10 亿元 B 轮、估值超百亿、约 500 人：DexForce 押的不是仿真，是「教会一个动作要花多少钱」
路透这篇讲的是一家深圳公司用仿真教人形机器人干活。但报道自己就写明：多数中国机器人厂商已经在混用仿真与真机数据，仿真本身不是区别。真正的区别在别处——DexForce 一边把软件卖给丰田、三星、松下、富士康，一边让自家机器人在 15 个以上城市的商场和景区做咖啡。
- 公司画像：DexForce 总部在深圳，创始人 贾奎是香港中文大学（深圳）的机器学习教授，2021 年创立，目前约 500 名员工。
- 融资：近期完成 B 轮 10 亿元人民币（约 1.5 亿美元），估值超过 100 亿元人民币（约 15 亿美元）；投资方包括联想创投、蓝思科技以及若干国资基金。
- 技术主张：在虚拟环境里训练机器人，再把学到的技能迁移到真机。公司给出的成本论据是：人类训练员可能需要把同一个动作重复 100 次以上，才能生成精确的示范样本。
- 路透的限定：报道明确写道，多数中国机器人厂商已经在结合仿真数据与真实数据，因此仿真本身并不是 DexForce 的区别所在；其差异在于更重合成数据。
- 两块业务：软件被丰田、三星、松下、富士康等制造商使用；自家人形机器人在中国 15 个以上城市的商场与景区制作咖啡、提供服务。路透在深圳总部的工业部署测试场拍摄了 W1 Pro 做物体分拣。
- 判断：这条新闻里最值钱的不是「用仿真训练」，是那句 100 次。它把行业争论从「能不能做」换成了「教会一个动作要花多少钱」——前者是技术问题，后者是成本曲线问题，而成本曲线才决定谁能活下来。
三个数字决定了这篇报道的分量：10 亿元人民币的 B 轮、超过 100 亿元人民币的估值、约 500 名员工。投资方名单里有联想创投、蓝思科技和若干国资基金。创始人贾奎的身份也值得注意——香港中文大学（深圳）的机器学习教授，2021 年创立这家公司。
但真正让这条新闻有解读价值的，是另外两个数字：一个是「100 次以上」，一个是「15 个以上城市」。
「100 次以上」是 DexForce 给出的成本论据：人类训练员可能需要把同一个动作重复一百多次，才能生成足够精确的示范样本。这个数字撑起了它的整个商业主张——如果教会一个动作的真机成本是一百次重复演示，那么把大部分重复搬到仿真里，就是在直接砍单价。
「15 个以上城市」则来自报道的另一句：DexForce 的人形机器人正在中国 15 个以上城市的商场和景区制作咖啡、提供服务。这句话出现在报道末尾，很容易被当成背景补充，但它其实是整篇里最硬的一个事实。
判断：一家公司的技术主张可以讲故事，部署城市数不会。前者是愿景，后者是已经发生的事。读这类报道，先找「已经发生」的数字，再回头看愿景——顺序反了，就会被愿景牵着走。
这一点必须原样保留，因为它是最容易被转述丢掉的部分。路透在报道里明确写道：多数中国机器人厂商已经在结合仿真数据与真实数据，所以仿真本身并不是 DexForce 的区别所在；DexForce 的差异在于更强调合成数据，而与此同时，数十个人形机器人数据训练中心正在中国各地建设，通常有可观的政府支持。
仿真派的说法：真机采集太贵、太慢，一个动作要重复上百次；把重复环节搬进虚拟环境，边际成本可以压到接近电费，而且可以并行开出成千上万个环境同时采。
质疑的落点：仿真到真机的迁移损失至今没有通用解法；仿真里训出来的策略在真实光照、真实摩擦、真实形变下会漂。混合使用已是行业常态，纯合成路线是否成立，取决于迁移损失能压到多低。
把这两段并列，就能看出 DexForce 真正押的是什么：不是「要不要用仿真」，而是「合成数据在混合比例里能占到多高」。路透没有给出这个比例，也没有给出任何迁移成功率的数字，这一点必须如实标注。
判断：这个押注有一个很现实的前提条件——它必须自己有大量真机数据来校准仿真。而 DexForce 恰好有：15 个以上城市的商场与景区点位，本身就是数据来源。换句话说，它卖的合成数据方案，是被自己的真机运营反向校准的。这个闭环，比仿真技术本身更难被复制。
路透把 DexForce 的业务切成两块讲：软件卖给丰田、三星、松下、富士康这类制造商；自家人形机器人在商场和景区做咖啡、提供服务。这两块看起来不搭，实际上是同一个成本结构的两端。
| 业务块 | 客户/场景 | 收入性质 | 对技术的作用 |
|---|---|---|---|
| 仿真软件与模型 | 丰田、三星、松下、富士康等制造商 | 可规模化，边际成本低 | 提供工业场景的真实需求与验证场 |
| 人形机器人本体运营 | 15 个以上城市的商场、景区 | 重运营，随点位线性增长 | 提供持续的真机数据与场景反馈 |
| 工业部署测试场 | 深圳总部，W1 Pro 做物体分拣 | 内部设施，不直接产生收入 | 仿真到真机的迁移验证环节 |
软件业务提供现金流与工业场景的真实需求，本体运营提供真机数据与持续的场景反馈，中间的测试场负责把两者对起来。缺任何一块，另外两块都会变弱：没有软件收入，纯运营是重资产生意；没有运营点位，纯软件会失去真机校准的来源。
判断：这套结构在国内具身公司里并不常见。多数公司要么做本体、要么做软件，很少有人同时把「点位运营」当成数据基础设施来经营。而对做机器人商演与租赁的团队来说，这里有一个可直接借用的结论：点位不只能赚租金，还能生产数据，而数据的价值取决于有没有一条把数据变回能力的链路。只有前者，点位就是成本中心；两者都有，点位才是资产。
把一个动作教会，需要人类重复演示多少次？行业里没有统一口径，因为它取决于三件事：动作本身的复杂度、采集设备的精度、以及所需泛化范围。抓一个固定位置的杯子，可能几十次就够；在堆叠杂乱的料箱里抓任意物体，几百次也未必够。
路透转述的「100 次以上」没有说明对应哪一类任务，因此不能当成行业常数使用。但它的用法是对的——它把讨论从「能不能做」拉到了「单价多少」。
这张图的关键是最后一行。仿真把第二行的成本压下去，但会新长出第四行的成本——迁移校准。如果第四行足够大，整体成本未必下降。路透没有给出任何关于迁移损失与校准成本的数字，这正是这个方案目前最大的未知。
判断：合成数据路线的胜负手不在「仿真做得真不真」，而在「迁移误差能不能被系统化地校准掉」。前者是渲染与物理引擎问题，行业进展很快；后者是工程问题，只能靠真机反复验证，而验证本身又需要真机点位。这解释了为什么 DexForce 要同时留着 15 个以上城市的运营——那不是副业，那是它的校准成本中心。
第一，本次读到的是路透报道的转述页，未直接核验路透原文，也未见到 DexForce 的官方公告。融资金额、估值、员工数与投资方名单均出自这一条信源链。
第二，「仿真可能加速机器人能力的整体突破，影响或可与 ChatGPT 的发布相比」——这是贾奎本人的判断，路透明确注明这是他对这条路的**抱负**，而不是机器人通用能力已达成的水平。转述时必须保留这个限定，否则就变成了对能力现状的夸大。
第三，报道提到数十个人形机器人数据训练中心正在中国各地建设、通常有可观的政府支持。这是路透对行业背景的描述，本篇不引申为对政策效果的评价，也不据此推断任何具体中心的利用率。
最后补一条与本站此前选题相关的边界：本站已就数据采集与训练场建设写过专门解读（含信通院关键词与深圳出海能力包两条线），本篇只谈一家公司的成本结构与业务闭环，不重复既有论证，也不把本篇的公司案例外推为行业普遍结论。