我一直有个判断:具身智能走向产业化之后,能同时掌握数据、模型和本体的公司,会得到更多资本认可。
11月2日,RoboScience机器科学宣布完成A2轮数亿元融资。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。

在此之前,机器科学已经连续完成多轮融资。本轮多家产业资本进入,相当于继续为它的全栈路线投票。
这套全栈由三大技术底座和一项云端服务组成:RoboMirage在仿真环境中生成大量机器人操作数据,用来训练模型;Visics作为通用具身大模型,学习物体应该怎样运动,以及机器人怎样完成操作。
之后,REX G1作为搭载Visics的机器人本体,把模型放进物流、零售和工业等真实场景中执行任务、收集数据。目前Visics已经上线腾讯云,并通过EaaS以API形式向不同形态的机器人开放操作能力。
数据、模型和本体由此形成闭环。每进入一个新场景,机器科学都能积累新的数据和经验,再推动模型升级。这种持续进化、不断复用的系统能力,正是产业资本看中它的原因。
1.产业资本为什么愿意为全栈买单?
具身智能最难处理的,一直是环境在“变化”。
一台机器人在固定工位上,对着固定物体反复训练,通常可以把动作做得很好。可一旦商品换了、灵巧手换了、环境变了,原来的能力还能剩下多少?
这直接决定了机器人能不能规模化复制。
资本更愿意看到一种可复用的能力:项目越做越多,数据越积越厚,模型越来越通用,新场景的适配成本也能持续下降。机器科学的全栈路线,瞄准的就是这个问题。
在数据端,RoboMirage负责生成大规模物理交互数据。目前,其“仿真+视频”体系已经把单条数据成本降至0.05元,视频训练数据从100万小时增加到400万小时,仿真运动轨迹突破百亿次。
这些数字真正有意思的地方,在于数据生产方式变了。
过去,这类数据大量依赖真机和人工采集;现在,仿真可以规模化生成操作数据,互联网视频也能通过自动化管线转化为训练数据。仿真规模扩大,数据产能就能增加;数据不断积累,模型也能跟着进化。
在模型端,Visics把Object Trajectory,也就是物体的连续3D点云轨迹,作为中间接口。上层世界模型先判断物体应该怎样运动,下层操作模型再把这条轨迹转化成不同机器人能够执行的控制信号。
说白了,模型先学会“东西应该怎么动”,再让不同的机器人去完成。
今年WAIC,我在机器科学展台看到了“30秒换手”。工作人员更换灵巧手后,机器人无需重新训练便能继续工作。现场,机器人还能识别观众临时递来的物品,并按照指令完成抓取和分类。
到了WRC,我又看到了Visics世界模型的实时推理过程。屏幕上,模型生成多条3D点云候选轨迹,判断物体应该怎样移动,再把选中的路径交给操作模型执行。

换手、随机物品和推理可视化,让跨本体、跨物体这些抽象概念,变成了现场观众可以直接看到的过程。
机器人REX G1则进入真实场景执行复杂长程任务,并在作业过程中持续积累数据,推动模型进一步升级。
琥珀资本对这次投资的解释很直接:开放场景中的通用能力和落地成本,是产业突破的关键。
这也说明,资本关注的重点已经从单次演示,走向一家公司有没有持续进化的系统能力。
2.斯坦福给这家公司留下了什么?
机器科学对“全栈”的理解,也和两位创始人的经历有关。
联合创始人兼CEO田野毕业于斯坦福大学,师从吴恩达,曾任苹果AI平台技术负责人。这段经历带给机器科学的,不只是平台工程能力,更是一套构建AI系统的方法:数据如何规模化生产,模型如何持续迭代,能力如何向不同硬件和场景复用。
机器科学没有把自己限定为一家模型公司或机器人本体公司,而是从数据生产、模型训练一直做到本体落地和云端服务。这种系统化思路,贯穿了公司的整条技术路线。

(邵林&田野)
联合创始人、首席科学家邵林则进一步强化了机器科学在机器人操作领域的研究能力。他长期研究机器人学习、三维视觉和灵巧操作,其团队提出的D(R,O) Grasp获得ICRA 2025机器人操作与运动方向最佳论文。
田野负责把AI能力搭成一套可扩展的系统,邵林则不断推进机器人操作能力的边界,两人的组合,也解释了机器科学为什么会选择一条更重、但更完整的全栈路线。
3.全栈能力怎样变成一门生意?
技术闭环建立之后,机器科学正在把这套能力推向更多产业场景中。
一条路是通过REX G1进入物流、零售和工业现场,让机器人承担移动、感知和双臂协同操作;另一条路是通过EaaS输出Visics模型能力。目前Visics已经上线腾讯云,让不同形态的灵巧手和机器人可以通过API调用操作策略。

REX G1深入场景、积累真实作业数据,EaaS扩大模型能力的使用范围。前者把能力做深,后者把能力铺开。
其中,物流和零售很适合这套路线。
这两个行业拥有大量SKU,商品的尺寸、材质、包装和摆放方式经常变化。Visics如果能够持续处理新商品、新任务和新硬件,客户就能更快完成新场景适配,也能让一台机器人覆盖更多非标准任务。
田野说,希望每一次场景落地既解决客户的实际问题,也为通用能力的提升积累经验。
这句话点出了机器科学商业化的关键:机器人在现场干活,现场产生新数据,新数据再推动模型升级,升级后的模型又能进入更多场景。
本轮融资将重点支持大模型持续迭代,推进物流、零售、工业等核心场景的POC验证与规模化落地,并进一步加强高端人才储备。
产业资本的加入,也会为机器科学带来更多应用场景和产业协同空间。
机器科学已经把数据、模型和本体连成了一套能够持续进化的系统。接下来,这套系统会在更多真实场景里边干边学,也会把全栈能力一步步变成规模化落地的底气。