点击关注
已关注公众号
2026年，具身智能赛道正经历一场从实验室炫技到产业落地的剧烈蜕变。当资本潮水褪去，真正能穿越周期的，从来不是会跑会跳的人形外壳，而是藏在躯壳之下、能理解物理世界、适配万千场景的通用具身大模型。
就在行业聚焦 “谁能率先破局泛化性难题” 时，RoboScience机器科学悄然完成10亿元A轮融资，投资方集结国内外产业巨头与一线财务机构，新一轮融资亦接近收官，互联网资本、国家队基金、顶级财务机构悉数入局。这笔重磅融资，没有投向花哨的整机演示，而是全部压注VLOA大模型技术深耕与自研机器人本体工程化量产，直指具身智能规模化落地的核心命门。
在2026年国内具身智能融资突破500亿元、单笔10亿元以上融资达18起的热潮中，RoboScience的10亿融资格外特殊 —— 它不是对 “机器人概念” 的盲目追捧，而是对“模型 + 本体 + 数据” 全栈技术闭环的确定性下注。当行业还在为 “一机一策” 的工业自动化路径内卷时，这家公司已经用VLOA大模型，走出了一条跨物体、跨任务、跨场景、跨机器人的通用具身智能新路径。
具身智能规模化的“最后一公里”为何难破？
过去五年，具身智能走过了从概念到原型的全过程。机器人能完成分拣、装配、导航等单一任务，在实验室里呈现出近乎完美的表现，但一旦进入真实世界，立刻陷入 “水土不服” 的窘境。
行业普遍面临三大死穴：
第一，场景适配能力极差。仓库里能用的机器人，换到零售货架就失灵；能抓规则箱体的手，碰到柔性包装袋就束手无策，传统 “定制化编程 + 专用模型” 的模式，根本扛不住动态复杂环境的考验。
第二，本体绑定严重。一家企业往往要为不同机械臂、不同灵巧手开发多套控制算法，模型无法跨硬件迁移，研发成本呈指数级上升，量产遥遥无期。
第三，数据与训练闭环缺失。互联网视频数据海量却难落地，物理仿真数据稀缺且质量参差不齐，机器人难以从海量真实交互中学习通用物理规律，只能依赖有限场景的反复调试。
赛迪研究院报告直言，2026年具身智能已彻底告别 “讲故事” 时代，进入商业化验证期。泛化性不足成为制约行业从 “单点演示” 走向 “规模化量产” 的最大枷锁 —— 传统接近工业自动化的 “一机一策”，只能应对固定场景、固定任务，无法适配物理世界的无限变化。
这正是RoboScience切入赛道的核心契机。团队没有跟风做整机集成，而是直击具身智能的本质：机器人与物理世界的交互能力，用一套全新的大模型架构，破解 “通用操作” 这一行业终极难题。
VLOA大模型凭什么成为通用具身智能的“最优解”？
在具身智能大模型赛道，主流路线分为两派：一派是端到端VLA模型，直接将视觉、语言映射为动作；另一派是视频预测为中心的世界模型，试图渲染完整物理场景。而RoboScience的VLOA（Vision-Language-Object-Action）大模型，走出了第三条路 —— 以物体为中心、规划与执行解耦、世界模型与操作模型深度融合。
这套架构的核心创新，是把 “物体轨迹” 作为连接认知与执行的关键桥梁，彻底解决高层语义与底层控制脱节的行业痛点。
1. 中介接口革命：Object Trajectory如何打通认知与执行？
传统VLA模型直接把语言指令、视觉信号转化为机器人关节角度，看似简洁，却藏着巨大缺陷：高层任务规划与底层物理控制强耦合，换一个机器人、换一个物体，模型就必须重新训练，泛化性几乎为零。
VLOA大模型创新性引入Object Trajectory（物体轨迹）作为中介接口，用连续 3D 点云轨迹表征物体的运动状态，把复杂的机器人操作拆解为两层逻辑：
- · 上层：具身世界模型 —— 负责 “想清楚”。不渲染像素级画面，不构建宏大虚拟场景，只聚焦具身操作必需的物体状态、三维轨迹、接触关系、物理因果，提前预演物体在物理世界的运动规律，完成通用任务规划。
- · 下层：通用操作模型 —— 负责 “做到位”。接收世界模型输出的物体轨迹，转化为不同机器人的物理控制信号，适配各类机械臂、灵巧手与末端执行器，实现精准物理交互。
这种 “规划 - 执行” 解耦架构，相当于给机器人装上了“通用大脑 + 精准小脑”：大脑负责理解任务、推演物理规律，小脑负责适配硬件、执行精细操作，两者独立训练又深度协同，既保留了认知层面的泛化能力，又保证了执行层面的控制精度。
对比视频预测类世界模型，VLOA的优势直击本质：机器人不需要 “看懂” 整个世界，只需要 “掌控” 操作物体的物理变化。放弃冗余的像素渲染，聚焦物体级核心信息，让模型更轻量化、更适配真实执行，跨物体、跨任务、跨场景、跨本体的通用能力，成为与生俱来的基因。
2. 数据壁垒：千万小时视频 + 万亿次仿真，构筑行业护城河
大模型的竞争，本质是数据的竞争。具身智能模型想要通用，必须靠海量多模态数据 “喂饱”，而数据的规模、质量、闭环效率，直接决定模型上限。
RoboScience构建了“互联网视频 + 物理仿真” 双轮数据驱动体系，为VLOA大模型打造了行业稀缺的数据壁垒：
- · 具身世界模型数据底座：通过全自动标注与清洗pipeline，积累数百万小时以物体为中心的高维多模态操作数据，涵盖数千万视频片段，且以每周数十万小时的速度扩容，2026年目标打造千万小时级全球领先数据集。这些数据不是随机视频，而是聚焦 “物体交互” 的核心素材，让模型快速学习人类操作物体的通用逻辑。
- · 通用操作模型数据底座：依托自研多模态物理引擎，积累数百亿次高质量操作轨迹数据，2026年目标突破1万亿次全空间物体操作轨迹。仿真数据覆盖刚体、铰链体、1D/2D/3D可形变体等所有物体类型，让模型在虚拟世界中完成海量试错，掌握不同材质、不同形状物体的物理操控规律。
更关键的是，这套数据体系形成了高效闭环：互联网视频数据训练认知能力，仿真数据训练操作能力，两者通过Object Trajectory接口无缝衔接，让VLOA大模型同时具备 “理解世界” 和 “改造世界” 的能力，这是单一数据来源的模型无法比拟的。
3. 学术硬核实力：顶会最佳论文背书，刷新全球SOTA
RoboScience首席科学家邵林团队，已经用两项世界级成果，为 VLOA 通用操作模型奠定了不可撼动的技术基础。
2025年，团队研发的通用灵巧抓取框架 D (R,O) Grasp，荣获ICRA 2025 机器人操作与运动最佳论文奖 —— 这是近5年亚洲机构首次以第一单位斩获该奖项，含金量拉满。该框架创新性构建机器人与物体的交互统一表示，用同一个AI模型支持多种不同灵巧手的抓取操作，模拟环境抓取成功率87.53%，真实环境达89%，单次推理耗时不足1秒，彻底打破 “特定机器人适配特定物体” 的行业桎梏。
2026年，团队最新研究T(R,O)Grasp入围ICRA 2026，参数量超10亿的操作大模型，实现5 FPS实时动态交互，跨智能体平均抓取成功率高达94.83%，直接刷新全球跨智能体灵巧抓取SOTA（最先进水平）。
从D (R,O) Grasp到T (R,O) Grasp，两项成果层层递进，完美验证了VLOA大模型 “跨本体通用、精细操作稳定” 的核心能力 —— 这不是实验室里的纸面数据，而是能直接落地到工业、物流、零售场景的硬核技术。
VLOA能否定义下一代具身智能标准？
2026年，具身智能市场规模将突破1万亿元，资本、技术、场景三重共振，行业迎来历史性拐点。但繁荣之下，分化正在加剧：缺乏核心技术、依赖集成组装的企业将快速出局，掌握通用大模型、核心数据、自研本体三大壁垒的企业，将主导行业未来。
RoboScience的VLOA大模型，正在重新定义具身智能的技术标准：
-
· 不再追求 “人形外壳”，而是聚焦物理交互本质； -
· 不再依赖 “定制化编程”，而是打造通用模型架构； -
· 不再局限 “单一场景”，而是实现跨域全域适配。 -
对比行业主流路线，VLOA的差异化优势一目了然：
在零售场景，VLOA大模型能让机器人自主完成货架理货、商品抓取、库存盘点，适配不同尺寸、材质的商品；在物流场景，能快速适配分拣、码垛、装卸等全流程，兼容不同类型的机械臂与包裹；在工业场景，能应对柔性生产、非标装配等复杂任务，大幅降低产线改造周期。
更重要的是，VLOA大模型的拓展性几乎无限：随着数据持续积累、模型不断迭代，它能适配家庭、医疗、特种作业等更多场景，真正成为 “适用于任何任务、任何对象、任何机器人” 的通用具身智能系统。
具身智能的终局，是 “通用大脑” 的胜利
当机器人不再是只能执行固定指令的自动化设备，而是能理解物理世界、自主完成复杂任务的智能体，具身智能才真正实现了它的价值。而这一切的核心，是能突破泛化性困局的通用大模型。
RoboScience拿到的10亿融资，不仅是一笔资本注入，更是行业对 “通用具身智能” 路线的集体认可。在无数企业纠结 “做硬件还是做算法” 时，这家公司已经用VLOA 大模型 + 自研本体的全栈布局，抢占了行业制高点。
2026年，是具身智能商业化验证的元年，也是通用大模型决胜的元年。当资本回归理性、产业聚焦落地，那些真正掌握核心技术、打通商业闭环的企业，将成为穿越周期的领跑者。
VLOA大模型已经证明，具身智能的终局，从来不是 “比谁更像人”，而是谁能更高效、更通用、更稳定地与物理世界交互。RoboScience用10亿融资、顶尖学术成果、全栈技术闭环，给出了自己的答案 —— 通用具身大模型，才是机器人产业的终极未来。
未来已来，物理世界的智能化变革，正由VLOA这样的通用大脑，悄然开启。
往期推荐
融资10亿!上海国资重仓AMD前员工
吴夏青是谁？为什么离职英伟达创业？
点赞鼓励一下
图片来源：网络
本文不作为投资建议