橡木果發佈“本能驅動”技術路線，為機器人賦予“具身本能”

（北京，2026年6月2日） 在具身智能浪潮席捲全球的今天，絕大多數公司選擇了一條“自上而下”的路徑：用大模型理解任務，用海量數據訓練端到端策略，試圖讓機器人模仿人類工作。然而，一家名為橡木果機器人（Acorn Robot）的公司，卻走出了一條截然不同的道路——自下而上，從底層本能出發，讓機器人先獲取操作本能，繼而在與物理世界的交互中自主湧現操作智能。這家由清華機械工程博士、哈佛神經科學博士後領銜的團隊，用9年時間完成了從理論發現到產品落地的閉環。 一、起點：一個被忽略的關鍵發現——操作存在本能橡木果創始人的履歷橫跨三大領域：本科到清華博士階段，攻讀機械工程專業；博士後於哈佛大學神經科學系，主攻人腦學習行為特性研究。2018 年歸國後，投身具身智能。正是哈佛的經歷，讓他意識到一個被機器人領域長期忽略的事實：操作行為與語言行為，在底層運行機制上存在本質差異。語言沒有先天本能——小孩出生後若不接觸語言，一輩子都學不會說話，且學什麼語言就說什麼語言。但操作恰恰相反：全球所有人抓取物體的行為高度一致，無論年齡、文化、環境，但從未有人“教”過我們如何抓東西。這說明操作行為背後存在本能——出生即有、不受後天環境影響。 天生操作本能 vs 後天語言訓練本能並不直接規劃具體的執行路徑，而是為行為樹立內在期望，一旦確立，所有行為都會自發地向這個期望持續收斂。這個發現成為了橡木果技術路線的原點：與其讓機器人通過模仿學習去擬合人類的操作數據，不如賦予它類人的操作本能，讓它自己在與環境的交互中“長”出操作能力。二、對數據驅動、自上而下技術路徑的審視：沒有最好的預訓練模型，只有最適配硬件的模型當前具身領域廣泛採用的技術路線，如VLA(視覺-語言-動作)端到端架構，將任務規劃與操作執行耦合在“感知-動作”這一黑盒映射中，試圖用“更多數據、更大算力”解決所有問題。這種數據驅動、自上而下的技術路線，面臨著三大不可迴避的現實困境：第一、數據規模問題：語言只有一個信息模態，而操作涉及語言、視覺、觸覺三個模態，並且動作輸出還與具體的硬件(電機、傳動形式、手指數量等)強相關。任務和硬件一旦耦合，泛化所需的數據量將是指數級增長，遠超自然語言Scaling Law的範疇。任何一家公司都不可能採集到足以覆蓋所有硬件本體和操作場景的數據。第二、算力消耗問題：操作執行要求毫秒級的實時響應。一個動作要麼瞬間完成，要麼失敗。這就要求模型必須在邊緣端以嚴苛的功耗和時延限制下運行，無法像語言模型一樣依靠雲端算力進行“慢思考”。一個很現實的對比是：GPT這種純語言模型，即使依託無比龐大的雲端算力，目前依然是“一個字一個字往外蹦”。操作任務涉及的模態遠多於語言，所需的算力更是呈指數級劇增，然而物理世界中的操作執行，無法容忍像語言模型那樣“一個字一個字地蹦”，當物體即將從指尖滑落，機器人難道要等待模型慢慢吐出下一個指令？這顯然是不可能的。第三、泛化遷移問題：當前具身操作模型的泛化性和遷移性仍處於很初級的階段，距離可以跨任務、跨本體泛化遷移的通用操作能力還有著很大的差距，“換場景就失靈”就像一個魔咒，阻礙著具身操作模型的落地應用。為應對以上問題，表面解法是構建海量、優質、多元的數據，並持續提升算力。但更深層的核心問題值得深思：大語言模型所依託的數據驅動、自上而下的技術路線，是否同樣適用於操作模型？在具身操作中，任務規劃與操作執行同時存在，任務（如“疊衣服”）是知識層面的，可以自上而下學習，做到規則統一。但硬件執行必須適配每個個體硬件的細微差異——即使兩個外觀一模一樣的夾爪，導軌鬆緊不同，訓練出的模型參數就天差地別。橡木果用了一個生動的類比：打乒乓球的規則全世界一樣（任務），但不同選手的打法完全不同（硬件適配）。所以，任務泛化與硬件泛化的邏輯完全不同。對操作而言，沒有最好的預訓練模型，只有最適配硬件的模型。 打乒乓球規則一樣，但不同選手打法不同三、橡木果技術路徑：任務規劃與操作執行解耦，自下而上構建通用操作模型“任務”與“硬件”在泛化邏輯上的先天區別決定了，它們不能在同一個黑箱模型中訓練，而應各自獨立演進，通過標準化接口協同工作。基於此，橡木果認為，應將任務規劃與操作執行徹底解耦：• 任務規劃層：負責知識推理、任務分解和全局規劃。可通過自上而下的知識學習，其輸出並非具體的電機電流指令或關節角度，而是關鍵圖像幀和語義約束。例如，對於“把這杯水端到桌上，不要灑”的任務，規劃層輸出的是一系列“物體開始在哪”、“物體最終應該落在哪”的目標畫面以及“不要灑”的約束，而非末端執行器的具體動作路徑。• 操作執行層：負責將任務規劃指令在真實物理世界中精準、魯棒地執行。這是橡木果重點聚焦和突破的層面，由具身本能出發，採用了自下而上、自主湧現操作智能的技術路線。 具身智能的兩種技術路徑：自上而下數據擬合 vs 自下而上本能驅動四、本能催生行為湧現：讓機器人自主“長”出操作能力在操作執行層面，橡木果的最終目標是構建通用操作技能模型，實現“一上來就熟練”。但技能無法憑空掌握。因此，在通向具身智能之前，橡木果先賦予機器人具身本能：通過構建端側自主決策模型 Natus，讓機器人獲得類人的操作本能，催生行為湧現，保證“一上來就會做”；再依託真實物理世界中的探索與交互，不斷熟練，最終構建第二個核心模型——通用操作技能模型 Magis，實現“一上來就熟練”。 橡木果具身操作模型架構Natus——端側自主決策模型：零數據，冷啟動，即插即用從被賦予規則到掌握規律，橡木果認為，操作能力的來源，不應是數據擬合，而是物理世界中的具身交互。基於這一判斷，橡木果摒棄了“輸入-輸出”的黑盒路線，轉向由觸覺感知驅動的本能驅動——這便是端側自主決策模型 Natus 的底層邏輯。Natus完全嵌在末端的執行器中，是一個由觸覺刺激直接驅動的、毫秒級響應的端側模型。它賦予了機器人三大本能：• 定向本能：用於構建接觸關係。與視覺協同，指引末端向目標物體移動，如同嬰兒對移動物體產生視覺追隨的本能反應。• 探索本能：用於構建約束關係。這是最複雜、也最體現“智能湧現”的本能。當末端接觸物體後，該本能自動激活，它不預設任何動作，而是通過感知滑移、接觸面積、分佈力、形變等觸覺信息，自主地沿著物體表面探索，尋找穩定的接觸構型——不是通過預設程序，也不是通過模仿學習，而是由“建立穩定接觸”這一本能催生出的自主行為（新策略）。這種探索行為極為自然，如同嬰兒摸索一個新玩具，充滿了“智能湧現”的色彩。• 交互本能 (如抓握/裝配)：用於推進執行動作。當探索本能構建出穩定約束關係後，該本能自動激活，以“滑移最小化”或“阻抗匹配”為期望，自主地實時調節肌肉張力。如抓豆腐時增益調低（松），抓錘子時增益調高（緊）——所有調控均來自於觸覺信息的實時反饋，無需任何訓練數據。Natus賦予機器人的核心能力是“零數據冷啟動”、“硬件自適應”和“毫秒級響應”。它不需要任何訓練數據，不需要任何微調，依靠本能反射構建觸覺感知與肌肉動作之間的映射關係，出廠即具備操作的本能，能夠適應不同物體和工況的特點，實現“一上來就會做”。進一步，可以在不斷的探索過程中強化肌肉動作，形成肌肉記憶，實現“越做越熟練”。正如疼痛反射不需要大腦思考，Natus讓操作執行在物理世界中變得自然、流暢、魯棒。 Natus端側自主決策模型架構在橡木果的測試中，團隊發現，機器人面對從未見過的各種不規則形態的物體，會沿其表面自主探索，實時調整抓取策略，直到建立穩定的接觸構型後成功抓起。面對一個傾倒了半瓶水的瓶子，它會反覆試探重心，逐步調整抓力。 面對一個表面極黏、極易變形的解壓球，也湧現出極其類人的行為。 甚至，面對極薄卡片狀物體，也能通過自主探索，不斷嘗試（推、翹、扣），成功抓起。 在交互本能的測試中，機器人未經過任何數據預訓練，在抓取易碎的豆腐、水量不斷變化的塑料杯、受外界動態擾動的極薄鐵皮卷，抓取力都能夠實時調整，確保抓取穩定且可靠。 在裝配從未見過的線纜插頭，即使存在較大的初始偏差，機器人會自主調整推進動作，直至魯棒地完成接插任務。 這些行為不是編程預設，也不是數據餵養得來，而是本能催生出的行為湧現。這種自下而上的行為湧現不直接規定動作，而是規定“規律”，讓動作自主產生。這種規律可以類比萬有引力定律——萬有引力定律本身不描述任何具體的運動軌跡，卻支配了從天體運行到蘋果落地的無窮行為。本能同樣如此：它不規定具體動作，卻支配了操作行為背後的底層邏輯。它讓機器人在真實物理交互中擁有自主“長”出操作能力的可能性，而非被禁錮在一組預設的動作指令之中。並且，由本能催生的行為，與數據餵養的路徑截然不同——它不會附帶任何多餘的小動作，而是始終錨定於自身的本能期望，持續地向目標狀態收斂。五、從本能到技能：讓操作智能在真實交互中湧現Natus通過賦予機器人本能解決了“零樣本啟動與適應性”問題，但如果每次都靠探索，效率太低。Magis——通用操作技能模型：跨本體、跨任務的技能遷移與泛化Magis的使命，是讓機器人實現“一上來就熟練”。其實現路徑顛覆了行業範式：不是用海量視頻去“教”機器人，而是利用Natus在真實物理世界中自主探索產生的、帶有豐富精準觸覺語義的數據，對視覺數據進行語義增強，然後訓練技能模型。具體來說：當Natus驅動機器人在真實世界中完成一次成功操作時，它記錄的不僅是“成功了”這一結果，更是一整套豐富的物理信息——物體的重量、質心的位置、表面的軟硬與粗糙度、抓取時的力分佈與滑移趨勢等。這些由觸覺直接感知並自動“打標”的力學語義，會被疊加對齊到視覺數據上，進一步被用於訓練構建技能模型。這種做法的好處是：• 訓練數據需求大幅降低：無需百萬小時級別的操作視頻。• 模型理解深層物理屬性：能泛化到從未見過的物體和場景。• 視覺追蹤魯棒性提升：觸覺可告知“物體始終在手上”，視覺不會因遮擋或相似物體而跟丟。Magis是操作智能湧現的重要標誌，它將實現從【一上來就會做】到【一上來就熟練】的技能遷移。以抓香蕉為例：Natus 通過多次自主探索，最終完成香蕉的成功抓取。在此過程中，它不僅記錄視覺圖像，更通過觸覺感知並自動完成語義打標——香蕉重120g，質心偏左，表皮粗糙，硬度中等。這些力學語義被實時疊加到視頻幀上，使得用於訓練的 Magis 技能模型能夠真正“理解”物理世界的力學屬性，而不僅僅是外觀。基於此，機器人後續可直接選取最合適的抓取位置並施加恰當的抓取力，高效地完成目標任務，且具備跨物體的泛化能力。 六、觸覺：構建操作模型的信息底座 — 完備性是第一原則一切根基始於本能。那麼，橡木果是如何構建本能的？構建本能，要有完備的觸覺信息輸入。橡木果對觸覺信息的分類極具系統性，遠超市面上“測力”“測壓”的粗淺理解。操作相關的觸覺信息分為三大類，缺一不可：1. 界面信息（直接接觸感知）：手指與物體接觸界面上的信息，包括分佈力、變形、滑移等。其中滑移是最關鍵、也最難測量的信息。沒有滑移感知，機器人抓取不同物體（輕重、軟硬、光滑粗糙）需要海量數據訓練；有了滑移感知，零數據冷啟動即可自適應調節抓力。2. 物體信息（通過界面間接感知）：包括物體的軟硬度、摩擦係數、質量、質心分佈等。這些是視覺無法獲取的力學屬性。3. 環境信息（通過工具或物體間接感知）：包括接觸位置、剛度、阻抗、擾動等。使用工具進行的裝配、打磨、拋光等非直接操作任務，高度依賴環境信息。例如為什麼裝配比抓取難？這是因為裝配需要感知“孔”對“軸”的阻抗。 圖6 - 多模態觸覺信息，三大類：界面信息、物體信息、環境信息為了獲取這些完備信息，橡木果自研了視觸覺傳感器（Vision-based Tactile Sensor），經過7年迭代、十餘代原型機，已推出第三代成熟產品。該傳感器採用彈性體（硅膠）加微型相機的方案，不依賴任何敏感材料，通過圖像表徵與重構算法將彈性體的變形反演為所需的多模態觸覺信息。然而，真正的技術壁壘不在於原理樣機，而在於：• 多模態表徵技術：橡木果擁有靜態（光度立體）、動態（特徵追蹤）、融合態三類表徵技術，其中，動態表徵技術由公司於2020年首次提出，可用於捕捉滑移這一動態過程，而行業直至2025年底才開始跟進。• 工藝與工程化標定：攻克了從圖像到物理量的非線性、黏彈性逆問題求解與精準標定，以及千萬次按壓、切向、旋轉循環測試下的耐久性保證等。• 算力集成與優化：將圖像預處理算法壓縮到指尖內的芯片，優化信息重構算法，可實時輸出多模態、標準化的觸覺信息，而非原始圖像——避免了硬件差異性導致模型失效。 七、從“具身本能”到“具身智能”：非共識路線，已商業先行橡木果開創的【本能驅動】這一具身操作技術路線，讓機器人的“成長”路徑，從“數據填鴨”轉向“體感習得”，並理解物理世界操作中的“公理”。使操作技能從“單一場景的記憶”走向“底層規律的遷移”。這種從“記憶”到“理解”再到“創造”的躍遷，正是邁向通用智能的必經關卡。這也標誌著行業敘事的一次蛻變：從迷信“多模態輸入”的表層熱鬧，迴歸到對“操作究竟需要理解什麼”這一本質問題的追問。橡木果相信，當機器人在物理世界中真正擁有了自己的“本能直覺”和“肌肉記憶”，它所展現出的操作智能，將遠超簡單地復刻人類動作所達到的上限。橡木果的技術路線並非空中樓閣，而是已經過了商業化驗證。公司聚焦於工業柔性生產場景（如消費電子、日化、新能源汽車、生物醫藥），針對性解決產線“換產頻繁、物料繁雜、參數調試耗時”的行業痛點。憑藉Natus的“零數據冷啟動”特性，橡木果的解決方案可以做到冷啟動、快速閉環。項目落地效率突出，僅用兩個月時間，即在全球某頭部化妝品ODM廠商的產線上完成了POC驗證，並實現商業營收。在POC中，機器人被要求抓取、旋擰和放置形狀、大小、材質各異的化妝品（軟管、瓶狀、盒狀等），其零數據、快速適配的能力贏得了客戶的高度認可。團隊表示：“工業場景對任務規劃的要求相對固定，每個工位的任務已被既定。這恰恰是我們的技術優勢發揮到極致的地方。我們不需要等待上層大模型成熟，就能用底層的操作能力產生商業價值。” 隨著模型的不斷迭代與產品大規模出貨，橡木果正試圖為具身智能產業打造真正的“操作基座”。2026 年 3 月，橡木果機器人完成近億元種子輪融資，領投方包括錢唐材料實驗室、普華資本等知名投資機構。該筆融資不僅是市場對“本能驅動”這一非共識技術路線投下的一張信任票，更標誌著一個關鍵節點的到來：具身智能的投資敘事，正在逐漸迴歸對技術本源、底層邏輯與客觀規律的尊重與審視。“如果有人問我們：‘你們的壁壘是什麼？’ 我的回答很簡單——我們的認知領先了行業至少一個代際，而我們的工程細節領先了行業至少5年。 ”橡木果創始人表示，“這兩者疊加在一起，構成了一條堅固的護城河。”普華資本表示，“橡木果所做的事，早已超越‘做一款更好的機器人’的範疇，而是在為整個具身智能行業構建一塊最基礎、最稀缺、最難被繞過的基礎設施——讓所有機器人都能快速上手、穩定動手的‘底層基座’。”錢唐材料實驗室表示，“我們相信，真正能穿越週期的，不是風口上的敘事，而是那些讓機器人能在物理世界中穩定完成每一次抓取、每一次裝配，從而真正創造價值的底層能力。”橡木果的技術路線向行業傳遞了一個清晰的信號：在大模型、大數據、大算力的熱潮中，迴歸物理世界的第一性原理或許才是通往通用操作智能的更短路途。“橡木果的長期目標，是成為全球具身智能領域不可或缺的底層基座。” 橡木果創始人表示，“公司不追求成為什麼都做的全能選手，而是專注於構建最底層、最關鍵的操作基石。公司堅信，未來的技術格局將是融合共生的：上層由大模型負責任務規劃，解決‘做什麼’；下層則由橡木果的本能驅動系統負責操作執行，解決‘怎麼做’。二者通過標準化接口深度協作，共同構成真正通用、可靠的具身智能系統。”一枚橡果，既是收穫的果實，更是孕育無限可能的種子，橡木果的品牌內核與其 “本能驅動、自下而上” 的通用具身操作路線一脈相承。從零到一，從非共識理念到改變行業的技術範式，橡木果機器人以其“自下而上”的獨特視角和“迴歸本源”的堅定決心，正在為具身智能的未來鋪就一條全新的、更堅實的道路。這正是“種子”的力量：看似微小，卻能撼動全局。 關於橡木果機器人：本能驅動的通用具身操作開創者與引領者橡木果機器人（Acorn Robot）成立於2024年底，核心團隊融合清華大學機械工程與哈佛大學神經科學前沿交叉背景。公司致力於為通用具身操作構建全新的技術基座，讓機器人真正擁有與生俱來的類人本能與操作智慧。團隊自2011年起深耕機器人操作領域，2017年率先提出“本能驅動具身操作”這一非共識技術路線，並於2018年搭建實驗室團隊。2025年正式啟動商業化，在短短一年內完成從技術積累到落地的閉環，以鮮明的底層技術邏輯，引領新一代具身智能發展範式。公共事務及媒體聯絡：[email protected]