2026年的具身智能赛道正遭遇一个沉默的瓶颈。以VLA（视觉-语言-动作）大模型为代表的大脑层在过去18个月吸引了绝大多数资本与注意力，人形机器人本体厂商也在视频演示中场场跃进。但当一台机器人被要求完成插拔一个松动的USB接口、在颠簸路面上搬运一杯不洒出的水，或是为失能老人更换床单时，业界反复撞上一堵墙——它看得见，但手上的力道一团糟。

视觉信号能告诉机器人螺丝孔在哪儿，却无法告诉它旋入时的阻力曲线。视频模型采集的二维图像数据描绘了物体的形状与位置，却遗漏了接触瞬间的压强分布、滑动趋势和材料变形。当灵巧手需要捏起一根针或一片柔软的硅胶薄膜时，基于图像的策略会突然失效——屏幕上的轨迹完美无缺，执行器却把薄膜捏出了褶皱，或让针从指间滑落。这正是机器人“看得懂但做不对”的核心症结。而补上这块短板的代价极高：单纯依赖真机试错来学习物理交互，意味着高昂的硬件损耗、数以千计小时的重复训练，以及在高危场景中难以承受的失败率。

就在这个行业级缺口上，一家名称略显冷僻的深圳公司试图打下一根地基桩。物理交互数据基础设施公司真觉万象（Physen AI）今日宣布完成数千万元天使轮融资，切入的正是具身智能产业链中尚未被清晰定义的环节——物理交互数据的采集、对齐与供给。

字段 内容
公司 真觉万象（Physen AI）
轮次 天使轮
金额 数千万元（具体数字未披露）
投资方 盈科值得旗下值得星炬基金（领投）、山行壹号基金、明遥慧创、力鼎光电（产业直投）、卧安机器人（产业直投）
总部 深圳
创始人 黄之燊
官网 https://physen.ai/

为何力鼎光电与卧安机器人在天使轮联手入场

本轮融资的资方组合透露出不同寻常的信号。盈科值得旗下值得星炬基金作为领投方，搭配山行壹号基金与明遥慧创等财务投资机构，构成了典型的天使轮结构。但真正值得关注的是两家产业投资方：A股光学器件上市公司力鼎光电（605118.SH），以及港股刚刚挂牌的“AI具身家庭机器人第一股”卧安机器人（06600.HK，旗下品牌SwitchBot）。

天使轮就同时拉入两家产业背景明确的上市公司，且一方扎根光学模组供应链、另一方握有家庭场景的终端入口，这种资本结构在硬件导向的早期项目中并不常见。它通常意味着：这家初创公司的技术路线，需要与特定硬件供应链和真实场景同时深度耦合，才有机会跑通。力鼎光电在鱼眼与全景光学镜头领域有二十余年积累，将为真觉万象提供光学模组层面的供应链协同与联合研发支撑——头环所依赖的全局视觉定位功能，本质上是光学成像、标定与三维重建的系统工程，上游镜头的光学性能直接决定了输入数据的质量上限。

卧安机器人则在深圳宝安区的具宝盆AI生态创新社区布局了大型实体化机器人数采基地，真觉万象的物理AI引擎交互数据体系将作为该中心的核心采集方案部署其中。卧安旗下SwitchBot品牌产品销往90多个国家和地区，这意味着真觉万象的数采设备可能接触到多元化的真实家庭环境——不同光照条件、不同家具材质、不同居住习惯下的物理交互样本。对一家天使轮公司而言，这套配置等于在量产侧和验证侧同时拿到了入场券，前提是它能把产品真正交付出去。

三环方案怎么采到视觉看不见的“手感”

真觉万象的产品路线围绕一套被称为“三环数采设备”的可穿戴硬件展开。拆解来看，它由三个物理环状组件协同工作：一个头环承担全局视觉定位，两个臂环构成六维力矩阵来采集前臂的力学信号，再加上分布于肢体的IMU（惯性测量单元）完成状态监测。整套系统瞄准的是人类操作时的完整物理交互信号链——位置、姿态、接触力、滑移、振动，而非仅仅是动作轨迹。

传统的数据采集方案多以动捕手套或遥操作设备为主。动捕手套通过在手指关节处部署弯曲传感器和惯性单元来记录手部姿态，但对于接触力、指尖压强、滑移事件的捕捉精度有限。遥操作设备则依赖外骨架或力反馈手柄，虽然能提供力信号，但设备本身的惯量和摩擦会改变操作者的自然运动模式。真觉万象的“三环”思路试图绕开这一矛盾：将力学感知模块从手部移到前臂，通过臂环的六维力矩阵间接推算手-物体交互过程中的力特征，同时以头环的视觉定位提供空间参照，形成一个不干扰手指自然动作的感知层。

在这套架构中，真正的技术岔路口在于肌力信号的采集方式。行业此前较为常见的路径是EMG（肌电信号），即通过贴在皮肤表面的电极捕捉肌肉收缩时产生的微弱电信号。但EMG方案长期被三个问题困扰：电极与皮肤之间的阻抗极易受汗水、毛发干扰；静态握持与缓慢施力场景下电信号幅值过低，信噪比差；每次佩戴都需要重新校准，很难做到“戴上即用”。这些缺陷使得EMG方案在工业或医疗场景下的规模化部署举步维艰。

真觉万象选择了一条更少人走的路——FMG（肌力信号）。FMG不依赖电信号，而是通过感知肌肉收缩时的体积变化或直接力学参数来推算施加的力。从物理原理看，当肌肉收缩时，其截面直径和硬度都会发生变化，FMG传感器通过测量这些力学-几何参数的变化来反向求解肌肉发力状态。真觉万象宣称其FMG方案覆盖了静态握持、缓慢施力等传统盲区，鲁棒性更强。从工程角度看，FMG对皮肤状态不敏感，不需要导电凝胶，确实更贴近“近无感”长期佩戴的诉求。但FMG传感器本身的量产一致性、对不同臂围人群的适配精度，以及在大扭矩操作下的信号饱和问题，在学术界和产业界都还处于早期验证阶段，尚未出现大规模消费级应用的先例。真觉万象的FMG方案能否在小批量验证之外实现稳定的量产曲线，目前缺乏公开的第三方测试数据佐证。

真觉万象官方披露，整套设备成本控制在150美元左右。这一数字需要放在产业坐标系中理解：一套工业级遥操作外骨骼系统价格通常在数万美元，消费级动捕手套的价格区间也在数千至近万美元。若150美元能在量产中兑现，意味着同等功能密度下，其成本仅为工业级方案的数十分之一甚至更低。这将使在家庭、医疗康复、小型制造等场景中大规模部署数据采集点成为经济上可行的选项。但需要指出的是，150美元仍是天使轮阶段的“设计目标成本”，与大批量出货的BOM（物料清单）成本之间存在工程验证的鸿沟。从原型件到量产模具、从手工装配到自动化产线，每一个环节都可能让实际成本偏离设计目标。

数据对齐的效率许诺与被压缩70%的真机需求

硬件采集只是第一步。物理交互数据要真正为机器人所用，必须跨越一条更深的沟壑：人类手臂的刚体结构、自由度数量、力输出曲线与机器人执行器之间存在根本差异。人类手臂有7个自由度、肌肉驱动的柔性关节和分布式的触觉感知；机器人末端执行器则通常是刚性连接，力控带宽和顺应性取决于具体的驱动与控制架构。采回来的数据若不经过“对齐”，直接灌给机器人，相当于让一个身高1.75米的人去穿一件为1.8米臂展机器人设计的衬衫——每一针都对不上。

真觉万象将“独家数据对齐模型”列为核心壁垒之一，声称能将人类操作先验“高效迁移”至机器人。这背后的技术逻辑可能是：通过建立人类上肢运动学-动力学模型与目标机器人模型的映射关系，将人类操作时的末端轨迹、力时序、接触事件等数据进行重映射与尺度变换，使其适配机器人执行器的工作空间与力特性。公司给出的量化结果是：经其方案处理后，真机数据需求下降70%以上，新物体泛化速度提升3倍以上。这两个数字如果坐实，意味着机器人在学习新任务时不再需要数千小时的真机高危试错，而是可以依赖经过对齐的人类数据进行策略预训练，再用少量真机数据做微调——这对于训练成本动辄数十万美元的人形机器人项目来说，可能构成实质性的经济价值。

但这里存在一个关键的信息缺口：70%与3倍这两个数字对应的基线是什么——是与纯真机训练对比？还是与基于传统EMG手套的数据方案对比？测试任务对象是有限的刚体零件抓取，还是涵盖了柔性与摩擦条件不确定的物体？任务评估指标是成功率、完成时间，还是力控精度？来源材料未披露测试基准的具体设定，目前只能将其视为公司内部验证的阶段性结论。在实际部署中，影响真机数据压缩率的关键变量还包括机器人的控制带宽、传感器噪声特性以及环境的结构化程度，这些因素都可能让实验室中的数字在真实场景中出现显著衰减。

产业链合作关系透露的真实卡位

真觉万象的早期客户名单值得逐行审视。已知合作伙伴包括谐波减速器龙头绿的谐波、汽车零部件企业宁波华翔以及德尔股份。合作模式也已被清晰标注：绿的谐波用作“模型验证”，宁波华翔用作“数据回流”，德尔股份用作“任务验证”。

这是一个颇为务实的排列。绿的谐波本身并不生产完整机器人，但它是中国人形机器人产业链上游的核心关节供应商。谐波减速器是机器人关节力矩输出和精确位置控制的关键部件，其性能直接决定机器人末端的力控精度。真觉万象通过与其在模型层面的合作，可能是在验证采集到的物理交互数据能否向下游传导到关节级控制参数，从而触达多家本体厂商的底层控制数据需求。宁波华翔作为汽车内外饰件与模具的大型制造商，产线上存在大量尚未被自动化覆盖的柔性装配与打磨工序——这些场景对接触力数据的需求极为具体，比如装配卡扣时的卡入力度、打磨曲面时的压力均匀性，都是传统自动化方案的盲区。德尔股份则在抓取、搬运、装配等典型任务中提供验证环境。

真觉万象还披露“已实现千万级规模交付”。在没有精确拆分的情况下，这一数字有两种可能的理解：一是指累计交付设备的合同金额达到千万量级，二是指交付设备套数或数据条目的体量。无论何种口径，都表明其产品已经在产业链真实流转，并非停留在实验室中的原型验证阶段。这对于一家天使轮公司来说，构成了短期内最直接的市场信任基础。

Physical Token数据市场：一个2028年的远期筹码

在商业化路径上，真觉万象现阶段以直接销售三环数采设备硬件和提供数据算法平台服务为核心收入来源。硬件销售提供当期现金流，算法平台则创造粘性与数据回流机会。但公司规划中的终局远不止于此。其公开路线图为：2026年“Build”阶段完成产品化与天使客户验证，2027年“Scale”阶段实现规模化部署，2028年“Ecosystem”阶段构建一个名为“Physical Token”的数据市场，并形成跨本体的数据供给网络。

Physical Token这一构想意味着，真觉万象试图将物理交互数据资产化——让不同型号、不同构型的机器人可以在一个统一的数据层上“共享”人类操作先验，而不是每个机器人厂商各自采集、各自标注、各自维护数据管道。如果用互联网的类比来理解：这相当于把具身智能的数据层从“每家自建服务器”的局域网时代，推向“共享云基础设施”的云计算时代。真觉万象判断，具身智能产业链将呈现数据、大脑、本体并驾齐驱的格局。换句话说，真觉万象认为数据层不会被大脑模型厂商或本体厂商内部消化，而是会像云计算催生出独立的数据服务层一样，成长为一个独立的产业环节。

但这一判断的前提条件并不轻。当谷歌DeepMind、特斯拉、Figure AI这样的巨头型玩家都在以垂直整合的方式自建数据管道时，独立的第三方数据基础设施公司如何在其中找到不被挤压的边缘空间，是一个需要持续观察的命题。垂直整合的优势在于数据闭环的无缝流转——采集端的传感器规格、数据格式、标注标准都可以为自家模型和本体量身定制，不存在对齐损耗。但这套模式的经济性建立在单一厂商有能力覆盖足够多场景的假设之上。当真机部署量受限，或场景过于碎片化时，垂直自建的边际成本和数据覆盖度就变成劣势。真觉万象目前选择切入的正是这样一个巨头无法通吃的区域——“家庭服务、医疗康养等长尾场景”。这类场景任务极度碎片化——喂药、擦身、铺床单、整理衣物，每一项都涉及不同的物体特性与施力模式，难以被标准化采集流程覆盖，恰恰是头部厂商自建数据管道成本收益率最低的地带。在这片地带先站住脚，再向更标准化场景渗透，可能是其隐含的竞争逻辑。

团队配置中的特斯拉Amazon印记

天使轮阶段，人就是公司。真觉万象搭建的核心团队在具身智能初创公司中属于高配，且呈现出明显的“硬件量产+前沿研究”双轮结构。

创始人黄之燊系香港中文大学AI博士，拥有十年多模态运动感知研究积累。多模态运动感知涉及的恰好是视觉信号、惯性信号与力学信号的融合问题，与技术路线的契合度极高。硬件产品负责人梁宇是香港理工大学博士，曾主导消费级四足及人形机器人的产品化，创下从设计到出货仅四个月的交付纪录——这对于需要在2026年完成量产交付的真觉万象而言，是一个直接对口的实战经验池。消费级机器人的量产面临供应链管理、成本压缩、质量一致性等多重挑战，四个月从设计到出货的记录意味着团队曾经历过完整的产品生命周期，这种经验在天使轮阶段相当稀缺。

更值得留意的是其光学工程负责人的人选。光学与机器人工程专家王辰，美国西北大学博士，此前的两份履历分别指向两个关键节点：在特斯拉担任高级光学工程师，以及在亚马逊主导了其首款家用机器人Astro的传感器开发。特斯拉的Optimus人形机器人正处于数据采集体系构建期，其光学传感器系统承担着环境感知与操作定位的双重任务；而亚马逊Astro作为面向家庭场景的消费级机器人，其传感器选型与成本控制路线图的know-how，对主打“近无感”与150美元成本目标的真觉万象显然具有直接参照价值。VLM与语义理解负责人陈磊来自复旦大学与上海人工智能实验室，负责补齐视觉语言模型与物理信号之间的语义层——让机器人不仅知道“用了多少力”，还能理解“为什么要在这个位置用力”的语义背景。此外，香港理工大学助理教授徐嵩霖、北京航空航天大学教授盛律（据称位列“全球前2%顶尖科学家”名单）分别任首席科学家与技术顾问，在学术顾问层提供了研究资源的接入能力。

商业化悬在150美元成本线上的三个问号

将整套故事拉回现实的，是几个无法绕过且来源材料未能解答的问题。

第一，FMG传感器的量产一致性在150美元BOM约束下能否稳定达标？FMG方案免去了EMG的电极凝胶和皮肤阻抗问题，但换来了另一个挑战：在低成本有限空间内实现多轴力感知的精度与零漂控制。FMG传感器的敏感元件需要对肌肉体积变化或硬度变化做出可重复的响应，这对材料选型、结构设计和标定流程都有极高要求。同批次器件之间的灵敏度差异、长期使用后的信号漂移、温度变化带来的零点偏移，任何一项控制不到位，都会在数据源头上引入噪声。对于一家天使轮公司来说，传感器量产工艺的成熟度是一个无法跳过的阶段性考验。

第二，“近无感”的用户体验定位在高频工业场景中能否成立？目前真觉万象展示的方案以头环与臂环为主体形态，佩戴位置包含头部和前臂。对于每天佩戴8小时以上的产线工人或康养场景护理人员而言，头部的额外负荷、臂环对前臂的长期压迫、长时间佩戴的皮肤通风性，都是“近无感”定位需要面对的现实问题。舒适度与长期依从性尚待独立验证。竞争对手的动捕手套方案虽然笨重，但经过数十年在影视与工业仿真领域的迭代，其人体工学设计和佩戴稳定性有据可查。从“动捕手套”到“三环形态”的范式切换，在为用户解放双手的同时，也把不适感从手部转移到了头部和前臂——这种转移是否被市场接受，是产品定义层面尚未获得答案的问题。

第三，商业模式从设备销售跨越到Physical Token数据平台的路径存在不确定性。数据市场的成立依赖双边甚至多边网络效应——需要有足够多的数据供给方与数据消费方在同一套标准下交易。在具身智能本体与模型算法仍处于快速迭代期的当下，数据格式、本体参数、任务定义的标准化几乎是一片空白。不同本体厂商的关节配置、力控接口、传感器组合各不相同，甚至同一厂商的不同型号之间也存在巨大差异。要在一个如此碎片化的生态中建立起数据交换的共同语言，涉及的不只是技术层面的格式对齐，更是商业层面的利益协调——谁贡献了数据？谁在数据中获益？如何定价？这些问题在行业发展的当前阶段基本未被系统性地回答过。真觉万象要完成的不止是公司自身的成长，还包括推动整个行业在数据层的标准化共识，这远不是一家天使轮公司在三年内能独立完成的任务。

本轮数千万元资金将主要用于三环数采设备的量产交付、数据算法平台建设及团队扩充。这意味着真觉万象当前阶段的核心任务仍聚焦在“Build”轨道上：把硬件交出去，把数据采回来，把模型跑通。至于Physical Token的蓝图能否兑现，将取决于前两步完成的质量与速度。在一个所有参与者都在争夺具身智能定义权的时刻，真觉万象选择了一条相对安静的路——不在大脑层与OpenAI、谷歌等巨兽对撞，也不在本体形态上与宇树、Figure等厂商比拼关节自由度，而是俯下身来解决“让机器真正拥有手感”的底层数据问题。这是一门需要在产业链缝隙中精准生存的生意。它的护城河不是融资规模，而是能否在150美元的成本线上，把不可见的力量变成可量化的数据资产。

RecodeX 极客视：具身智能的数据层正处在从“各自为战”走向“基础设施化”的十字路口。真觉万象的150美元三环方案和FMG技术路线提供了一个具有工程差异化价值的切入点，但天使轮阶段宣称的70%真机数据压缩率和Physical Token数据市场愿景，仍需经历从实验室数字到量产场景、从单一客户案例到跨本体标准化的多重压力测试。在力鼎光电的镜头和卧安机器人的家庭入口之间，这家公司需要证明的不是一个更好的传感器，而是一条独立数据层能够活下去的商业逻辑。FMG传感器的量产一致性与长期漂移控制、三环形态在大规模部署中的人体工学接受度，以及数据对齐模型在面对未知物体与复杂接触条件下的泛化能力，这三重不确定性是判断这条路径能否从天使轮走到Scale阶段的核心观察指标。真觉万象的价值假设建立在一个尚未被证实的前提上：物理交互数据可以形成独立于模型与硬件的数据层经济。2026年到2028年的三年窗口，将是这一假设最残酷的验证期。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。