具身智能转折之际，一笔融资逆势诞生——
今日（11 月 2 日），RoboScience 机器科学宣布完成 A2 轮数亿元融资，由琥珀资本、鸿瑞达投资、上海半导体产投联合领投，爽资本、360 战投、国联通宝、金鼎资本及多家上市公司平台跟投。
透视 RoboScience 机器科学，身后是两位来自斯坦福大学 AI Lab 的同班同学——田野和邵林。早在校园期间，他们就常常一起探讨机器人如何进入人类生活。直到多年后，目睹中国具身智能迎来爆发节点，他们选择回国创业，RoboScience 机器科学随即诞生。
斯坦福，几乎是全球具身智能研究的策源地之一：作为 ImageNet 发起人的李飞飞，视觉与数据驱动范式的奠基者，Chelsea Finn 的 REAL Lab，几何计算学者 Leonidas J.Guibas，以及国外头部具身公司 Pi 创始团队都来自斯坦福。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，包括王鹤、邵林和他们的师弟苏昊等。
从三维几何、机器人学习到物理交互，斯坦福的研究积累，也为这批创业者探索通用具身智能提供了重要启发。这也体现在 RoboScience 机器科学的技术基因里：目前公司自研的 Visics 通用具身大模型，突破本体泛化难题；自研物理仿真引擎 RoboMirage，则进一步突破数据门槛。通往通用具身之路，RoboScience 机器科学选择直接瞄准最难的关口。
此刻，投资人的选择往往更具风向标意味。趁着完成融资的节点，投资界与 RoboScience 机器科学创始人、CEO 田野进行了一场深度交流，一个不同于以往大多数的具身创业故事缓缓铺开。
两位斯坦福同学联手创业
死磕具身泛化难题
斯坦福系，这是 RoboScience 机器科学留给大多数人的第一印象。
而团队的萌芽，正是从斯坦福开始——田野本科毕业于中国科学技术大学，2014 年前往斯坦福深造，师从吴恩达教授，由此闯入 AI 世界。
这段求学时光成为田野人生中最宝贵的经历之一。彼时，全球深度学习刚刚兴起，吴恩达是最早的倡导者之一。在老师的带领下，田野不仅接触到全球最前沿的技术，还进行了大量将技术应用到真实场景的尝试。
商业世界里许多伟大的创业故事，往往都始于校园里最纯粹的友谊——也是在这个充满极客与创新气息的校园里，田野与同班同学邵林结下缘分。不同的是，邵林师从具身智能操作专家 Jeannette Bohg 与几何计算泰斗 Leonidas Guibas，专注机器人学习领域。
虽然研究方向不同，但两人的好奇心意外同频：如何让 AI 能力进入物理世界，用通用自然语言与机器人交互并进行操作？" 从斯坦福开始，我们就一直在谈论机器人何时能真正进入人类大规模的生产生活之中。" 田野向投资界回忆。
但当时具身智能概念尚未爆发，创业时机还不成熟。于是，田野选择先进入苹果，核心参与构建苹果的 AI 产品生态及 AI 应用生态，一路从工程师成长为技术负责人，主导全球首个端云协同大模型推理系统 Apple Intelligence 及被誉为 " 苹果的 PyTorch 与 CUDA" 的核心平台 CoreML、CreateML；邵林则加入新加坡国立大学计算机系担任助理教授，继续进行机器人学习与灵巧操作研究。
正是这两段截然不同的经历，补全创业的最后一块拼图：一同从斯坦福出发，田野又在苹果积累了将技术部署至大规模设备与用户的工程经验；邵林带领团队进行的一系列研究，也成为日后创业的技术底座。由此，形成一个 " 学术与工程 " 互补的创业组合。
转眼到 2024 年，大语言模型的通用性随着 ChatGPT 的出现而爆发，学术界和产业界都开始尝试把这种 Scaling Law 复刻到物理世界的机器人身上。终于等来机会，田野果断离职回国创业，创办 RoboScience 机器科学。两人继续并肩作战——田野担任 CEO，邵林则是首席科学家。
在这前后，国内具身智能赛道彻底爆发，各路资本与顶尖创业者纷纷下场。回顾这场浪潮，斯坦福系尤为亮眼—— Hillbot 创始人苏昊、银河通用创始人王鹤、穹彻智能创始人卢策吾……他们都来自斯坦福机器人与 AI 学术谱系。正如田野的感受，" 放眼 AI 领域，斯坦福毫无疑问是全球前沿阵地，无数学术和工程的创新都从这里发生。" 悄然间，中国具身智能赛道崛起一支 " 斯坦福军团 "。
起点越高，愿景越大。RoboScience 机器科学选择了一条更难的路：通过软硬一体的全栈技术路线，既自研通用具身大模型，又做机器人本体以及物理仿真。
" 具身智能最重要的就是两件事，模型和数据 "，如田野所说，这基本诠释了 RoboScience 机器科学的成长路线——为了突破具身智能面临的泛化难题，团队自研了 Visics 通用具身大模型。
具体来看，Visics 通用具身大模型采用 VLOA（Vision-Language-Object-Action）架构，以 Object Trajectory（物体 3D 点云轨迹）作为统一中间表征标准。这一设计将 " 认知 " 与 " 执行 " 彻底解耦——上层具身世界模型负责预判和推演物体的物理运动轨迹，下层通用操作模型将轨迹转化为适配任意机器人本体的控制指令。
同时，公司自研了高精度仿真引擎 RoboMirage。前特斯拉 AI 总监、OpenAI 联合创始人 Andrej Karpathy 在《Verifiability》一文中提出，当一个任务有足够高效、全面的验证环境并允许反复试错、高效试错且能够自动提供奖励反馈，AI 通过持续训练解决该问题的可能性就会大大增加。
RoboMirage 已经实现了高并发、实时性和全物体空间的覆盖。这为 RoboScience 具身模型的发展提供了极高的动能。再结合全自动的视频标注与清洗管线，构建了 " 仿真 + 视频 " 双数据飞轮。田野分享了一组数据：RoboScience 机器科学数据路线把单条数据的获取成本压到 0.05 元，降到了传统方案的 1/20 到 1/200。2026 年初至 10 月，RoboScience 机器科学视频训练数据从 100 万突破到 400 万并在持续扩展，从根本上突破数据规模和成本的双重瓶颈，为具身的 Scaling Law 创造条件。
随着通用大语言模型不断展现出空间理解能力，资本市场对具身智能公司的追问也愈发直接：当通用模型的能力边界持续扩张，具身公司自研 " 大脑 " 的独立价值和长期壁垒究竟在哪里？
田野的判断是，通用大语言模型擅长工具调用、任务拆解与意图编排，但从理解任务到驱动机器人稳定完成操作，仍有一道物理世界的门槛。对于具身公司而言，核心价值在于能否让不同硬件在复杂环境中，以足够快的速度和足够高的成功率完成操作，并将这套能力复用到更多本体与任务中。这背后，需要模型学习接触、摩擦、弹性等物理规律，也需要持续积累难以直接从文字和视频中获得的物理交互数据，让系统能够在物理世界高效、鲁棒地完成真实的任务。
这也是 RoboScience 机器科学布局 Visics 大模型与 RoboMirage 仿真引擎的底层逻辑：以仿真引擎规模化生成物理交互数据，降低模型训练的数据成本；以分层解耦架构衔接物体运动理解与机器人操作，减少模型能力对特定硬件的依赖。两者共同指向一个具有商业价值的目标：让同一套操作能力跨本体、跨任务复用，降低新硬件适配与新场景部署的边际成本。从创投视角看，这一路线的想象空间，在于将数据与模型的持续积累，转化为可规模化交付的通用操作能力，并通过统一的 Visics 模型接口，服务更多机器人厂商与应用开发者。
逆势融资
一年打通具身全栈闭环
投资人很早就留意到了这对斯坦福同学。
AI 时代，投资人往往会提前与具备创业潜能的大厂高管、高校教授建立联系，以便在他们决定创业时能第一时间投进去。这一幕，同样发生在田野身上——记忆中，他和邵林还没离职时，就陆续有投资人找上门来，保持定期交流。
一切就这么水到渠成。RoboScience 机器科学刚刚成立，零一创投独家投资的数千万元人民币种子轮便火速落袋。而完成融资两个月后，邵林团队就凭借通用灵巧抓取框架 D ( R,O ) Grasp 斩获机器人操作与运动方向最佳论文奖，成为近五年来亚洲机构首次以第一单位身份获此殊荣的团队。这一研究也是 RoboScience 机器科学突破跨本体灵巧操作难题的技术渊源。
此后投资人持续加码：当年 7 月，完成近 2 亿元天使轮融资，京东领投，招商局创投、商汤国香资本跟投，老股东零一创投加注；2026 年 2 月，完成数亿元 Pre-A 轮融资，投资人包括普华资本、达晨财智等知名投资机构，招商局创投、零一创投等持续加码；直至现在，公司完成多轮数亿元 A 系列融资。
RoboScience 机器科学在融资上一直保持稳健务实的节奏。实际上，经历上半年融资盛况，今年下半年具身智能赛道明显降温，投资人出手愈发谨慎，投资标准更为严格。越是在行业低谷，融资越具分量。
而让投资人坚定出手的，是 RoboScience 机器科学在每一个融资节点上达成的里程碑：2025 年 9 月，发布高精度仿真引擎 RoboMirage，打通低成本、大规模的数据飞轮；2026 年 6 月，正式推出 Visics 通用具身大模型，用 VLOA 架构证明了跨本体、跨物体、跨任务的泛化能力；仅仅两个月后，首款轮式仿人形机器人 REX G1 便宣告亮相。换言之，一年时间内连接了数据、模型与机器人本体等关键环节，形成通用具身全栈闭环。
值得一提的是，完成本轮融资之前，RoboScience 机器科学还与腾讯云达成战略合作，打造全球首个云端 EaaS（Embodied-AI-as-a-Service）具身智能服务。在这一合作基础上，Visics 成为全球首个云端具身大模型，面向公众开放调用生态。
用田野的话说，这三条路线兼顾了 " 深度和广度 "：全栈路线深耕重点场景，控制器和 EaaS 则把能力外延，从而覆盖一家公司无法完全吃透的广阔应用场景。
如此种种，也是打动投资人的地方。正如琥珀资本表示：" 具身智能技术迭代加快，正在不同的领域经历从技术验证向规模化应用推进的阶段，开放场景的通用能力与落地成本是产业突破的关键。RoboScience 机器科学围绕这一核心命题，构建了贯通数据、模型与本体的全栈技术体系，进一步提升跨本体、跨物体、跨任务的泛化能力，实现在真实工况中持续完成数据积累与能力迭代。我们高度认可团队对技术路径的前瞻判断与系统化执行能力，看好公司在真实场景加快验证，推动模型能力规模化复用，逐步成长为通用具身智能时代的重要基础设施平台。"
面对商业化量产与规模化验证的考验，产业资本的出手往往被视为风向标。于所有玩家而言，这样的投资方弥足珍贵——不止在于财务支持，还给出真实的验证场景。
翻开 RoboScience 机器科学股东阵营，这样的面孔并不少见：京东拥有遍布全国的数十个 " 亚洲一号 " 智能物流园区和上千个仓库；爽资本背后，正是来自香港千亿豪门李锦记家族，在全球拥有庞大的生产基地与供应链网络。它们的业务中充满了大量非标、繁琐且难以自动化的工序，恰恰是具身智能的理想代替场景。
本轮融资也出现多家产业资本及上市公司平台，组团为 RoboScience 机器科学投下信任票。田野透露，内部正与一批产业方展开合作，不久后将陆续公布。
这无疑是具身公司最好的试炼场。接下来，RoboScience 机器科学的加速路径愈发清晰：本轮融资资金将重点支持大模型的持续迭代升级，推进物流、零售、工业等核心场景的 POC 验证与规模化落地。同时，进一步加强高端人才储备。
走向通用终局
实现通用具身智能，几乎是所有具身创业者的终极梦想。
这是一个极为庞大且浪漫的命题。但通用意味着机器人能感知环境、自主决策、行动后反馈学习，像人一样边干边学，背后仍有许多需要攻克的工程难题，还有很长的路要走。当想象与现实出现落差，行业开始从 " 万能幻想 " 进入 " 专用先行 " 阶段。甚至有观点认为，" 通用还太远，深耕垂直场景才是活下去的关键。"
但在田野看来，这并非一道非此即彼的选择题。" 通用具身智能的核心在于降低边际成本，这也是我们未来的核心竞争力。" 他进一步解释，RoboScience 机器科学之所以坚持做全栈产品，就是为了在物流、零售等特定领域做深度优化。
" 我们肯定要在某些场景先落地，但支撑它背后的是不断演进、越来越通用、成本越来越低的底层技术。" 田野强调，正向的可持续商业闭环需要跟场景深度耦合，而长期的竞争力则需要通过不断降低边际成本来扩大规模。
先切入真实的高价值、高需求的行业，再让机器人走向更广阔的场景，最终就是大家所期待的通用具身智能。在这条路上，泛化就是最难啃的骨头。
简单来说，当前多数具身模型在固定场景中经过充足的数据采集和专项训练后，任务成功率基本可以接近 100%。但只要更换操作物品，或是稍微改变环境，机器人的任务成功率就会出现大幅下降。
面对这个难题，RoboScience 机器科学给出了自己的解法：凭借自研的 VLOA 结构，已经支持跨本体、跨物体、跨任务三大维度泛化。印象深刻的一幕是，2026 世界人工智能大会上，RoboScience 机器科学现场上演了 "30 秒极速换手 " ——工作人员直接更换不同品牌的灵巧手硬件，无需重新适配、无需微调，灵巧手在 30 秒内被即时识别，并流畅执行多类抓取任务，真正实现 " 换手即用 "，验证了跨本体的泛化能力。
此外，搭载 Visics 通用具身大模型的灵巧手，能成功抓取现场观众提供的任意物品；更具突破性的是，在今年 8 月举办的 WRC 上，RoboScience 机器科学在展台同步开放了世界模型的推理过程，成为行业首个公开展示世界模型实时可视化推理的企业。
经历着具身智能创业潮，争议与泡沫随之而来。谈及于此，田野反而显得很坦然，" 泡沫可能来源于大家都在做不同尝试，就像生物演化一样，有些在演化过程中消失，有些存活下来。这是技术演进的自然现象。"
具身下半场，单纯依靠炫酷 Demo 讲故事的企业，生存压力会越来越大。田野更愿意把精力放在 " 做事 " 上，" 短期的波动对我们来讲只是 noise。回到商业本质上，接下来大家更关注的是技术怎么真正落地到产品里。"
通往物理世界 AGI 之路，终点还有很远。多年后回望，此刻或许就是分水岭。
文章来源：投资界原创 ｜ 作者：吴琼
原文地址：https://news.pedaily.cn/202611/571174.shtml
