Current Robotics，人形智能始于人｜绿洲生命力

Current Robotics（元流）近日宣布完成种子轮、天使轮及 Pre-A 轮等多轮共计超亿元融资。

绿洲资本是天使轮独家投资方及公司最大机构股东。

Pre-A 轮由BV 百度风投、高瓴创投、Monolith 砺思资本等多家机构及产业方共同参与，绿洲在后续轮次中持续超额加注。

**当前，具身智能正迈向从能力验证走向规模化应用的关键阶段，如何让机器人获得真实世界经验并持续学习，成为行业核心挑战。**Current Robotics 围绕"人形智能始于人"的理念，构建覆盖人类行为数据采集、机器人基模训练和世界模型评估的技术体系，探索通往通用人形智能的发展路径。

人形智能公司 Current Robotics（元流）首次对外披露融资进展：公司已先后完成种子轮、天使轮、Pre-A 轮融资，累计融资数亿元人民币。从投资结构来看，财务投资机构关注具身智能长期技术演进机会，产业方参与则体现出行业正在围绕数据、模型和应用生态展开更深层次布局。

绿洲资本合伙人 Ivy 表示：“Current Robotics 团队具备深厚的学术积累与持续创新能力，在具身智能数据闭环和系统化能力建设方面形成了独特积累。团队以移动操控为切入点，围绕高质量数据获取、全身协同控制与策略评估持续攻关，探索人形机器人走向真实场景的新路径。绿洲致力于发现并陪伴最有生命力的企业家长期发展，我们相信 Current Robotics 将持续创新、加速人形机器人在真实世界中的应用。”

Current Robotics 表示，本轮融资资金将主要用于推进人类全身数据规模化采集，并重点投入全身灵巧操作基模、交互式世界仿真器等核心技术研发。

从 VLA 研究到具身智能应用，团队积累支撑技术路线

Current Robotics 当前的数据、模型与评估路线，源于团队多年围绕机器人智能问题的持续探索。

创始人兼 CEO 祝毅晨，是前美的集团具身智能部部长，毕业于多伦多大学，作为国内最早布局 VLA 及机器人世界模型的研究者，已发表 40 余篇顶会论文，学术引用超过 5,200 次。曾提出全球首个 VLM 加扩散模型的 VLA 范式，并率先将 VLA 拓展至 CoT，于 2025 年发表的 WorldEval 最早提出将世界模型用于具身策略评估，相关论文入选 ICML/CoRL/CVPR 等。Physical Intelligence 的 π0 论文唯一引用过一个中国团队的研究成果，正是祝毅晨团队完成的 TinyVLA 与 ScaleDP 工作。

此后，这些研究从 VLA 模型、人类示教数据逐步延伸至全身机器人学习，沉淀为 Current Robotics 的技术基础。

这些研究围绕机器人智能形成过程中的关键环节展开：从基础模型任务理解，到动作生成，再到真实世界数据获取和策略评估，并进一步延伸至人类示教数据、全身机器人学习和世界模型评估，形成 Current Robotics 当前围绕数据、模型和评估构建的技术路线。

具身智能迈入终局本体：人形配置高自由度灵巧手

随着人形机器人从实验室演示走向真实场景，行业竞争正在从机器人本体能力延伸至机器人智能。随着众多公司踏足更通用的物理智能场景，比如家庭、商业空间等开放环境后，机器人需要面对更加复杂的连续任务。如何赋予人形机器人以人的能力，去理解环境、协调身体、灵活控制双手，并稳定持续完成的任务，成为了新的挑战。

围绕这一产业需求，Current Robotics 选择从 Loco-dexterous Manipulation（全身灵巧操控）方向切入，探索机器人移动、身体协调和精细操作能力协同发展的路径。

Curr-0：当双足人形遇到灵巧手，能碰撞出怎样的能力？

目前国内行业普遍使用双指夹爪、三指夹爪和移动底盘的机器人构型来完成任务。但是，海外的众多厂商，包括 Figure、Tesla、1X、DeepMind，都达成了一个共识：高自由度的灵巧手和双足人形一定是终局形态。这种类人的人形机器人可以最完美地适配人类活动空间，在不对场景进行改造的情况下，快速的融入人类生活。

围绕这一方向，Current Robotics 推出全身灵巧操作基模 Curr-0，探索将双足人形和 20 自由度以上的灵巧手真正结合，纳入同一模型中去学习、推理并完成任务。Curr-0 运行于 70+ 自由度人形机器人平台，并基于大规模真实世界数据进行端到端训练，通过共享权重策略完成多类任务，实现移动、身体协调和手部物理交互能力的统一学习。

机器人抱着物体穿过门框并放至特定位置

从人形、灵巧手到力触觉，CurrentWorld-0 世界仿真器加速模型评测和后训练采集

随着机器人模型规模不断扩大，如何快速验证策略效果，并将测评结果继续转化为新的训练数据正在成为具身智能持续迭代中的重要一环。

与传统算法评测不同，人形机器人面对的是不断变化的物理世界。在真实环境中，同一任务往往难以完全复现，并且每一次测试都需要消耗大量机器人、场地和人工成本，测评规模和迭代效率由此受到限制。对机器人而言，能力提升依赖持续的数据反馈和模型更新，评测体系则决定了问题能多快被发现、又能多快重新进入训练。因此，用于机器人测评的世界模型，不能只看生成的画面是否逼真，还要在机器人动作、观察视角和接触状态发生变化之后，持续给出符合物理过程的结果。

开瓶倒酒、削黄瓜画面均为模型生成

本周，Current Robotics 最新发布的交互式世界仿真器 CurrentWorld-0，正是围绕这一问题展开。它将世界模型进一步应用到机器人验证与持续迭代中，并首次将跨本体（Cross-Embodiment）、多视角（Multi-View）和力-触觉（Force-Tactile）整合进同一个世界仿真器。

在本体层面，CurrentWorld-0 覆盖双臂夹爪、移动机器人、配备灵巧手的双足人形机器人等不同平台，各类机器人本体在保留自己的动作空间的同时，学习其中可以共享的环境变化规律；在视觉层面，头部、腕部和第三视角需要持续对应同一任务状态；而当机器人真正与物体发生接触，视觉之外的力觉和触觉也会进入预测，用来补充 RGB 难以完整描述的触觉和受力变化。

这意味着当机器人换了本体、换了观察视角，甚至进入柔性物体、液体和复杂接触任务后，模型仍需要让后续状态延续此前已经发生的物理交互。CurrentWorld-0 想扩展的，正是机器人策略能够被反复执行、比较和验证的空间，为后续模型迭代提供更具规模化能力的测评环境。

CurrentWorld-0 同时预测未来画面、力觉信号与触觉反馈

评测之外，CurrentWorld-0 还把失败继续接回到后训练中。

当策略进入潜在失败状态后，人类操作员可以通过遥操作直接接管并完成纠正；生成环境中的中间状态还可以被保存、回滚，再从同一个位置尝试不同的恢复方式。这延续了 Current Robotics 此前 Hi-WM（Human-in-the-World-Model，发表于 RSS 2026 Robot World Models Workshop）的工作思路：围绕真正容易失败的位置反复探索，产生更有针对性的纠错轨迹。

这些 human takeover 数据随后还可以继续用于 policy post-training。这样一来，评测发现的问题可以直接进入下一轮训练：机器人在哪里失败，就围绕哪里补充新的经验，再通过后训练重新回到策略优化中。

对 Current Robotics 来说，CurrentWorld-0 补上的也正是这一环——让策略评估、失败纠正和后训练能够连续起来，使世界模型进一步参与机器人能力的持续迭代。

当夹爪数据已被 UMI 统治，人形灵巧手数据该从哪里获取？

在具身智能产业中，真实世界数据正在成为影响模型能力上限的重要资源。只有能够持续获得高质量人类数据的企业，才能够形成长期模型迭代优势和壁垒。但现有数据采集方式的局限性在于，第一视角视觉数据难以完整记录人体运动状态和接触力等物理信息；机器人本体遥操作虽然精度较高，但受设备成本和部署条件限制，难以规模化开展。仿真数据能够动作数据规模化，但始终无法模仿真实世界的视觉和人类动作。

围绕这一数据瓶颈，Current Robotics 推出人类数据采集系统，通过可穿戴设备采集人在真实环境中的第一视角视觉、身体运动、双手动作以及交互信息，将自然发生的人类行为转化为机器人训练数据。

HumanEx 可穿戴系统

人形智能的壁垒在于系统，硬件、数据、算法、评估缺一不可

机器人真正进入现实世界以后，能力提升很难依赖某一个单点环节。数据决定机器人能够看到多少真实经验，模型负责把经验转化为能力，评估和后训练则让策略不断暴露问题、吸收新的反馈，再进入下一轮迭代。

Current Robotics 目前正在沿着这条链路持续布局。HumanEx 从真实环境中采集人类行为数据，Curr-0 探索移动与操作统一的全身灵巧能力，CurrentWorld-0 则进一步补上策略评估和后训练采集，让不同本体、不同视角以及视觉、力觉、触觉等物理信息进入可持续验证和纠错的环境。

以上的几项工作说明 Current Robotics 想解决的其实是同一个问题：如何让机器人从真实世界获得经验，再把这些经验持续转化为更稳定、更泛化的行动能力。

这也是团队对人形智能的一贯判断——人形智能始于人。人类长期积累的行为经验，与人形机器人在身体结构、操作方式和真实任务上的相似性，使其成为训练通用人形智能的重要数据来源；而数据采集、模型学习、策略评估和持续纠错之间能否真正形成闭环，决定了这些经验最终能被转化成多少机器人能力。

什么是生命力？

对于创业公司，生命力是从裂缝中生长出新的答案。 —— Current Robotics 祝毅晨