隨著(zhù)科技的飛速發(fā)展,機器人技術(shù)正迎來(lái)一場(chǎng)前所未有的革命。2025年2月,具身智能領(lǐng)域的佼佼者“自變量機器人”宣布完成數億元Pre-A++輪融資,本輪融資由光速光合創(chuàng )業(yè)投資基金與多家知名資本共同領(lǐng)投,其中光速光合基金及其旗下的光速光合投資基金也積極參與其中,展現了市場(chǎng)對該領(lǐng)域的高度認可。這筆融資將極大地加速機器人“最強大腦”的研發(fā)進(jìn)程,進(jìn)一步推動(dòng)通用機器人夢(mèng)想的實(shí)現。

繼投資了今年春晚火爆的人形機器人公司宇樹(shù)科技之后,光速光合又將目光瞄準了機器人的“最強大腦”。

光速光合:助力機器人融資

光合創(chuàng )業(yè)投資基金領(lǐng)投了具身智能公司自變量機器人的Pre-A++輪融資,本輪融資將助力自變量機器人進(jìn)行下一代統一具身智能通用大模型的訓練與場(chǎng)景落地。光速光合看重自變量機器人在具身智能領(lǐng)域的領(lǐng)先技術(shù)和競爭力,認為其有望成為全球賽道的重要參與者。

具身智能公司“自變量機器人(X Square Robot)”在2025年2月宣布完成數億元Pre-A++輪融資,本輪融資由光速光合和君聯(lián)資本領(lǐng)投,北京機器人產(chǎn)業(yè)基金、神騏資本跟投。融資將用于下一代統一具身智能通用大模型的訓練與場(chǎng)景落地。

自變量機器人成立于2023年12月,致力于通過(guò)研發(fā)具身智能通用大模型,實(shí)現通用機器人。通用機器人的終極目標是像人一樣通過(guò)交互、感知和行動(dòng)自主執行任務(wù),并具備高效的泛化和遷移能力。而實(shí)現這一目標的核心,就在于機器人通用具身智能大模型。

光速光合合伙人蔡偉表示 ,我們投資自變量機器人,是看重其在具身智能領(lǐng)域的領(lǐng)先技術(shù)布局和差異化競爭力。公司自主研發(fā)的端到端具身通用大模型在泛化性和智能程度上在國內處于領(lǐng)先身位。我們相信,隨著(zhù)具身智能成為下一代機器人革命的核心,自變量機器人有望憑借技術(shù)通用性、團隊執行力和產(chǎn)業(yè)資源整合能力,成為全球賽道的重要參與者。

光速光合:助推機器人智能

光合創(chuàng )業(yè)投資基金看好國內端到端機器人大模型領(lǐng)導者自變量機器人。自變量選擇“大小腦統一的端到端大模型”路線(xiàn),重視多任務(wù)、大量場(chǎng)景訓練以提升模型的通用性和適應能力。光速光合認為自變量具備硬科技創(chuàng )業(yè)公司的共同特點(diǎn),期待其成為具身智能大腦領(lǐng)域的領(lǐng)先者。

具身智能可主要分為大腦(認知與決策)和小腦(運動(dòng)控制)。目前國內企業(yè)在探索不同發(fā)展路徑:部分專(zhuān)注于大腦,提升機器人語(yǔ)言理解與規劃能力;部分聚焦小腦,優(yōu)化行走、抓取動(dòng)作等運動(dòng)控制;也有企業(yè)選擇大小腦統一的端到端路線(xiàn)。

統一端到端具身智能大模型是提升機器人泛化能力和適應能力的關(guān)鍵。傳統的分層架構雖能在特定任務(wù)上實(shí)現優(yōu)化,但難以適應復雜環(huán)境的動(dòng)態(tài)變化。而端到端方案,使機器人能夠從感知直接映射到運動(dòng),形成高效的反饋閉環(huán),從而在多任務(wù)、多場(chǎng)景中具備更強的自主學(xué)習與適應能力。

光速光合合伙人朱嘉表示,自變量機器人是國內端到端機器人大模型的領(lǐng)導者,不僅在模型泛化性上明顯領(lǐng)先,在研發(fā)工具鏈上也大量自研,這是過(guò)往成功的硬科技創(chuàng )業(yè)公司身上的共同特點(diǎn)。很有意思的是創(chuàng )始人王潛和Deepseek創(chuàng )始人梁文鋒都是做量化策略出身,期待自變量也能有機會(huì )成為具身智能大腦領(lǐng)域的Deepseek。

自變量從成立之初就選擇了“大小腦統一的端到端大模型”路線(xiàn)。公司創(chuàng )始人兼CEO王潛表示,真正的具身智能大模型,應當由一個(gè)模型覆蓋從感知信號輸入到動(dòng)作輸出的完整過(guò)程,而不進(jìn)行人為地分層或模塊劃分,這才是實(shí)現通用具身智能的真正解法。

而在國內,選擇端到端模型的廠(chǎng)商中,技術(shù)路線(xiàn)也有所分化:部分廠(chǎng)商選擇優(yōu)先訓練特定任務(wù)或單一場(chǎng)景的小模型;自變量則從一開(kāi)始采用多任務(wù)、大量場(chǎng)景訓練,以提升模型的通用性和適應能力。

王潛表示,目前業(yè)內對于明顯超過(guò)單一操作的復雜任務(wù),所有較好的實(shí)現結果幾乎都是由具身智能大模型完成的。小模型為每個(gè)任務(wù)設計特定的模型結構,往往只能執行基本的單一操作,無(wú)法實(shí)現泛化。與之相反,大模型則重視如何通過(guò)工程化方式實(shí)現模型的scaling-up,直至達到完全通用。二者技術(shù)棧完全不同,依賴(lài)小模型的積累并不能有效遷移實(shí)現大模型。

通用性和泛化性是定義這一代具身智能技術(shù)核心的要素。只有達到足夠的通用性、泛化性和可遷移性,才使得具身智能真正區別于傳統自動(dòng)化,能實(shí)現在自由環(huán)境中,不受預設環(huán)境和預設物體限制的自由操作。

去年11月,自變量機器人宣布實(shí)現了全球目前大參數規模的具身智能通用操作大模型——Great Wall系列(GW)的WALL-A模型。該模型在通用性、泛化性上可以做到用極少的樣本,完成各種物理環(huán)境變量、動(dòng)作模式的泛化和遷移,同時(shí)在長(cháng)序列復雜操作上具有絕對優(yōu)勢。

王潛表示,經(jīng)過(guò)數月的迭代,WALL-A模型的能力已經(jīng)與海外頭部科技公司Skild AI、Physical Intelligence處于同一水平線(xiàn)上,部分能力甚至強于對方。從任務(wù)復雜度層面來(lái)看,能夠完成例如拉拉鏈、整理衣物等精細操作,展現出在隨機環(huán)境中對復雜拓撲結構、復雜物理交互的強大適應性。從復雜任務(wù)的準確率來(lái)看,在疊衣服、晾衣服等復雜柔性操作中表現出色,數分鐘級別的任務(wù)成功率達到90%以上。

此外,自變量機器人的通用具身智能大模型,還能夠實(shí)現無(wú)需地圖和深度輸入的語(yǔ)義導航,并能基于視頻進(jìn)行即時(shí)決策和實(shí)時(shí)指令跟隨,也具備自主環(huán)境探索能力。

創(chuàng )始人兼CEO王潛本碩畢業(yè)于清華大學(xué),是全球在神經(jīng)網(wǎng)絡(luò )中提出注意力機制的研究人員之一,博士期間曾在美國頂級機器人實(shí)驗室參與了多項Robotics Learning的研究,研究經(jīng)歷涵蓋機器人操作和家庭服務(wù)機器人相關(guān)的幾乎所有領(lǐng)域。聯(lián)合創(chuàng )始人兼CTO王昊是北大計算物理博士,曾在粵港澳大灣區數字經(jīng)濟研究院(IDEA研究院)擔任封神榜大模型團隊算法負責人,領(lǐng)導了國內百億級大模型和一批千億級大模型之一Ziya的研發(fā)。