具身賽道冷下來後，這家斯坦福創業團隊逆勢拿下數億元融資

作者：吳琼 投資界

具身智能轉折之際，一筆融資逆勢誕生------今日（11月2日），RoboScience機器科學宣布完成A2輪數億元融資，由琥珀資本、鴻瑞達投資、上海半導體產投聯合領投，爽資本、360戰投、國聯通寶、金鼎資本及多家上市公司平台跟投。

透視RoboScience機器科學，身後是兩位來自斯坦福大學AI Lab的同班同學------田野和邵林。早在校園期間，他們就常常一起探討機器人如何進入人類生活。直到多年後，目睹中國具身智能迎來爆發節點，他們選擇回國創業，RoboScience機器科學隨即誕生。

斯坦福，幾乎是全球具身智能研究的策源地之一：作為ImageNet發起人的李飛飛，視覺與數據驅動範式的奠基者，Chelsea Finn的REAL Lab，幾何計算學者Leonidas J.Guibas，以及國外頭部具身公司Pi創始團隊都來自斯坦福。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，包括王鶴、邵林和他們的師弟蘇昊等。

從三維幾何、機器人學習到物理交互，斯坦福的研究積累，也為這批創業者探索通用具身智能提供了重要啟發。這也體現在RoboScience機器科學的技術基因裡：目前公司自研的Visics通用具身大模型，突破本體泛化難題；自研物理仿真引擎RoboMirage，則進一步突破數據門檻。通往通用具身之路，RoboScience機器科學選擇直接瞄準最難的關口。

此刻，投資人的選擇往往更具風向標意味。趁著完成融資的節點，投資界與RoboScience機器科學創始人、CEO田野進行了一場深度交流，一個不同於以往大多數的具身創業故事緩緩鋪開。

兩位斯坦福同學聯手創業 死磕具身泛化難題

斯坦福系，這是RoboScience機器科學留給大多數人的第一印象。

而團隊的萌芽，正是從斯坦福開始------田野本科畢業於中國科學技術大學，2014年前往斯坦福深造，師從吳恩達教授，由此闖入AI世界。

這段求學時光成為田野人生中最寶貴的經歷之一。彼時，全球深度學習剛剛興起，吳恩達是最早的倡導者之一。在老師的帶領下，田野不僅接觸到全球最前沿的技術，還進行了大量將技術應用到真實場景的嘗試。

商業世界裡許多偉大的創業故事，往往都始於校園裡最純粹的友誼------也是在這個充滿極客與創新氣息的校園裡，田野與同班同學邵林結下緣分。不同的是，邵林師從具身智能操作專家Jeannette Bohg與幾何計算泰斗Leonidas Guibas，專注機器人學習領域。

雖然研究方向不同，但兩人的好奇心意外同頻：如何讓AI能力進入物理世界，用通用自然語言與機器人交互並進行操作？"從斯坦福開始，我們就一直在談論機器人何時能真正進入人類大規模的生產生活之中。"田野向投資界回憶。

但當時具身智能概念尚未爆發，創業時機還不成熟。於是，田野選擇先進入蘋果，核心參與構建蘋果的AI產品生態及AI應用生態，一路從工程師成長為技術負責人，主導全球首個端雲協同大模型推理系統Apple Intelligence及被譽為"蘋果的PyTorch與CUDA"的核心平台CoreML、CreateML；邵林則加入新加坡國立大學計算機系擔任助理教授，繼續進行機器人學習與靈巧操作研究。

正是這兩段截然不同的經歷，補全創業的最後一塊拼圖：一同從斯坦福出發，田野又在蘋果積累了將技術部署至大規模設備與用戶的工程經驗；邵林帶領團隊進行的一系列研究，也成為日後創業的技術底座。由此，形成一個"學術與工程"互補的創業組合。 *RoboScience機器科學兩位創始人合照（左為邵林、右為田野）

轉眼到2024年，大語言模型的通用性隨著ChatGPT的出現而爆發，學術界和產業界都開始嘗試把這種Scaling Law複刻到物理世界的機器人身上。終於等來機會，田野果斷離職回國創業，創辦RoboScience機器科學。兩人繼續並肩作戰------田野擔任CEO，邵林則是首席科學家。

在這前後，國內具身智能賽道徹底爆發，各路資本與頂尖創業者紛紛下場。回顧這場浪潮，斯坦福系尤為亮眼------Hillbot創始人蘇昊、銀河通用創始人王鶴、穹徹智能創始人盧策吾......他們都來自斯坦福機器人與AI學術譜系。正如田野的感受，"放眼AI領域，斯坦福毫無疑問是全球前沿陣地，無數學術和工程的創新都從這裡發生。"悄然間，中國具身智能賽道崛起一支"斯坦福軍團"。

起點越高，願景越大。RoboScience機器科學選擇了一條更難的路：通過軟硬一體的全棧技術路線，既自研通用具身大模型，又做機器人本體以及物理仿真。

"具身智能最重要的就是兩件事，模型和數據"，如田野所說，這基本詮釋了RoboScience機器科學的成長路線------為了突破具身智能面臨的泛化難題，團隊自研了Visics通用具身大模型。

具體來看，Visics通用具身大模型採用VLOA（Vision-Language-Object-Action）架構，以Object Trajectory（物體3D點雲軌跡）作為統一中間表徵標準。這一設計將"認知"與"執行"徹底解耦------上層具身世界模型負責預判和推演物體的物理運動軌跡，下層通用操作模型將軌跡轉化為適配任意機器人本體的控制指令。

同時，公司自研了高精度仿真引擎RoboMirage。前特斯拉AI總監、OpenAI聯合創始人Andrej Karpathy在《Verifiability》一文中提出，當一個任務有足夠高效、全面的驗證環境並允許反覆試錯、高效試錯且能夠自動提供獎勵反饋，AI通過持續訓練解決該問題的可能性就會大大增加。

RoboMirage已經實現了高並發、實時性和全物體空間的覆蓋。這為RoboScience具身模型的發展提供了極高的動能。再結合全自動的視頻標註與清洗管線，構建了"仿真+視頻"雙數據飛輪。田野分享了一組數據：RoboScience機器科學數據路線把單條數據的獲取成本壓到0.05元，降到了傳統方案的1/20到1/200。2026年初至10月，RoboScience機器科學視頻訓練數據從100萬突破到400萬並在持續擴展，從根本上突破數據規模和成本的雙重瓶頸，為具身的Scaling Law創造條件。

隨著通用大語言模型不斷展現出空間理解能力，資本市場對具身智能公司的追問也愈發直接：當通用模型的能力邊界持續擴張，具身公司自研"大腦"的獨立價值和長期壁壘究竟在哪裡？

田野的判斷是，通用大語言模型擅長工具調用、任務拆解與意圖編排，但從理解任務到驅動機器人穩定完成操作，仍有一道物理世界的門檻。對於具身公司而言，核心價值在於能否讓不同硬件在複雜環境中，以足夠快的速度和足夠高的成功率完成操作，並將這套能力複用到更多本體與任務中。這背後，需要模型學習接觸、摩擦、彈性等物理規律，也需要持續積累難以直接從文字和視頻中獲得的物理交互數據，讓系統能夠在物理世界高效、魯棒地完成真實的任務。

這也是RoboScience機器科學佈局Visics大模型與RoboMirage仿真引擎的底層邏輯：以仿真引擎規模化生成物理交互數據，降低模型訓練的數據成本；以分層解耦架構銜接物體運動理解與機器人操作，減少模型能力對特定硬件的依賴。兩者共同指向一個具有商業價值的目標：讓同一套操作能力跨本體、跨任務複用，降低新硬件適配與新場景部署的邊際成本。從創投視角看，這一路線的想像空間，在於將數據與模型的持續積累，轉化為可規模化交付的通用操作能力，並通過統一的Visics模型接口，服務更多機器人廠商與應用開發者。

在模型側、數據側都有了巨大的飛躍後，RoboScience機器科學發布了第一代機器人本體------REX G1輪式仿人形通用機器人，可廣泛應用於物流、零售、工廠、家庭等場景。

如同蘋果一樣，真正的壁壘從來不是某一項單點技術，而是軟硬一體的系統性能力。RoboScience機器科學亦是如此------通過構建全棧能力，以更快的迭代速度，打造能自主執行複雜任務的下一代機器人。

逆勢融資 一年打通具身全棧閉環

投資人很早就留意到了這對斯坦福同學。

AI時代，投資人往往會提前與具備創業潛能的大廠高管、高校教授建立聯繫，以便在他們決定創業時能第一時間投進去。這一幕，同樣發生在田野身上------記憶中，他和邵林還沒離職時，就陸續有投資人找上門來，保持定期交流。

一切就這麼水到渠成。RoboScience機器科學剛剛成立，零一創投獨家投資的數千萬元人民幣種子輪便火速落袋。而完成融資兩個月後，邵林團隊就憑藉通用靈巧抓取框架 D(R,O) Grasp 斬獲機器人操作與運動方向最佳論文獎，成為近五年來亞洲機構首次以第一單位身份獲此殊榮的團隊。這一研究也是RoboScience機器科學突破跨本體靈巧操作難題的技術淵源。

此後投資人持續加碼：當年7月，完成近2億元天使輪融資，京東領投，招商局創投、商湯國香資本跟投，老股東零一創投加注；2026年2月，完成數億元Pre-A輪融資，投資人包括普華資本、達晨財智等知名投資機構，招商局創投、零一創投等持續加碼；直至現在，公司完成多輪數億元A系列融資。

RoboScience機器科學在融資上一直保持穩健務實的節奏。實際上，經歷上半年融資盛況，今年下半年具身智能賽道明顯降溫，投資人出手愈發謹慎，投資標準更為嚴格。越是在行業低谷，融資越具分量。

而讓投資人堅定出手的，是RoboScience機器科學在每一個融資節點上達成的里程碑：2025年9月，發布高精度仿真引擎RoboMirage，打通低成本、大規模的數據飛輪；2026年6月，正式推出Visics通用具身大模型，用VLOA架構證明了跨本體、跨物體、跨任務的泛化能力；僅僅兩個月後，首款輪式仿人形機器人REX G1便宣告亮相。換言之，一年時間內連接了數據、模型與機器人本體等關鍵環節，形成通用具身全棧閉環。

值得一提的是，完成本輪融資之前，RoboScience機器科學還與騰訊雲達成戰略合作，打造全球首個雲端EaaS（Embodied-AI-as-a-Service）具身智能服務。在這一合作基礎上，Visics成為全球首個雲端具身大模型，面向公眾開放調用生態。

這背後蘊藏著RoboScience機器科學對商業化的思考。田野透露，目前團隊有三條產業化路線：既提供面向終端應用的整體具身解決方案；也提供能被從雲端調用的模型服務EaaS，以及端側部署的控制器，把模型能力開放給更廣泛的開發者、本體公司、場景集成商。

用田野的話說，這三條路線兼顧了"深度和廣度"：全棧路線深耕重點場景，控制器和EaaS則把能力外延，從而覆蓋一家公司無法完全吃透的廣闊應用場景。

如此種種，也是打動投資人的地方。正如琥珀資本表示："具身智能技術迭代加快，正在不同的領域經歷從技術驗證向規模化應用推進的階段，開放場景的通用能力與落地成本是產業突破的關鍵。RoboScience機器科學圍繞這一核心命題，構建了貫通數據、模型與本體的全棧技術體系，進一步提升跨本體、跨物體、跨任務的泛化能力，實現在真實工況中持續完成數據積累與能力迭代。我們高度認可團隊對技術路徑的前瞻判斷與系統化執行能力，看好公司在真實場景加快驗證，推動模型能力規模化重用，逐步成長為通用具身智能時代的重要基礎設施平台。"

面對商業化量產與規模化驗證的考驗，產業資本的出手往往被視為風向標。於所有玩家而言，這樣的投資方彌足珍貴------不止在於財務支持，還給出真實的驗證場景。

翻開RoboScience機器科學股東陣營，這樣的面孔並不少見：京東擁有遍布全國的數十個"亞洲一號"智能物流園區和上千個倉庫；爽資本背後，正是來自香港千億豪門李錦記家族，在全球擁有龐大的生產基地與供應鏈網絡。它們的業務中充滿了大量非標、繁瑣且難以自動化的工序，恰恰是具身智能的理想替代場景。

本輪融資也出現多家產業資本及上市公司平台，組團為RoboScience機器科學投下信任票。田野透露，內部正與一批產業方展開合作，不久後將陸續公布。

這無疑是具身公司最好的試煉場。接下來，RoboScience機器科學的加速路徑愈發清晰：本輪融資資金將重點支持大模型的持續迭代升級，推進物流、零售、工業等核心場景的POC驗證與規模化落地。同時，進一步加強高端人才儲備。

走向通用終局

實現通用具身智能，幾乎是所有具身創業者的終極夢想。

這是一個極為龐大且浪漫的命題。但通用意味著機器人能感知環境、自主決策、行動後反饋學習，像人一樣邊幹邊學，背後仍有許多需要攻克的工程難題，還有很長的路要走。當想像與現實出現落差，行業開始從"萬能幻想"進入"專用先行"階段。甚至有觀點認為，"通用還太遠，深耕垂直場景才是活下去的關鍵。"

但在田野看來，這並非一道非此即彼的選擇題。"通用具身智能的核心在於降低邊際成本，這也是我們未來的核心競爭力。"他進一步解釋，RoboScience機器科學之所以堅持做全棧產品，就是為了在物流、零售等特定領域做深度優化。

"我們肯定要在某些場景先落地，但支撐它背後的是不斷演進、越來越通用、成本越來越低的底層技術。"田野強調，正向的可持續商業閉環需要跟場景深度耦合，而長期的競爭力則需要通過不斷降低邊際成本來擴大規模。

先切入真實的高價值、高需求的行業，再讓機器人走向更廣闊的場景，最終就是大家所期待的通用具身智能。在這條路上，泛化就是最難啃的骨頭。

簡單來說，目前多數具身模型在固定場景中經過充足的數據採集和專項訓練後，任務成功率基本可以接近100%。但只要更換操作物品，或是稍微改變環境，機器人的任務成功率就會出現大幅下降。

面對這個難題，RoboScience機器科學給出了自己的解法：憑藉自研的VLOA結構，已經支持跨本體、跨物體、跨任務三大維度泛化。印象深刻的一幕是，2026世界人工智能大會上，RoboScience機器科學現場上演了"30秒极速換手"------工作人員直接更換不同品牌的靈巧手硬件，無需重新適配、無需微調，靈巧手在30秒內被即時識別，並流暢執行多類抓取任務，真正實現"換手即用"，驗證了跨本體的泛化能力。

此外，搭載Visics通用具身大模型的靈巧手，能成功抓取現場觀眾提供的任意物品；更具突破性的是，在今年8月舉辦的WRC上，RoboScience機器科學在展台同步開放了世界模型的推理過程，成為行業首個公開展示世界模型實時可視化推理的企業。

"具身智能與物理世界高度相關的事情，需要結合真實場景、真實任務和算法同步演化。"田野並不盲目樂觀，"肯定是一步一步，從小到大，從特定產業走向更廣泛的行業逐步實現。"但他也笃定，這會是在未來幾年發生的事情。

經歷著具身智能創業潮，爭議與泡沫隨之而來。談及於此，田野反而顯得很坦然，"泡沫可能來源於大家都在做不同嘗試，就像生物演化一樣，有些在演化過程中消失，有些存活下來。這是技術演進的自然現象。"

具身下半場，單純依靠炫酷Demo講故事的企業，生存壓力會越來越大。田野更願意把精力放在"做事"上，"短期的波動對我們來講只是noise。回到商業本質上，接下來大家更關注的是技術怎麼真正落地到產品裡。"

通往物理世界AGI之路，終點還有很遠。多年後回望，此刻或許就是分水嶺。

本內容僅供參考，不構成任何金融、投資、法律或稅務建議。文中提及的任何活動、獎勵、線上活動或相關資訊，不應被視為對購買、出售或交易任何加密資產的推薦、招攬或邀請。加密資產具有高波動性，存在價值損失風險。WEEX服務、產品及相關活動的可用性可能因地區而異。用戶在參與前有責任確保符合當地適用法律法規。