号。公开来源没有披露边缘算力 BOM、延迟预算、车队遥测、故障分类、远程运维工具、服务流程、客户验收标准，或机器人学习中安全发生在端侧而非离线的比例。 [CE022, CE023, CE024, CE025, CE026, CE027]

5.4 差异化、开发者信号与风险

最强的差异化信号不是已披露硬件规格，而是团队背景、全栈野心，以及围绕 VLA 后训练的可见研究 / 开发者成果组合。官网列出硬件、嵌入式系统、机器人控制、世界模型、云端模型、大数据、数据运营、感知、模型部署、标定 / SLAM、强化学习、基础模型、VLA 算法、调度框架、平台软件和仿真等岗位。TwinRL 的 GitHub 仓库和数据集指南提供了开发者信号代理：围绕数字孪生资产和孪生生成轨迹，有公开代码 / 文档；从业者整理仓库也把 TwinRL 列入 RL-VLA 生态。话虽如此，与商业开发者平台相比，开发者信号仍然很薄：没有公开 SDK、API、发布说明流、开放机器人操作栈、包下载历史或由 issue 驱动的客户社区。信任与合规证据更薄。公开资料没有披露安全认证、网络安全控制、生产质量体系、可靠性指标、事故历史或具名客户背书。对承销来说，这些缺口很重要，因为机器人问题同样是验证和运营问题，不只是模型架构问题。 [CE030, CE031, CE032, CE033, CE034, CE035]

5.5 图表

6.1 客户分层与目标需求

公开客户档案指向目标中的 B 端封闭环境买家，而不是已验证的付费用户名单。Zhijian Power 官网把公司定位为从真实场景出发打造高用户价值的具身智能产品，中国报道则反复把第一批商业目标收窄到工厂车间、超市或零售货架运营，以及物流或仓储分拣。因此，可能的经济买家是掌握现场生产力预算的运营、自动化、制造工程或创新负责人；日常用户是产线、仓库或门店运营团队；付款方是运营该场地的企业。公开记录中的地域也以中国为中心：北京、上海和苏州被列为战略地点，苏州全球创新中心被定位为连接研发、制造和应用的实体桥梁。这个分层有用，但不等于客户证明。已审阅公司、媒体或合作伙伴来源都没有披露具名付费客户、活跃场地数量、已安装机器人数量、价格，或按分部拆分的收入贡献。[CU001, CU002, CU003, CU004, CU006, CU014]

6.2 采用轨迹与具名客户证明

采用轨迹最多只可见到 PoC 和未具名合作。Sohu 及同类中文报道提到两代 B 端和 C 端机器人本体、小批量推出和 PoC 验证。Suzhou/Leaderdrive 文章增加了一个具体伙伴事件：全球创新中心签约、与谐波减速器供应商达成战略合作，以及首款工业双臂机器人进入样机测试和产品化。Sina 更进一步称，截至 2026 年 3 月，Zhijian 已与多家制造、商超和物流企业达成合作。可是，客户尽调的核心答案仍是否定的：这些企业没有被点名，生产状态没有披露，也没有给出结果。Leaderdrive 是有价值的具名生态伙伴，不是客户背书。因此，本章把客户证明视为缺口，而不是隐藏的正面因素。公开证据支持一条从技术可信度到 PoC 和未具名合作的漏斗；它尚不支持付费生产采用、重复使用或客户 ROI。[CU005, CU007, CU008, CU009, CU010, CU011]

6.3 留存、扩张与集中风险

公开档案完全没有披露留存。已审阅来源没有报告 NRR、GRR、流失、续约率、复购、合同期限、满意度、客户数量、活跃部署数量或账户级扩张。这不代表早期客户不存在；它意味着公开档案无法区分免费演示、付费试点、战略共研和生产部署。land-and-expand 逻辑合理，因为封闭工业场地往往从一个受限任务开始，在安全验收和使用率证明后再扩展到工位或场地。但对 Zhijian 来说，这仍是假设，不是已观察行为。集中风险也无法界定：如果公司只有少数试点，任何一个战略账户或伙伴都可能主导学习数据、路线图优先级或未来收入。基准来源显示了更强证明该是什么样：JD Logistics 描述了双 11 期间的运营使用；Boots/Locus 把机器人与峰值订单处理相连；UBTECH 披露具名汽车交易方、人形机器人收入和出货量。Zhijian 尚未达到这个证据标准。[CU016, CU017, CU018, CU020, CU021, CU022]

6.4 采购摩擦与负面背景

负面情形不是 Zhijian 缺少雄心，而是在人形和具身机器人领域，商业化主张很容易在客户签约、部署和续约前被夸大。OSHA 指出，机器人事故常发生在编程、维护、测试、安装或调整期间；ISO 10218-1:2025 也强调机器级安全要求的必要性。这些约束对工厂、超市和物流场地很重要，因为买方必须验证人机交互、与既有工作流集成、数据采集授权、服务响应和责任承担，才会越过 PoC。更广的中国市场评论也给出警示：France 24 和 The Business Times 报道了官方对泡沫风险、技术和商业化不成熟，以及超过 150 家人形机器人制造商的警告。在这种背景下，未具名合作应保守承销。下一步尽调是客户证据包：签约客户、付费与免费状态、部署地点、在线率与安全验收、使用率、试点转化、复购和收入集中度。[CU027, CU028, CU029, CU030, CU031, CU032]

6.5 图表

7.1 按严重性排序的风险视图

风险结构的核心，是 2026 年大额融资叙事与机器人能否在真实客户现场安全、稳定、可商业化运行之间的证据缺口。公开资料能支撑 Simplexity 技术野心大、成立时间短、资金充足，并由前 Li Auto 自动驾驶高管带队；但还不能证明公司已有具名量产客户、留存、安全认证、事故记录或单位经济模型。残余商业化和烧钱风险因此很高：公司或许有足够资本推进模型、本体和数据闭环开发，但估值要可投，仍需要转化证据。最重要的法律和运营风险也不能分仓看待，而应联动监控：安全事故会引发产品责任索赔；数据采集会触发隐私或网络安全义务；算力管制会拖慢模型迭代；客户证据缺失则会直接传导为下轮降价融资或过桥融资压力。[CR001, CR003, CR005, CR007, CR008, CR021]

7.2 监管与法律敞口

中国目前还没有一部单一的具身 AI 机器人法规，能一次性回答所有部署问题。Simplexity 需要在生成式 AI、深度合成、算法、个人信息、数据安全、网络安全审查、产品质量、侵权和出口管制等制度之间穿行。只要公司面向公众提供生成式 AI 服务、通过摄像头或麦克风处理个人数据、处理重要运营数据，或把联网机器人部署到敏感环境，最确定的义务就会落下。即使某条规则尚未被直接触发，它也应进入尽调包；机器人既是实体产品，也是 AI / 数据系统。法律风险不只是罚款，还包括发布延期、被迫重做模型或数据流程、客户采购阻力、安全停机，以及关键部件获取受限。[CR010, CR011, CR012, CR013, CR014, CR015]

7.3 运营、制造与安全风险

运营假设要求公司并行推进硬件、嵌入式系统、感知、控制、模型优化、数据运营和端侧学习。执行协同，这很有力；一旦产品成熟度落后于融资预期，它也会放大失败。小批量本体和 PoC 验证本身无法证明工厂级可靠性、可维护性或安全人机交互。职场机器人指南和产品责任原则把尽调问题落到具体清单：投资人应索取危害分析、现场验收测试、急停设计、维护流程、事故日志、网络加固证据和保险。当前最强缓释项，是团队有自动驾驶规模化经验；残余风险在于，自动驾驶数据闭环不能自动迁移到仓库、工厂、超市或家庭，后者的操作任务和人机近距接触都更不结构化。[CR002, CR006, CR008, CR015, CR018, CR019]

7.4 芯片、伙伴与客户依赖

依赖图有四个关键节点：前沿或边缘算力、战略投资人与生态伙伴、部署客户、监管方。Simplexity 走端侧训练和 VLA / 世界模型路线，算力和硬件供应因此格外重要；美国出口管制与智能网联汽车供应链措施也说明，自动系统的硬件和软件都可能成为政策目标。战略投资人能降低商业落地和基础设施摩擦，但未披露的商业条款也会带来集中度或利益冲突风险。客户依赖眼下是另一类问题：公开证据太薄，无法判断公司究竟有没有具名量产部署。尽调目标应当是把演示、PoC、付费试点、复购和量产铺开分开，再映射出每个阶段可能被哪类伙伴、供应商或监管方卡住。[CR017, CR024, CR029, CR030, CR033, CR038]

7.5 创始人与执行集中度

创始人质量既是强项，也是风险。公开报道反复把投资逻辑押在前 Li Auto 领导层，以及自动驾驶方法迁移到机器人这件事上。这支撑了系统集成和数据闭环的可信度，但也让论证集中在少数个人身上，并押注“汽车到通用机器人”这一仍未验证的类比。公司招聘页面也确认，建设范围横跨大量稀缺职能，从工业设计、机械工程，到 VLA 算法、SLAM、数据运营和嵌入式系统。尽调因此应要求继任计划、角色边界、独立安全负责人、制造领导层深度，以及决策没有卡在少数创始人手里的证据。创始人离开，或无法招到资深生产和安全负责人，都应视为投资逻辑破裂事件。[CR009, CR027, CR032, CR040, CR045]

7.6 监控计划与终止标准

监控计划应把不确定性转成明确触发器。监管尽调需确认是否有任何产品界面构成面向公众的生成式 AI 服务、算法备案义务、个人信息处理、重要数据问题、出口管制问题或安全认证要求。商业尽调应要求客户管线列明名称、合同状态、部署阶段、收入、安全签核、续约意向，以及按交易对手划分的集中度。运营尽调应要求 BOM、算力冗余、供应商认证、质量逃逸、事故响应和现场可靠性指标。财务尽调应把烧钱速度与里程碑证据绑定，而不是与头条融资额绑定。如果公司拿不出这些领域的可信数据，正确动作是把项目标记为继续研究或跟踪，而不是仅靠私人资本动能去承销估值。[CR034, CR035, CR037, CR038, CR039, CR040]

7.7 附录

8.1 结论：价格昂贵，继续研究

公开记录支撑这是一家严肃公司，但不足以把媒体报道的投后估值超过 US$1 billion 视为可以买入的入场价。正面事实是真实的：多家独立报道称，Zhijian Power / Simplexity Robotics 在大约六个月内完成五轮融资，合计 RMB2.0 billion，吸引顶级财务和战略投资人，并瞄准具备企业场景的具身 AI 机器人。卡住交易的不是叙事质量，而是公开收入、具名客户、单位成本、毛利率、股权结构表和优先权证据缺失。因此本章建议为继续研究，置信度为中低，风险评级为高，估值立场为昂贵。买方不应编造 ARR、回报或客户经济性来合理化媒体标出的估值；它应要求私下证据，或调整价格和交易结构。[CV001, CV002, CV004, CV007, CV008, CV031]

8.2 投资逻辑与反论

投资逻辑是，Simplexity 在一个长期需求可信的赛道里，早期背书异常强。公司似乎已经融到足够资本，可在更广泛的消费者或开放环境使用前，先训练基础模型、开发硬件和算法，并推进可控的企业部署。市场数据也支持中国出货预期上行、商业化加速。反论同样有力：公开材料没有量化收入、客户集中度、已签部署、利润率、烧钱速度或轮次条款；负面报道还指出，人形机器人市场拥挤，容易过热。综合看，证据支持把公司留在尽调池里，而不是接受当前价格。若管理层拿出已签客户证据、付费部署转化、毛利率轨迹，以及可执行的投资人条款，解释为什么它相较披露更充分的上市可比公司应享有溢价，观点才会改变。[CV003, CV004, CV005, CV006, CV011, CV012]

8.3 不编造私有指标的牛市、基准与熊市情形

情景分析看显性证据条件，不编造收入或回报测算。牛市情形下，私下尽调证明企业试点已转为经常性付费部署，制造良率在改善，数据和模型优势守得住，股权结构表条款没有把过多下行风险转嫁给新增普通股敞口。基准情形下，公开记录仍是证据集：它证明融资势能和赛道热度，但无法支撑价格。熊市情形下，监管顾虑、供给拥挤、产品同质化或 PoC 转化失败，在收入质量可见之前，就把公司推向降价融资、内部过桥或战略出售。这个区间因此不是预测回报区间，而是“可支撑性”区间，显示媒体报道的估值要被视为公允，还需要多少私下证据。[CV010, CV011, CV012, CV013, CV032, CV033]

8.4 可比证据：市场上行，但披露标准更严

可比公司证据要求纪律。UBTECH、Baidu、Pony AI、WeRide 和 Mobileye 都不是完美匹配，但它们各自说明，可投的公开证据长什么样：审计或交易所备案财务、明确收入或运营指标、风险因素和持续披露。UBTECH 表明，人形机器人上市可比公司即便有 RMB1.3 billion 收入，一年也可能亏损超过 RMB1.1 billion。Baidu 和 Mobileye 显示真实运营规模和收入，同时提醒投资人，预期变化时估值标记会重置。Pony AI 和 WeRide 的备案文件显示，AV 技术栈公司在进入公开市场前如何披露风险。与这些参照相比，Simplexity 报道中超过 US$1 billion 的价格，除非私下尽调补齐缺失的经济性，否则只是私人市场叙事标记。[CV018, CV019, CV020, CV021, CV022, CV023]

8.5 决策条件与尽调要求

投资委员会应把当前估值当作一个尽调假设。从继续研究转向买入，需要同时具备商业和财务证据：按产品或部署拆分的收入、付费客户证明、订单积压和续约条款、BOM 与服务成本轨迹、安全和可靠性指标、部署利用率、股权结构表中的优先权，以及融资后资金跑道。投资逻辑破裂触发器很具体：没有具名付费客户、试点卡在未付费 PoC 状态、毛利率轨迹为负、轮次结构让新投资人排在更高级优先权之后，或板块融资压缩。若管理层无法在 NDA 下提供这些数据，合适动作是放弃或等待更低价格。若能够提供，下一版备忘录应基于已验证里程碑重估公司，而不是泛泛的具身 AI 热情。[CV009, CV030, CV033, CV039, CV040, CV041]

8.6 附录