產業資本繼續押注具身：斯坦福雙子星創辦的黑馬公司 RoboScience 機器科學，宣佈完成 A2 輪融資

具身智能的資本篩選標準，正在從"講得動人"轉向"兌現得動"。作者丨齊鋮湧 編輯丨岑 峰 AI 科技評論獲悉，11 月 2 日，RoboScience 機器科學完成 A2 輪融資。據悉，本輪由琥珀資本、鴻瑞達投資、上海半導體產投 聯合領投，360 戰投、爽資本、國聯民生資本、金鼎資本及多家上市公司平臺跟投，融資金額達到了數億元。這意味著，這家 2025 年 3 月才正式開始運營的具身公司，先後已完成五輪融資。據 AI 科技評論瞭解，近期具身行業融資市場並不樂觀。

過去一年，這個賽道的融資敘事換了好幾輪：最早講世界模型就能拿到錢；後來光講技術不夠了，得講落地，講進工廠的 ROI ；再後來，得有"具身 RSI "（遞歸自我改進）的想象空間。故事通脹的背後，是大多數團隊的底子撐不起敘事的升級，每次風口轉向，就得重新攢一套說辭。資本也隨之變得挑剔，同樣的 BP，去年能融到，今年連會都約不上。（）但 RoboScience 機器科學的節奏完全不同，逆勢不斷受到資本青睞，也因此成為具身領域裡一個值得研究的樣本公司。

回看機器科學過去五輪融資的時間點，幾乎每一輪前後，都有可驗證的產品技術落地：ICRA 最佳論文、仿真平臺 RoboMirage、通用具身大模型 Visics、與騰訊雲共創的雲端具身智能服務 EaaS、首款輪式仿人形通用機器人 REX G1 以及真實的項目落地。某種意義上，這意味著，具身市場的融資，不該是技術跟著融資的故事走，反過來，融資應該跟著技術的兌現走。在 AI 科技評論看來，這是本輪融資最值得關注的信號：具身智能的資本篩選標準，正在從"講得動人"轉向"兌現得動"。一家公司的融資節奏如果能與技術節奏對齊，說明它手裡握著可以持續拿出來的東西。

在 AI 科技評論看來，這跟創始人團隊有著分不開的關係。01斯坦福雙子星，如何撐起一家中國具身頭部公司在中國具身行業，從佔據頭部公司的創始人學術履歷已經能看出幾條清晰的派系：清華系、伯克利圈、斯坦福圈等等。其中影響最深的，是斯坦福圈。銀河通用王鶴、穹徹智能盧策吾、Hillbot 蘇昊，RoboScience 機器科學的（）這些公司和創始人路線各不相同，但往上追，大多能追到同一個實驗室，美國三院院士、幾何計算學者 Leonidas J.Guibas 在斯坦福的組。同一條脈絡上還有 OpenAI 研究員嚴夢媛、清華大學助理教授弋力。這不算偶然。

斯坦福幾乎是全球具身智能研究的策源地之一：李飛飛，作為 ImageNet 發起人，視覺與數據驅動範式的奠基者，Chelsea Finn 的 REAL Lab ，以及幾何計算學者 Leonidas J.Guibas，以及國外頭部具身公司 Pi 創始成員都來自斯坦福。2016 年前後，斯坦福 Leonidas J.Guibas 教授（美國三院院士 ）的幾何計算組，聚集了一批華人學生，其中就包括王鶴、邵林和他們的師兄蘇昊等。Guibas 教授組有一條相當一致的研究主線：3D 視覺出身，重點鑽研操作泛化，相信抽象表徵和仿真。邵林的個人軌跡幾乎是這條主線的完整樣本。

2014 年邵林進斯坦福，他先在幾何計算泰斗、美國三院院士 Leonidas J.Guibas 組裡做 3D 視覺，後轉向機器人操作，師從 Jeannette Bohg，現任新加坡國立大學助理教授。學術方面，邵林的一作論文 UniGrasp 是數據驅動靈巧手抓取的基準性工作；2025 年，團隊憑藉 D(R,O) Grasp 從四千多篇投稿中斬獲 ICRA 機器人操作與運動方向最佳論文獎，成為近五年亞洲機構首次以第一單位身份拿下這一獎項的團隊，打破了歐美的長期壟斷；2026 年，Bi-Adapt 再度入圍該獎項提名，使其成為亞洲唯一連續兩年站上這個位置的隊伍。

同場角逐的是伯克利、MIT、斯坦福、清華。此外，斯坦福系還有另外兩條支線，分別是李飛飛線和吳恩達線。李飛飛線走出了盧策吾、非夕王世全，吳恩達線走出了田野。2014 年，田野以中科大物理系專業第一的身份進入斯坦福 AI Lab，師從斯坦福 AI 教父吳恩達，與邵林同年入校。

之後他在蘋果待了七年，做到 Apple AI Platform 技術負責人，是蘋果總部最年輕的主任工程師之一，主導打造了被業內稱為“蘋果的 PyTorch 與 CUDA ”的 AI 平臺以及全球首個端雲協同大模型推理系統的建設，後者要服務的不是實驗室裡的測試機，而是超過 10 億用戶、20 億設備，包括 iPhone、Vision Pro 和 Apple Intelligence。這段經歷留給他的核心判斷是：蘋果的壁壘從來不是某個單點技術，而是軟硬一體的系統能力。在 AI 科技評論看來，這段經歷塑造了田野的一個基本判斷：真正難的不是單點技術突破，而是讓技術跨設備、跨場景穩定運行的系統能力。

邵林和田野為舊相識，圖片為早期合影2024 年底，一個從蘋果出來管工程，一個從學界出來管學術，兩條支線匯合成 RoboScience機器科學。放在斯坦福系的譜系裡看，這可能是“學術縱深+工程縱深”配置最完整的一家創業公司：邵林那條從 UniGrasp 到 D(R,O) Grasp 再到 Bi-Adapt 的路線，對應的是模型的跨本體泛化能力；田野在蘋果做端雲協同、服務十億級設備的經驗，對應的是把能力做成可部署、可迭代的系統。兩人的組合，就是 RoboScience 技術路線圖的另一種寫法。

02三個重大節點的具身閉環從 2025 年 9 月發佈 RoboMirage 仿真引擎，到 2026 年 6 月發佈 Visics 通用具身大模型，再到 8 月發佈 REX G1 輪式仿人形機器人，RoboScience 用約一年時間，把“數據、模型、本體”三個環節全部自研並且打通。這種技術組合，不是 RoboScience 獨有，但在所有做全棧的公司裡，AI 科技評論認為 RoboScience 的技術選擇意圖，是最明確的。數據層，先解決"吃得起"的問題。具身智能最大的瓶頸不是算法，而是數據和環境，真機遙操採集又貴又慢，行業普遍困在"數據規模撐不起 Scaling Law"的循環裡。

RoboMirage 從底層求解器做起，完成了對具身世界中全物體空間的覆蓋，效率和併發性也達到了業界先進水平。剛性柔性材料耦合、極薄物體的接觸力，甚至"洗牌""拉扯橡皮筋"這類遙操都難以完成的動作，都能高精度模擬。配合全自動的視頻標註管線，這套"仿真+視頻"體系把單條數據成本壓到 0.05 元，約為傳統方案的 1/20 到 1/200，數據以每週數十萬小時的速度擴張。2026 年初到 10 月，視頻訓練數據從 100 萬漲到 400 萬。現在業界的共識是，當一個任務有足夠高效、全面的驗證環境，往往這個任務就能被AI解決。RoboScience 的數據引擎為模型迭代提供了足夠的動能。

模型層，核心是"學什麼"的選擇。Visics 採用 VLOA（Vision-Language-Object-Action）架構，內部雙引擎：上層世界模型用海量互聯網視頻預訓練，負責理解任務、預演物體的 3D 運動軌跡；下層操作模型負責把軌跡翻譯成具體機器人的控制信號。中間的接口是物體 3D 點雲軌跡。這個設計的精髓，可以用一個問題概括：教機器人抓杯子，是讓它記"杯子該怎麼動"，還是記"這臺機器人的關節該怎麼轉"？前者是物理世界的通用語言，後者是特定硬件的方言。

學前者的模型，天然具備跨本體能力，這正是邵林從 UniGrasp 到 D(R,O) Grasp 一路研究的產業化：一個模型驅動 LeapHand、Shadow Hand 等多種主流形態各異的靈巧手。能力是否經得起檢驗，要看真實任務。2025 年 5 月，RoboScience 基於 Visics 通用具身大模型 完成了複雜度、精度和步驟數都極高的拼傢俱任務，全程一鏡到底。

幾個月前的 WAIC 2026 現場，AI 科技評論觀察到，RoboScience 的展臺演示的是多款不同品牌靈巧手跑同一套 Visics通用具身大模型，30 秒識別新硬件、無需微調，真正做到換手即用，觀眾隨機遞上的物品，模型全程自主抓取，做到真正的泛化性。這些演示有展示的成分，但"隨機物品"和"現場換手"兩個設置，確實是對泛化能力的公開檢驗。因此，這次大會上，RoboScience 機器科學和蘇度，是兩家留給我們印象最深刻的公司。本體層，閉環的最後一環。今年 8 月，RoboScience 機器科學發佈的 REX G1 整合移動、感知與雙臂操作。

自研本體對 RoboScience 的意義不是多賣一款硬件，而是讓"仿真訓模型、模型驅動本體、真實數據迴流"的飛輪有載體可跑，形成真正的數據飛輪。另一個值得注意的外部變量，是通用大模型的快速迭代。大模型向物理世界的滲透，比多數人預想的更快。GPT Astra 這類模型已經能理解空間關係、規劃任務步驟，行業裡也有一些團隊開始直接用通用大模型充當機器人的"大腦"。但如果你看過一些關於大模型來調動機械臂的直播或演示，就會發現成功率很低，這是落到真實場景，短板很快暴露。讓一臺機器人把桌上的杯子挪到左邊，大模型可以把任務拆得很漂亮：找到杯子、規劃路徑、移動機械臂。

可杯子是玻璃的還是紙的、該用多大力氣、打滑了怎麼辦。接觸、摩擦、彈性，這些物理屬性不在文字和視頻數據裡，模型沒見過，它也不知道。這正是當下具身智能最難的一環：不是"想明白"，而是"做成功"。操作的泛化能力、執行速度、任務成功率，決定了機器人能不能走出演示視頻。這些需要 AI 學習到真實世界的各種物理屬性，對應的各種數據，需要有公司去採集和搭建相關能力。RoboScience 機器科學的選擇，是把這層能力自己做紮實。它的 Visics 大模型和 RoboMirage 仿真引擎，用分層解耦的架構，加上高精度、高多樣性的物理數據，訓練出一個跨本體、跨物體、跨任務的統一操作模型。

機器人先"看懂"物體怎麼動，再通過同一個接口，驅動不同的身體完成任務，不管這個身體是什麼樣。03聊聊 RoboScience 的商業化思路從某種意義上，我們認為 RoboScience 機器科學的商業化是軟硬雙線。REX G1 輪式仿人形機器人面向具體場景做項目交付，同時由於 Visics 通用具身大模型採用的VLOA技術路線，獨特的分層解耦的設計，使得了 Visics 成為了行業首個雲端具身大模型，RoboScience 機器科學與騰訊雲合作，共同推出了首個雲端具身智能服務 EaaS（Embodied-AI-as-a-Service），用戶像調用 API 一樣獲取操作能力。

兩條路徑一重一輕，一起來驗證一件事：模型能力能否複用，而不是每個項目從頭開發一遍。同時，在商業模式設計 RoboScience 機器科學的商業思路設計了從雲端 API 到整機交付的多元化商業圖景，不難看出，RoboScience 的這套商業化思路覆蓋了不同的群體，離模型最近的一層，是雲端 API。面向本體廠商、集成商和開發者，Visics 被封裝成極簡的接口，隨取隨用，類似雲服務商，按 API 調用或 License 收費。對一家做靈巧手或人形機器人的公司來說，最缺的從來不是硬件，而是讓硬件"會幹活"的大腦。現在它不需要自己訓練模型，調一個 API 就能獲得跨物體的操作能力。

他們最近與騰訊雲合作的 EaaS 在做的事，正是最輕、最容易起量的一層。往下一層，是給第三方硬件裝上"大腦"——即為第三方硬件提供即插即用的“通用操作大腦”。面向物流、零售、酒店、泛工業自動化、設備商等場景的集成商，RoboScience 機器科學提供集成了模型、算力和控制接口的控制器，主打即插即用。它瞄準的是傳統自動化啃不動的硬骨頭：無序分揀、混合碼垛，貨箱隨手堆在一起，大小不一、材質各異，傳統方案需要逐一建模、逐一定製，而基於物體軌跡的 Visics 天然不管"抓的是什麼"。

這一層按控制器加 License 收費，支持私有化部署，實際上是在延展自動化設備廠商的能力邊界：以前接不了的非標單子，現在能接了。最重的一層，是自己下場，面向即時零售前置倉、商超、倉儲分揀這類終端場景。RoboScience 機器科學用自研本體 REX G1 做整機交付，感知、續航、移動、操作全部針對場景需求設計，配合通用末端執行器接口，整機銷售加部署運維。為什麼要把最重的一層留給自己？在我們看來，答案藏在真實場景的數據價值裡。零售和物流場景 SKU 龐雜、環境多變，既是檢驗模型泛化能力的考場，也是積累真實物理交互數據的入口。

搭載 Visics 通用具身大模型的 REX G1，承擔著打通這一閉環的角色。Visics 以物體的 3D 點雲軌跡作為中間表徵，降低操作能力對特定貨品和機器人硬件的依賴，讓模型面對未見過的 SKU 時，也具備跨本體、跨物體的操作經驗。據瞭解，RoboScience 機器科學正與包括國內大型零售、供應鏈企業在內的客戶推進多個 POC 。對其而言，這些項目既是商業化驗證，也是模型持續迭代的數據入口：真實作業中的成功經驗與失敗案例，可以迴流至訓練與評測體系，推動模型能力提升。由此看，自研本體的投入，有望轉化為整個技術體系的複利。

場景驗證越深入，數據積累越充分；模型能力越強，API 與控制器的交付價值就越高。三層拼在一起，邏輯就清楚了：整機交付在最複雜的場景裡打磨模型、沉澱數據；控制器把驗證過的能力帶進千行百業；API 則把它變成人人可調的共享能力，聽起來是不是有點類似具身版的 OpenAI 。04一年三融，產業資本持續加註最後，提醒大家關注本輪 RoboScience 的投資方構成，穿透這輪融資架構可發現，除財務機構外，還出現了琥珀資本、爽資本、 360 戰投基金及多家上市公司平臺，產業資本的身影非常顯著。產業資本離應用現場更近，問題也更具體，設備能跑多久，要不要人看守，新增一類商品要調試幾天。

他們的入場，可以理解為產業端對"能力可複用"這條路線的下注，但投資不等於訂單，最終仍要現場說話。從結果來看， RoboScience機器科學 已經完成了產業資本的盡調考驗。回到融資本身：具身智能行業的故事通脹，本質上是因為多數團隊缺乏可持續兌現的籌碼。RoboScience 機器科學的連續融資，說明其在研究、工程、產品之間搭好了一條完整的鏈條。A2 輪之後，評判標準會更樸素：機器人進場後能不能穩定幹活，換一種物品、換一臺設備額外花多少錢，項目越多交付是否越輕。在 2026 年下半年，具身能講的融資新故事該講的都講完了，接下來，到了需要用硬核技術和真實的落地場景說話的新階段了。（）