獨家 | 清華 AIR 首屆博士李健雄創立本溯智能：五源資本領投，押注動作原生具身模型

常春藤、線性、華山資本跟投，AIR副教授詹仙園任首席科學家。作者丨鄧哲敏編輯丨齊鋮湧·鯨犀獨家獲悉，清華大學智能產業研究院（AIR）首屆博士生李健雄已畢業，並創立具身智能公司本溯智能（BASAL Intelligence，簡稱 BASAL）。目前，本溯智能已獲得五源資本領投，常春藤資本、線性資本、華山資本 WestSummit Capital 參與投資。團隊核心成員包括首席科學家、清華 AIR 副教授詹仙園，以及 7 名長期合作的年輕研究者。

據本溯智能稱，創始團隊組建前，核心成員分別拿到字節跳動 Top Seed、英偉達、小米等企業的高薪 offer 和海外高校博士錄取機會，合計放棄的年薪總包接近 4000 萬元，其中李健雄個人放棄的最高年薪總包接近千萬元。本溯智能官方資料顯示，公司不會追隨市面上已成主流的“預訓練基模＋後訓練部署”範式，而是選擇押注動作原生的 In-Context 具身基礎模型，試圖讓機器人在更換場景後無需重新訓練，在現場完成學習與適應。01環境一變，一切推倒重來當前具身智能的主流路線，是先預訓練一個基礎模型，再針對每個任務做後訓練部署交付。

這套範式在工廠標準化場景下已經跑通，但一旦環境、物體或作業流程發生變化，機器人往往需要重新採集數據、重新訓練。面對現實世界中無窮無盡的長尾場景和長尾任務，這條路的規模化天花板顯而易見。本溯智能對此有一個直接的判斷：這本質上還是工業自動化的延伸，並不是真正意義上的具身智能。在團隊看來，真實世界中與物理環境交互的動作信息，很難通過語言被完整、準確地描述；現有以語言為中心的 VLA 路線，也因此在精細操作和跨場景泛化上存在先天侷限。

本溯智能的目標，是讓機器人具備現場學習的能力：當面對訓練階段從未見過的新場景、新任務或新本體時，無需重新訓練模型，只需通過少量人類示範和自主嘗試，在幾分鐘內完成快速學習與適應。02棄語言、押動作，一條非主流的具身路線本溯智能將其方法論歸結為智能決策的第一性原理，提出“動作原生的 In-Context 具身基礎模型”技術路線。區別於現有方案以語言為中心，本溯智能將動作作為模型的核心表達方式，讓模型直接學習與世界交互的動作、任務反饋、失敗糾正以及人類示範之間的關係。模型的大部分容量用於動作生成，並通過長上下文組織機器人的連續物理交互，使機器人能夠根據此前的動作、結果、失敗和反饋，持續調整後續決策。

本溯智能認為，動作比語言更接近機器人與物理世界交互的本質，而 In-Context Learning 則讓模型具備在部署後持續學習的能力。據·鯨犀觀察，走一條人跡罕至的小路，意味著必須和行業主流敘事正面交鋒。以多模態大模型、自然語言指令為中心的 VLA 路線，仍是資本與產業界最熟悉的語境，客戶也更習慣讓機器人聽懂人話的產品敘事。棄用語言中心、強調動作原生，短期內會顯著抬高落地溝通成本。本溯智能得向客戶解釋清楚，動作原生模型交互並不比語言指令更難集成進現有產線。支撐上述路線的，是團隊自 2024 年起持續研發的兩項核心技術——跨具身模型 X-VLA 與高效隱空間世界模型 ODEWorld。

X-VLA 聚焦跨本體動作表達。僅使用不足 1000 小時的預訓練數據，便在多項第三方評測中取得領先結果；其團隊基於該模型，從 400 多支參賽隊伍中脫穎而出，獲得 IROS 2025 智元機器人挑戰賽總冠軍。ODEWorld 則通過連續物理時間的隱空間建模，為長時序物理信息表達和機器人的 In-Context Learning 提供更高效的技術基礎。據公開資料顯示，本溯智能是國內最早系統探索跨本體快速適應與 In-Context 具身學習方向的團隊之一。

03 從預先編程到現場學習，一種有待落地的解法本溯智能關注的是具身智能規模化的一個關鍵成本矛盾：越來越多的企業願意引入機器人，卻難以承受每換一個場景就要重新採集數據、重新訓練的高昂代價。如果 In-Context 具身學習真的成立，部署成本將隨著機器人學習經驗的積累持續下降，而非隨場景增多線性攀升，這是這門生意最誘人的地方。從 X-VLA 在 IROS 競賽中的冠軍表現，到 ODEWorld 在長時序物理建模上的技術積累，本溯智能已在學術層面展示出相當的技術深度。團隊接下來面臨的關鍵挑戰，在於將幾分鐘現場學習的能力，在更多真實場景、更多本體、更多任務類型中持續驗證。

·鯨犀將持續關注本溯智能的進展。