RoboScience Machine Science completes A2 round of hundreds of millions of yuan in financing, as industrial capital continues to bet on embodied intelligence

具身智能的资本筛选标准，正在从"讲得动人"转向"兑现得动"。

作者丨齐铖湧

编辑丨岑 峰

AI 科技评论获悉，11 月 2 日，RoboScience 机器科学完成 A2 轮融资。

据悉，本轮由琥珀资本、鸿瑞达投资、上海半导体产投 联合领投，360 战投、爽资本、国联民生资本、金鼎资本及多家上市公司平台跟投，融资金额达到了数亿元。

这意味着，这家 2025 年 3 月才正式开始运营的具身公司，先后已完成五轮融资。

据 AI 科技评论了解，近期具身行业融资市场并不乐观。过去一年，这个赛道的融资叙事换了好几轮：最早讲世界模型就能拿到钱；后来光讲技术不够了，得讲落地，讲进工厂的 ROI ；再后来，得有"具身 RSI "（递归自我改进）的想象空间。

故事通胀的背后，是大多数团队的底子撑不起叙事的升级，每次风口转向，就得重新攒一套说辞。资本也随之变得挑剔，同样的 BP，去年能融到，今年连会都约不上。（雷峰网）

但 RoboScience 机器科学的节奏完全不同，逆势不断受到资本青睐，也因此成为具身领域里一个值得研究的样本公司。

回看机器科学过去五轮融资的时间点，几乎每一轮前后，都有可验证的产品技术落地：ICRA 最佳论文、仿真平台 RoboMirage、通用具身大模型 Visics、与腾讯云共创的云端具身智能服务 EaaS、首款轮式仿人形通用机器人 REX G1 以及真实的项目落地。

某种意义上，这意味着，具身市场的融资，不该是技术跟着融资的故事走，反过来，融资应该跟着技术的兑现走。

在中国具身行业，从占据头部公司的创始人学术履历已经能看出几条清晰的派系：清华系、伯克利圈、斯坦福圈等等。

其中影响最深的，是斯坦福圈。

银河通用王鹤、穹彻智能卢策吾、Hillbot 苏昊，RoboScience 机器科学的（）这些公司和创始人路线各不相同，但往上追，大多能追到同一个实验室，美国三院院士、几何计算学者 Leonidas J. Guibas 在斯坦福的组。同一条脉络上还有 OpenAI 研究员严梦媛、清华大学助理教授弋力。

这不算偶然。

斯坦福几乎是全球具身智能研究的策源地之一：李飞飞，作为 ImageNet 发起人，视觉与数据驱动范式的奠基者，Chelsea Finn 的 REAL Lab ，以及几何计算学者 Leonidas J. Guibas，以及国外头部具身公司 Pi 创始成员都来自斯坦福。

2016 年前后，斯坦福 Leonidas J. Guibas 教授（美国三院院士 ）的几何计算组，聚集了一批华人学生，其中就包括王鹤、邵林和他们的师兄苏昊等。

Guibas 教授组有一条相当一致的研究主线：3D 视觉出身，重点钻研操作泛化，相信抽象表征和仿真。邵林的个人轨迹几乎是这条主线的完整样本。

2014 年邵林进斯坦福，他先在几何计算泰斗、美国三院院士 Leonidas J. Guibas 组里做 3D 视觉，后转向机器人操作，师从 Jeannette Bohg，现任新加坡国立大学助理教授。

学术方面，邵林的一作论文 UniGrasp 是数据驱动灵巧手抓取的基准性工作；2025 年，团队凭借 D(R,O) Grasp 从四千多篇投稿中斩获 ICRA 机器人操作与运动方向最佳论文奖，成为近五年亚洲机构首次以第一单位身份拿下这一奖项的团队，打破了欧美的长期垄断；2026 年，Bi-Adapt 再度入围该奖项提名，使其成为亚洲唯一连续两年站上这个位置的队伍。同场角逐的是伯克利、MIT、斯坦福、清华。

此外，斯坦福系还有另外两条支线，分别是李飞飞线和吴恩达线。李飞飞线走出了卢策吾、非夕王世全，吴恩达线走出了田野。

2014 年，田野以中科大物理系专业第一的身份进入斯坦福 AI Lab，师从斯坦福 AI 教父吴恩达，与邵林同年入校。之后他在苹果待了七年，做到 Apple AI Platform 技术负责人，是苹果总部最年轻的主任工程师之一，主导打造了被业内称为“苹果的 PyTorch 与 CUDA ”的 AI 平台以及全球首个端云协同大模型推理系统的建设，后者要服务的不是实验室里的测试机，而是超过 10 亿用户、20 亿设备，包括 iPhone、Vision Pro 和 Apple Intelligence。

这段经历留给他的核心判断是：苹果的壁垒从来不是某个单点技术，而是软硬一体的系统能力。

邵林和田野为旧相识，图片为早期合影

2024 年底，一个从苹果出来管工程，一个从学界出来管学术，两条支线汇合成 RoboScience机器科学。放在斯坦福系的谱系里看，这可能是“学术纵深+工程纵深”配置最完整的一家创业公司：邵林那条从 UniGrasp 到 D(R,O) Grasp 再到 Bi-Adapt 的路线，对应的是模型的跨本体泛化能力；田野在苹果做端云协同、服务十亿级设备的经验，对应的是把能力做成可部署、可迭代的系统。两人的组合，就是 RoboScience 技术路线图的另一种写法。

02

三个重大节点的具身闭环

从 2025 年 9 月发布 RoboMirage 仿真引擎，到 2026 年 6 月发布 Visics 通用具身大模型，再到 8 月发布 REX G1 轮式仿人形机器人，RoboScience 用约一年时间，把“数据、模型、本体”三个环节全部自研并且打通。这种技术组合，不是 RoboScience 独有，但在所有做全栈的公司里，AI 科技评论认为 RoboScience 的技术选择意图，是最明确的。

数据层，先解决"吃得起"的问题。 具身智能最大的瓶颈不是算法，而是数据和环境，真机遥操采集又贵又慢，行业普遍困在"数据规模撑不起 Scaling Law"的循环里。

RoboMirage 从底层求解器做起，完成了对具身世界中全物体空间的覆盖，效率和并发性也达到了业界先进水平。刚性柔性材料耦合、极薄物体的接触力，甚至"洗牌""拉扯橡皮筋"这类遥操都难以完成的动作，都能高精度模拟。配合全自动的视频标注管线，这套"仿真+视频"体系把单条数据成本压到 0.05 元，约为传统方案的 1/20 到 1/200，数据以每周数十万小时的速度扩张。2026 年初到 10 月，视频训练数据从 100 万涨到 400 万。现在业界的共识是，当一个任务有足够高效、全面的验证环境，往往这个任务就能被AI解决。RoboScience 的数据引擎为模型迭代提供了足够的动能。

模型层，核心是"学什么"的选择。 Visics 采用 VLOA（Vision-Language-Object-Action）架构，内部双引擎：上层世界模型用海量互联网视频预训练，负责理解任务、预演物体的 3D 运动轨迹；下层操作模型负责把轨迹翻译成具体机器人的控制信号。中间的接口是物体 3D 点云轨迹。

这个设计的精髓，可以用一个问题概括：教机器人抓杯子，是让它记"杯子该怎么动"，还是记"这台机器人的关节该怎么转"？前者是物理世界的通用语言，后者是特定硬件的方言。学前者的模型，天然具备跨本体能力，这正是邵林从 UniGrasp 到 D(R,O) Grasp 一路研究的产业化：一个模型驱动 LeapHand、Shadow Hand 等多种主流形态各异的灵巧手。

能力是否经得起检验，要看真实任务。

2025 年 5 月，RoboScience 基于 Visics 通用具身大模型 完成了复杂度、精度和步骤数都极高的拼家具任务，全程一镜到底。几个月前的 WAIC 2026 现场，AI 科技评论观察到，RoboScience 的展台演示的是多款不同品牌灵巧手跑同一套 Visics通用具身大模型，30 秒识别新硬件、无需微调，真正做到换手即用，观众随机递上的物品，模型全程自主抓取，做到真正的泛化性。

这些演示有展示的成分，但"随机物品"和"现场换手"两个设置，确实是对泛化能力的公开检验。

因此，这次大会上，RoboScience 机器科学和苏度，是两家留给我们印象最深刻的公司。

本体层，闭环的最后一环。 今年 8 月，RoboScience 机器科学发布的 REX G1 整合移动、感知与双臂操作。

自研本体对 RoboScience 的意义不是多卖一款硬件，而是让"仿真训模型、模型驱动本体、真实数据回流"的飞轮有载体可跑，形成真正的数据飞轮。

另一个值得注意的外部变量，是通用大模型的快速迭代。大模型向物理世界的渗透，比多数人预想的更快。GPT Astra 这类模型已经能理解空间关系、规划任务步骤，行业里也有一些团队开始直接用通用大模型充当机器人的"大脑"。

但如果你看过一些关于大模型来调动机械臂的直播或演示，就会发现成功率很低，这是落到真实场景，短板很快暴露。让一台机器人把桌上的杯子挪到左边，大模型可以把任务拆得很漂亮：找到杯子、规划路径、移动机械臂。可杯子是玻璃的还是纸的、该用多大力气、打滑了怎么办。接触、摩擦、弹性，这些物理属性不在文字和视频数据里，模型没见过，它也不知道。

这正是当下具身智能最难的一环：不是"想明白"，而是"做成功"。操作的泛化能力、执行速度、任务成功率，决定了机器人能不能走出演示视频。这些需要 AI 学习到真实世界的各种物理属性，对应的各种数据，需要有公司去采集和搭建相关能力。

RoboScience 机器科学的选择，是把这层能力自己做扎实。

它的 Visics 大模型和 RoboMirage 仿真引擎，用分层解耦的架构，加上高精度、高多样性的物理数据，训练出一个跨本体、跨物体、跨任务的统一操作模型。机器人先"看懂"物体怎么动，再通过同一个接口，驱动不同的身体完成任务，不管这个身体是什么样。

03

聊聊 RoboScience 的商业化思路

从某种意义上，我们认为 RoboScience 机器科学的商业化是软硬双线。

REX G1 轮式仿人形机器人面向具体场景做项目交付，同时由于 Visics 通用具身大模型采用的VLOA技术路线，独特的分层解耦的设计，使得了 Visics 成为了行业首个云端具身大模型，RoboScience 机器科学与腾讯云合作，共同推出了首个云端具身智能服务 EaaS（Embodied-AI-as-a-Service），用户像调用 API 一样获取操作能力。

两条路径一重一轻，一起来验证一件事：模型能力能否复用，而不是每个项目从头开发一遍。

同时，在商业模式设计 RoboScience 机器科学的商业思路设计了从云端 API 到整机交付的多元化商业图景，不难看出，RoboScience 的这套商业化思路覆盖了不同的群体，

离模型最近的一层，是云端 API。

面向本体厂商、集成商和开发者，Visics 被封装成极简的接口，随取随用，类似云服务商，按 API 调用或 License 收费。对一家做灵巧手或人形机器人的公司来说，最缺的从来不是硬件，而是让硬件"会干活"的大脑。现在它不需要自己训练模型，调一个 API 就能获得跨物体的操作能力。他们最近与腾讯云合作的 EaaS 在做的事，正是最轻、最容易起量的一层。

往下一层，是给第三方硬件装上"大脑"——即为第三方硬件提供即插即用的“通用操作大脑”。

面向物流、零售、酒店、泛工业自动化、设备商等场景的集成商，RoboScience 机器科学提供集成了模型、算力和控制接口的控制器，主打即插即用。它瞄准的是传统自动化啃不动的硬骨头：无序分拣、混合码垛，货箱随手堆在一起，大小不一、材质各异，传统方案需要逐一建模、逐一定制，而基于物体轨迹的 Visics 天然不管"抓的是什么"。这一层按控制器加 License 收费，支持私有化部署，实际上是在延展自动化设备厂商的能力边界：以前接不了的非标单子，现在能接了。

最重的一层，是自己下场，面向即时零售前置仓、商超、仓储分拣这类终端场景。

RoboScience 机器科学用自研本体 REX G1 做整机交付，感知、续航、移动、操作全部针对场景需求设计，配合通用末端执行器接口，整机销售加部署运维。

为什么要把最重的一层留给自己？

在我们看来，答案藏在真实场景的数据价值里。零售和物流场景 SKU 庞杂、环境多变，既是检验模型泛化能力的考场，也是积累真实物理交互数据的入口。

搭载 Visics 通用具身大模型的 REX G1，承担着打通这一闭环的角色。Visics 以物体的 3D 点云轨迹作为中间表征，降低操作能力对特定货品和机器人硬件的依赖，让模型面对未见过的 SKU 时，也具备跨本体、跨物体的操作经验。据了解，RoboScience 机器科学正与包括国内大型零售、供应链企业在内的客户推进多个 POC 。对其而言，这些项目既是商业化验证，也是模型持续迭代的数据入口：真实作业中的成功经验与失败案例，可以回流至训练与评测体系，推动模型能力提升。

由此看，自研本体的投入，有望转化为整个技术体系的复利。场景验证越深入，数据积累越充分；模型能力越强，API 与控制器的交付价值就越高。三层拼在一起，逻辑就清楚了：整机交付在最复杂的场景里打磨模型、沉淀数据；控制器把验证过的能力带进千行百业；API 则把它变成人人可调的共享能力，听起来是不是有点类似具身版的 OpenAI 。

04

一年三融，产业资本持续加注

最后，提醒大家关注本轮 RoboScience 的投资方构成，穿透这轮融资架构可发现，除财务机构外，还出现了琥珀资本、爽资本、 360 战投基金及多家上市公司平台，产业资本的身影非常显著。

产业资本离应用现场更近，问题也更具体，设备能跑多久，要不要人看守，新增一类商品要调试几天。他们的入场，可以理解为产业端对"能力可复用"这条路线的下注，但投资不等于订单，最终仍要现场说话。从结果来看， RoboScience机器科学 已经完成了产业资本的尽调考验。

回到融资本身：具身智能行业的故事通胀，本质上是因为多数团队缺乏可持续兑现的筹码。RoboScience 机器科学的连续融资，说明其在研究、工程、产品之间搭好了一条完整的链条。A2 轮之后，评判标准会更朴素：机器人进场后能不能稳定干活，换一种物品、换一台设备额外花多少钱，项目越多交付是否越轻。

在 2026 年下半年，具身能讲的融资新故事该讲的都讲完了，接下来，到了需要用硬核技术和真实的落地场景说话的新阶段了。（雷峰网）