2021年，计算机视觉领域顶会ICCV收到了6152份投稿。当年的马尔奖——计算机视觉领域的最高荣誉——只颁给了一篇论文。论文叫Swin Transformer，第一作者兼通讯作者叫胡瀚，当时在微软亚洲研究院视觉计算组担任首席研究员。这篇论文做的事情，是将在自然语言处理领域大放异彩的Transformer架构引入视觉任务，让语言和视觉开始共用一个底层网络。五年后，胡瀚从腾讯离职，在杭州创立Winverse AI。而领投他种子轮的，是DeepSeek。从一篇论文到一个公司，从“让机器看懂图像”到“让机器理解现实世界”——这条路，胡瀚走了四年。而梁文锋愿意为它掏数千万美元，是因为在这条路上，他早就看到了一座桥。
01 、Swin Transformer作者的转身
胡瀚的履历，是中国计算机视觉领域一条“标准顶配”的路径。2008年本科毕业于清华大学自动化系，2014年获得清华大学博士学位，读博期间曾赴宾夕法尼亚大学GRASP实验室访问研究。毕业后先后加入百度深度学习研究院和微软亚洲研究院视觉计算组，在微软亚研院期间升任首席研究员。Swin Transformer是他在微软亚研院的代表作。这篇论文解决了Transformer处理高分辨率图像时的计算效率问题，使其能够应用于图像分类、目标检测、语义分割等多种视觉任务。凭借这项工作，胡瀚入选了2022年《麻省理工科技评论》中国区“35岁以下科技创新35人”榜单。2023年底，胡瀚加入腾讯，担任混元杰出科学家，负责视觉语言模型和具身智能基础模型团队。在腾讯期间，他一度还担任过混元语言大模型的技术负责人，并组建了混元语音团队。2026年7月，胡瀚从腾讯离职。接替他的是前OpenAI研究员田永龙。他的创业方向，被概括为四个字：具身智能。Winverse AI于2026年在杭州成立，目前处于“隐身模式”——不对外公布具体产品和技术路线。但从已知信息看，公司专注于为机器人开发AI模型，目标是让机器人能够理解语音指令、处理现实世界中的复杂任务，而不仅是执行预设动作或完成运动控制。
02 、DeepSeek为什么要投它？
DeepSeek的投资节奏，在过去两个月里明显加速。2026年8月，DeepSeek以约1.41亿元人民币认购了宇树科技IPO战略配售2.31%的股份，锁定期36个月——是其他战略投资人持股期限的3倍。双方签署了战略合作备忘录，约定在通用人工智能研发、高性能机器人和AI大模型领域展开合作。王兴对此有一句被广泛引用的评价：“论做身体，宇树是全球第一，但论做大脑，这仗就不好打了。”两个月后，DeepSeek把目光投向了Winverse AI。领投数千万美元种子轮，投后估值约4亿美元（折合人民币约28亿元）。美团旗下龙珠投资也作出了投资承诺。两笔投资放在一起看，逻辑就清晰了。宇树提供“身体”，Winverse AI提供“大脑”，DeepSeek提供算力和基础模型——一个具身智能的三角，正在成型。但DeepSeek选择Winverse而非自研具身大脑，还有一层更具体的原因：信息成本极低。胡瀚在微软亚研院期间，与解振达等人合著了Swin Transformer V2、SimMIM等论文。解振达现在是DeepSeek的研究员，是DeepSeek多项核心工作及mHC论文的第一作者。梁文锋对胡瀚的技术水平和理念早有了解，不需要做漫长的尽职调查。这种“微软亚研院旧部”的信任链路，在AI创业生态中并不罕见。但它解释了为什么在Winverse AI还处于“隐身模式”、没有任何公开产品的情况下，DeepSeek就愿意给出4亿美元的估值。更深层的驱动力，来自行业竞争的压力。据报道，GPT-6 Astra在机器人控制任务中成功率已达95%，OpenAI还在单独训练具身基座模型。DeepSeek在语言模型领域已经站住了脚，但在具身智能这个“AI从数字世界走向物理世界”的关键战场上，它需要一个能打仗的搭档。
03 、从“看懂图像”到“理解现实”
理解Winverse AI要做什么，需要先理解胡瀚的学术路径。从Swin Transformer到多模态大模型，再到具身智能基础模型，胡瀚的研究方向有一条清晰的演进线：让AI从“看懂静态图像”走向“理解动态现实” 。Swin Transformer解决的是视觉基础网络的问题——让机器更高效地处理图像信息。多模态大模型解决的是跨模态理解的问题——让机器同时理解图像和语言。具身基础模型要解决的，是机器人在真实物理环境中感知、决策、执行的问题。一位业内人士指出，Winverse AI严格来说不算典型的具身智能公司，它的业务更偏底层基础设施，专注于模型加速技术。这个判断值得细看。如果Winverse AI做的是“模型加速”而非“机器人控制”，它的定位就更接近“具身智能的基础设施层”——不直接做机器人，而是为机器人提供理解和执行任务的能力底座。这个定位与胡瀚的技术积累高度匹配。他在腾讯期间负责的正是“视觉语言模型”和“具身基础模型”两大团队，这两个方向恰好构成了具身智能的“感知-认知”层。目前，Winverse AI尚未公开披露具体产品形态和技术路线。但可以确定的是，它瞄准的是人形机器人产业的软件技术瓶颈——如何让机器人具备理解环境、处理复杂任务的智能能力。这个瓶颈是行业共识：中国在人形机器人硬件制造领域已具备全球领先优势，宇树科技2026年8月完成9亿美元上市，但“大脑”的缺失仍然是整个产业最大的短板。
04 、4亿美元估值的“共识”
Winverse AI的种子轮，目前仍在交易过程中，尚未最终敲定，估值和投资方名单仍可能调整。但即便以“可能调整”的框架来看，这笔交易释放的信号已经很清晰。第一个信号来自DeepSeek。这是DeepSeek成立三年多来对外部初创企业规模较大的一笔投资。此前DeepSeek的投资名单上只有宇树科技一家。连续两笔投资都落在机器人领域，说明DeepSeek的具身智能布局不是试探性的，而是战略性的。第二个信号来自美团。龙珠投资的参与，延续了美团在机器人赛道的一贯布局。美团在本地生活服务场景中有大量的机器人应用需求——配送、仓储、末端服务——投资一个做“具身大脑”的公司，与美团自身的业务场景存在天然的协同空间。第三个信号来自杭州。Winverse AI的注册地在杭州，而DeepSeek同样位于杭州。两家公司同处一座城市，在人才流动、技术协作和产业生态上具有地理上的便利。杭州正在从“电商之都”向“AI重镇”转型，DeepSeek和Winverse AI的联动，是这种转型的一个注脚。值得注意的是，据彭博报道，腾讯也是DeepSeek新一轮融资的潜在投资方之一。腾讯前科学家创立的机器人AI公司，获得了DeepSeek和美团系资本的支持，而腾讯又在考虑投资DeepSeek——头部科技企业之间的人才与资本联系，正在机器人领域形成一张复杂的网络。
05 、具身智能的“大脑之争”
Winverse AI所处的赛道，正在经历一场从“身体竞赛”到“大脑竞赛”的重心转移。2026年上半年，人形机器人硬件赛道已经跑出了宇树、智元、优必选等一批公司。宇树科技8月上市时发行市值约609亿元。智元机器人累计下线量站上15000台。在硬件层面，中国公司的量产能力和供应链优势已经确立。但硬件只是“身体”。“大脑”——让机器人理解环境、自主决策、执行复杂任务的AI模型——仍然是整个行业最稀缺的能力。这个判断正在成为行业共识。DeepSeek领投Winverse AI的逻辑，本质上是在硬件已经跑出来的前提下，补齐软件层的短板。宇树的机器人可以跑、可以跳、可以完成预设动作，但要做到“听懂一句话就去做一件事”，需要的是一个能理解物理世界的AI模型。Winverse AI瞄准的正是这个方向。胡瀚在腾讯期间参与过世界模型的研发，他的创业方向也被描述为“具身智能和世界模型”。世界模型的核心能力是让AI理解物理世界的运行规律——物体如何运动、空间如何变化、动作会产生什么后果。这是机器人在真实环境中自主行动的前提。从竞争格局来看，具身大脑赛道正在快速拥挤。OpenAI在训练具身基座模型，Google DeepMind在推进RT系列模型，国内也有多家创业公司在做类似的事情。Winverse AI的差异化在于：它拥有一个在视觉基础模型和具身基础模型两个方向都有顶级积累的创始人，以及一个信息成本极低的战略投资人。
06 、一座桥的两端
这座桥的名字叫Swin Transformer。论文的合著者解振达，现在是DeepSeek的核心研究员。通过这座桥，梁文锋不需要做漫长的技术评估，就知道胡瀚能做出来什么。而胡瀚选择在杭州创业，选择具身智能这个方向，也不是偶然。他在微软亚研院做视觉基础模型，在腾讯做具身基础模型，每一步都在往“让AI理解物理世界”这个目标靠近。Winverse AI是这条路径的自然延伸。公司目前仍处于隐身状态，产品形态、技术路线、商业化节奏都还没有公开。但4亿美元的种子轮估值，已经为它设定了一个很高的起点。这座桥的另一端，是宇树的身体、DeepSeek的算力、Winverse AI的大脑——如果这三者能够真正打通，中国具身智能产业将第一次拥有从“芯片到模型到硬件”的完整闭环。从一篇论文到一个公司，从“看懂图像”到“理解现实”——胡瀚用了四年走完这段路。而接下来他要回答的问题是：一个Swin Transformer的作者，能不能做出一个让机器人真正“理解”物理世界的具身大脑？这个问题的答案，还在隐身的代码里。但至少，那座桥已经搭好了。
