Qingyan obtient un financement de plusieurs centaines de millions de yuans, et l’équipe nationale des équipements de fabrication industriel y a investi

null

L’AI d’Investir a appris que, aujourd’hui (13 juillet), Qingyan Jingzhun a annoncé avoir bouclé en l’espace de juin deux tours de levées de plusieurs centaines de millions de yuans ; à ce stade, la série de financement de tour B est officiellement finalisée.

« L’“équipe nationale” + la moitié du “cercle automobile” » apparaît : les tours B2 et B3, respectivement d’un montant de plusieurs centaines de millions de yuans, sont menés par Xingyuan Capital en tête de tour B2, avec FAW-FuShen en co-investissement ; puis, le tour B3 juste après, mené par BAIC Industry Investment, avec le Groupe Yulon en co-investissement. Cette fois-ci, le Fonds pour l’Industrie et les Machines a également été ajouté.

En juin 2026, le ministère de l’Industrie et des Technologies de l’information et la Commission de supervision et d’administration des actifs de l’État ont lancé conjointement l’« action spéciale de formation pratique en conditions réelles pour les robots humanoïdes et l’intelligence incarnée », exigeant que l’intelligence incarnée ne se limite pas à tourner en laboratoire : elle doit entrer dans de véritables postes d’usine, et passer en « mode d’exécution ».

Avant cela, Qingyan Jingzhun avait déjà pris position sur une base d’ingénierisation de l’AI physique : grâce à 8 ans d’accumulation sur le site industriel, les robots d’incarnation ont appris à « faire le travail » dans des environnements industriels réels, complexes et exigeants, et ont pu être déployés concrètement.

Des capitaux d’entreprises publiques rares

À regarder l’ensemble, les ressources industrielles apportées par le présent tour de financement de Qingyan Jingzhun sont particulièrement riches.

Parmi elles figurent notamment des fonds d’entreprises publiques — le Fonds pour l’Industrie et les Machines.

Plus rare encore : la formation d’une matrice de capitaux du cercle automobile, peu fréquente — l’ensemble du tour B réunit 6 entreprises automobiles : BAIC Industry Investment, Xingyuan Capital, FAW-FuShen, Great Wall Capital, Shaanxi Automobile Capital, et le Groupe Yulon. L’injection dense de capitaux par des constructeurs signifie que la base d’ingénierisation et le système de test-validation de l’AI physique de Qingyan Jingzhun ont déjà été intégrés aux chaînes d’approvisionnement centrales des principaux constructeurs automobiles nationaux. C’est une reconnaissance venant de l’ensemble de la chaîne de valeur automobile, en amont comme en aval.

Une équipe d’investissement fortement verticale, avec une forte empreinte industrielle, prouve que la logique d’investissement du marché des capitaux dans la « seconde moitié » de l’intelligence incarnée a déjà changé : les capitaux ne poursuivent plus aveuglément les vidéos démo de robots humanoïdes, mais misent massivement sur des entreprises d’infrastructures d’AI physique qui maîtrisent des scènes industrielles réelles, disposent de boucles de données de haute qualité et possèdent des capacités d’implémentation d’ingénierie.

Car pour que l’AI physique passe à l’échelle et se déploie réellement, il faut franchir des étapes telles que le développement produit, la supply chain, la livraison sur site, le service client et la maintenance continue. Autrement dit, il faut de véritables épreuves, capables de faire fonctionner les lignes de production.

Lier intimement capital et activité permet d’assurer un accès durable et stable à des entrées de scènes industrielles réelles, et ainsi de former une boucle vertueuse.

Comme mentionné dans l’« action spéciale de formation pratique en conditions réelles », d’ici la fin 2026, des produits clés tels que les robots humanoïdes achèveront en premier la validation d’applications et un déploiement courant dans une série de scènes représentatives, afin d’ouvrir le « mode d’exécution » ; puis seront dégagés et condensés plus de cent scénarios d’application à forte valeur, enrichissant davantage la gamme d’applications d’intelligence incarnée et entraînant la capacité de déploiement à l’échelle de dizaines de milliers d’unités.

Qingyan Jingzhun semble avoir pris une position particulièrement précise : ces deux tours de financement s’accompagnent tous deux de virages clés. Partant du point de départ que constitue la boucle fermée permettant de faire tourner la boucle de l’intelligence physique pour les nouvelles énergies, l’entreprise avance progressivement vers des scènes industrielles plus vastes, et s’engage à construire une base d’ingénierisation de l’AI physique industrielle tout en se positionnant profondément dans le domaine de l’intelligence incarnée.

Sous cet angle, sa percée ne consiste pas seulement en une technologie isolée : c’est un rempart composite formé conjointement par des entrées de scénarios réels, une capacité de production de données, un système de test et d’évaluation, des capacités de livraison d’ingénierie et des capacités de modèle du monde ; et c’est aussi, avant l’arrivée des politiques, avoir achevé à l’avance une mise en place sur toute la chaîne.

Tsinghua, Stanford, vétérans de l’industrie des robots : une alliance de forces

Dong Han, fondateur et CEO de Qingyan Jingzhun, a fait ses études doctorales à l’Université Tsinghua, sous la direction du professeur Li Keqiang, académicien de l’Académie d’ingénierie de Chine. Il a officiellement fondé Qingyan Jingzhun en juin 2018 sous l’incubation de l’Université Tsinghua.

Depuis sa création il y a 8 ans, Qingyan Jingzhun a fait entrer ses produits d’AI de détection, de simulation et de validation de test dans, presque, toutes les principales chaînes d’approvisionnement des constructeurs de véhicules complets et des entreprises de batteries de puissance en Chine. Avec plus de 10 000 unités expédiées, et des déploiements dans plus de 30 pays, ses clients industriels couvrent des secteurs clés tels que les véhicules complets nouvelle énergie, les batteries de puissance, le stockage d’énergie, les composants clés, les mines et l’électricité.

(De gauche à droite

Le secteur intelligence incarnée de Qingyan Jingzhun — Cao Qitong, CEO de Jingzhun Vision, avec un parcours académique en ingénierie à l’Université Stanford ; elle a mené, à l’Institut de recherche en informatique de Stanford, des travaux sur des sujets à l’intersection des sciences de la vie et de l’AI. Ces résultats ont été publiés comme auteur principal dans une sous-revue de Nature. Chez Qingyan Jingzhun, Cao Qitong supervise principalement la trajectoire de transfert et d’itération technologique de l’entreprise ainsi que la mise en œuvre des scénarios commerciaux, mettant en avant l’avantage clé de l’entreprise dans l’ultime kilomètre de l’industrialisation et du déploiement de l’intelligence incarnée en contexte industriel.

Son domaine de recherche principal porte sur les lois d’évolution de l’état des systèmes de données haut-dimensionnelles, multi-modales et de prédiction dynamique. Lorsqu’on les transpose vers des scénarios industriels, le problème fondamental est similaire : ce que le robot « voit », ce n’est pas seulement une pièce, mais un système physique dynamique constitué conjointement par la vision, la sensation de force, le toucher, les paramètres de procédé et les variables d’environnement. Cela correspond étroitement au modèle du monde industriel d’AI physique construit par Qingyan Jingzhun.

Le directeur général ingénieur en intelligence incarnée de Qingyan Jingzhun et CTO de Jingzhun Vision, Zhao Ran. Il a occupé, au sein de deux entreprises leaders d’intelligence incarnée d’environ 20 milliards de yuans — Qianxun Intelligent et ZhiPingfang Technology — un poste de responsable «具身 Infra ». L’arrivée du Dr Zhao Ran apporte à Qingyan Jingzhun une garantie solide pour construire l’infrastructure d’intelligence incarnée et des capacités d’ingénierisation. Membre de l’équipe du vénérable expert en robots, l’académicien Ding Han, le Dr Zhao Ran s’est profondément investi dans le domaine de la robotique pendant plus de dix ans, et combine un socle académique solide avec une expérience de déploiement dans l’industrie.

Il a déjà dirigé l’équipe pour construire de 0 à 1 une plateforme de télé-opération, de collecte de données, de boucle fermée de données de base et de simulation. Son accumulation technique de plus de dix ans en robotique lui permet de relier de manière plus systématique les maillons clés tels que l’objet (le robot), les données, la simulation et les modèles, pour former les capacités essentielles nécessaires à la construction d’infrastructures d’intelligence incarnée. Son expérience en approche « plateforme » et « ingénierisation », combinée à la profondeur de la R&D de l’équipe, crée un effet de synergie, renforçant la fusion profonde entre le « gène académique au sommet » et la capacité d’ingénierie « ancrée sur le terrain ».

Désormais, l’équipe rassemble à elle seule une vision prospective de niveau mondial, une profondeur en ingénierisation industrielle et une validation commerciale de l’ordre du milliard ; elle se tient déjà au tout premier rang de l’industrialisation de l’intelligence incarnée en Chine, devenant un « étalon technique » reconnu par l’industrie et un « leader guidant le déploiement ».

Base d’ingénierisation d’AI physique

Sur cette base, Qingyan Jingzhun a mené à bien une montée stratégique en gamme et une extension de capacités — passant d’une entreprise de détection pour véhicules à une base d’ingénierisation d’AI physique, devant servir de base d’AI physique pour l’atterrissage de l’intelligence incarnée dans le domaine industriel.

En correspondance avec l’« action spéciale de formation pratique en conditions réelles », Qingyan Jingzhun a déjà, depuis des années, mis en place les sites industriels en conditions réelles. Dans différents domaines industriels, les plus de 2 000 nœuds industriels de perception accumulés ont été déployés sur de véritables postes de travail : de la détection du PACK des batteries de puissance nouvelle énergie à l’assemblage final des véhicules complets, des usines de surface aux mines souterraines. Les postes clés ont été transformés en zones de données et de formation pour l’intelligence incarnée : ce sont des scènes avec des données, des postes et de véritables opérations, ce qui valide le plus efficacement la valeur.

Le modèle incarné est le « cerveau », et Qingyan Jingzhun fournit une base de formation et des manuels pour apprendre au cerveau à « coordonner le corps » et vérifier ses capacités ; il ne fabrique pas de robots (le « corps »), mais il rend possible la capacité du robot à travailler sur site industriel.

De plus, l’« action spéciale de formation pratique en conditions réelles » mentionne qu’il faut, en s’appuyant sur l’application, poursuivre l’optimisation des algorithmes du modèle d’intelligence incarnée grâce à l’entraînement en scènes réelles, et accumuler des données de haute qualité sur machines réelles.

Et aujourd’hui, Qingyan Jingzhun est déjà, dans les faits, un fournisseur de base de données en AI physique.

Qingyan Jingzhun a développé en propre une chaîne de pipeline d’ingénierie de données multi-modales, TsingLoop : elle transforme, via un alignement unifié temps-espace-sémantique, les signaux bruts dispersés dans plusieurs systèmes en des lots de données standardisés et réutilisables. Une collecte unique de données, une fois traitée par le pipeline, transforme les données brutes en « actifs de données » pour l’industrie. Les données historiques peuvent être fusionnées automatiquement avec les nouvelles données et itérées en continu, formant ainsi une roue de données de croissance permanente.

En outre, sur la base du pipeline d’ingénierie de données multi-modales TsingLoop, Qingyan Jingzhun construit un système de tests « Robot-in-the-Loop » (robot dans la boucle) destiné aux scènes industrielles, une boucle de validation en environnement industriel.

On peut comprendre cette chaîne comme une boucle fermée « collecte — simulation — validation — évaluation — itération » pour l’intelligence incarnée industrielle : le robot ou l’opérateur exécute des tâches sur un poste réel ; TsingLoop collecte en parallèle des données multi-modales telles que vision, sensation de force, toucher, trajectoire, paramètres de procédé, état des équipements et résultats d’exécution. Ensuite, le système reconstruit une scène en jumeau numérique à partir de données réelles : il rejoue dans l’environnement de simulation des conditions de fonctionnement historiques, reproduit des échantillons anormaux, et effectue à faible coût et à haute fréquence des hypothèses et des prédictions sur différentes stratégies de mouvements.

Mais la simulation n’est pas une fin. Le robot industriel doit finalement entrer dans un atelier réel, et il faut donc franchir l’écart entre le réel et le virtuel. Ainsi, Qingyan Jingzhun introduira plus loin des tests « robot dans la boucle » : faire en sorte que le robot réel (corps), le contrôleur, l’effecteur final, les capteurs et la scène de simulation forment une boucle de coordination, permettant de valider à l’avance des stratégies de mouvement, des limites de contrôle de force, des enveloppes de sécurité et des mécanismes de reprise en cas d’anomalie, sans occuper directement les lignes de production du client.

Une fois déployé sur site, le module d’évaluation produit en continu des rapports d’évaluation standardisés, comprenant des indicateurs tels que le taux de réussite des tâches, le temps de cycle, le taux d’anomalie, le risque de collision, la consommation d’énergie, la durée de fonctionnement stable, etc. Ces résultats d’évaluation ne servent pas seulement de base de réception : ils alimentent en retour le pipeline de données TsingLoop, pilotant l’optimisation continue du modèle et la mise à jour continue des stratégies.

En répondant systématiquement à trois questions encore plus critiques : peut-on accomplir une tâche de manière stable dans un environnement réel ? peut-on réussir la validation du client ? peut-on réutiliser la solution sur la prochaine ligne de production ? Ainsi, une base de données est constituée.

Jusqu’à ce jour, Qingyan Jingzhun a dessiné une vision finale : « une base, un cerveau, cent scénarios d’applications par catégories ». La base repose sur un système d’ingénierie des données, et le cerveau est constitué par un modèle du monde de cognition industrielle en AI physique. Dans des centaines de tâches industrielles à périmètre bien délimité — électricité, machines de génie, fabrication des nouvelles énergies, mines, etc. — l’entreprise consolide une intelligence physique réutilisable.

À un moment clé où l’AI physique passe de la notion à un déploiement industriel, les capitaux industriels misent les uns après les autres sur Qingyan Jingzhun. Ce qu’ils recherchent, ce sont précisément ses capacités de déploiement de scénarios impossibles à remplacer.

Alors que l’industrie débat encore de l’approche algorithmique, Qingyan Jingzhun — ancrée dans les sites industriels, forgeant en silence une base d’ingénierisation pour l’AI physique — est déjà devenue discrètement le meilleur « carrier » au cœur de l’ère de l’intelligence incarnée.

Dans la seconde moitié, l’importance de cela est évidente.