具身智能模型公司方奇科技完成千萬級天使輪融資
近日,具身智能通用大腦研發商方奇科技(北京)有限公司(以下簡稱“方奇科技”)宣佈完成千萬級天使輪融資,投資方包括啟迪之星創投等知名機構。據悉,本輪融資資金將主要用於核心技術研發與研發團隊擴充,並加速關鍵技術在典型場景中的驗證與商業化落地,持續沉澱機器人可持續學習、可跨本體遷移的“通用技能操作系統”,併為打造通用“機器人大腦”蓄勢,逐步構建面向多機器人本體、多場景的具身能力學習-沉澱-分發的基礎設施。
解決“大腦”泛化難題,提出語義化世界模型方奇科技創始人王心舟博士認為,當前具身機器人泛化能力弱的根因仍然在於世界模型缺乏人類知識,而具身“大腦”又缺乏物理常識,簡言之,即世界模型和具身模型之間存在物理知識與語義知識的割裂。基於此,方奇科技提出語義化世界模型,旨在“打造像人一樣學習、工作與成長的機器人。”方奇科技創始人王心舟博士語義化世界模型,即將具身大模型與世界模型深度耦合,把視覺、語言和物理狀態組織到統一的三維語義空間中,讓機器人能夠看懂世界,並能像人一樣預測動作、自主決策。圖靈學習與語義化世界模型共同組成具身智能機器人模型的進化飛輪,驅動雲原生具身大腦持續成長。
方奇科技成立於2026年,是一傢俱身智能通用大腦研發企業。團隊核心成員均來自清華大學,覆蓋世界模型、VLA 算法、雲原生系統、產業商業化全鏈路,兼具前沿科研積累與真實場景落地經驗。方奇科技於行業內率先提出“圖靈學習範式”,即通過課程學習、任務學習、實踐學習、反思學習的鏈路構建,打破傳統遙操學習機器人“只知其然”的困境,讓機器人從人類數據與真實實踐中持續學習,構建可規模化複製的學習範式。王心舟介紹,本輪融資後,一方面會持續迭代雲原生具身大腦核心技術,擴充頂尖研發人才;另一方面加速產品在標杆場景試點驗證,沉澱可跨本體複用的通用技能庫。
短期打磨可落地的生產力工具,長期目標是打造面向物理世界的具身智能基礎設施,讓機器人擁有自主學習、持續成長的能力。盈利模型清晰,已完成商業服務場景技術驗證方奇科技核心技術已在商業服務場景完成圖靈學習與語義化世界模型技術驗證,申請多項技術專利,並於斯坦福家務挑戰賽BEHAVIOR 2026上位列世界第二。公司已與優地機器人(股票代碼03231.HK)、江蘇龍寰等達成戰略合作,推進試點落地,公司將以“立體清潔”作為練兵場,逐步在商業服務等場景落地試點,具備清晰的商業化價值與回本模型。
啟迪之星創投總經理兼主管合夥人劉博表示,具身智能的競爭核心,在於能否走出“海量真機數據堆砌” 的老路,找到低成本、可規模化的通用機器人學習路徑。方奇科技提出的語義化世界模型與圖靈學習範式,給行業帶來了新的解題思路,我們看好方奇科技有機會打造下一代具身智能的基礎軟件平臺。
Related
相關文章
登頂國際Data Agent榜單,OceanBase超過多項GPT、Claude方案
值得關注的是,這一成績由國產數據庫OceanBase基於國產大模型GLM-5.2構建,超過多項基於GPT、Claude Opus、Claude Fable等海外模型構建的Data Agent方案。本次參評方案內部代號為 Scout,相關能力將融入 OceanBase DataPilot。

阿里 70 億參數圖像模型Qwen-Image-2. 1 開源發佈,號稱以瘦身之軀叫板閉源巨頭
最讓人意外的是它的身板——視覺生成組件僅用70億參數,卻在自家的評測基準上壓過了市面上絕大多數閉源模型。團隊放話底氣十足,不過第三方獨立評測尚在趕來的路上,這份成績單還需時間檢驗。更接地氣的是,它不挑設備,一塊像RTX3090這樣的主流消費級顯卡就能托起它跑起來。

開源Top2!實測階躍Step 5 Preview,真有點猛啊…
。 昨天,階躍星辰毫無預兆地端出了最新一代旗艦基座模型——Step 5 Preview。 MoE架構,600B總參數、激活參數僅27B,1M上下文。 Agent能力大幅提升,在Artificial Analysis的最新評測中,Step 5 Preview取得44分,直接衝到全球開源Top 2。 要知道,其他拿到這一分數的大模型,大多都是萬億參數級別。

最火啞巴模型Jev加上微信,直接治好了我的低情商
字母AI2026.09.21 11:44 · 來自北京全文3770字00:00 / 10:28Jev微信插件爆火,根據對方消息直接揣測對方想法。文 | 字母AI谷歌的啞巴模型Jev突然爆火。它不聊天,不寫代碼,不寫文案,也不解釋,你問它什麼,它一個字都不生成。它只做一件事——判斷。發佈沒幾天,從Hacker News,再到中文技術社區,幾乎所有人都在討論它。但大家討論的不是它有多聰明,而是它有多反常。誠然,一個不會說話的模型能火,這事本身就已經夠反常的了。大家最先討論的,是它的落地場景。

快手把直播字幕延遲砍到 500 毫秒內:自研端到端工程範式,把電商直播的字幕打成"實時"
最直接的數字是:主播發聲到字幕具備展示條件的端到端延遲,從過去的1.5到2秒壓到了400到500毫秒,字符錯誤率(CER)從7.81% 降到3.51%,背後還要撐住千萬級的持續併發——這在以高併發、強實時著稱的電商直播場景裡,第一次有了一套成體系的工程打法。
