LiberAI获数亿元融资：物理世界模型赛道竞速，数据闭环能否成为胜负手？

世界上有两种具身智能公司。一种试图让机器人在现有物理规则下更聪明地行动——这是VLA（视觉-语言-动作）模型的路数，把“场景理解”与“动作执行”缝合进同一个神经网络。另一种则试图让AI从第一性原理理解物理世界本身——力是怎样传导的，接触是怎样发生的，运动状态又是怎样被改变的。后者被称为“世界模型”，是通向通用物理智能的野心更大的那条路，也是当前技术路线争议最密集的赛道。

2026年6月，这条路又迎来一笔重注。世界模型研发商LiberAI（北京将闲科技有限公司）宣布完成数亿元Pre-A轮融资，顺为资本领投，凯辉基金、元禾原点、慕华科创等跟投，老股东红杉中国、真格基金持续追加。加上2026年5月披露的近5亿元天使+轮融资，这家公司成立仅半年，累计融资规模接近10亿元。

这是一张集结了中国VC“上半区”核心阵容的资本牌桌——真格基金自种子轮以来累计加码三轮，红杉中国自天使轮起连投三轮，顺为资本在天使+轮首次出手后迅速在Pre-A轮升任领投方。LiberAI以月均一轮的速度完成资本堆叠，背后折射的是投资机构对物理世界模型赛道的共同押注，以及这支清华系年轻团队身上某种难以被量化的信号价值。

抛开VLA的拥挤赛道，押注“因果建模”的技术切口

LiberAI将自身定义为“世界模型基模公司”，这在当前具身智能创业版图中属于少数派。行业主流仍集中在VLA模型及其变体，其本质是训练一个policy网络，将感知输入直接映射为动作指令。LiberAI联合创始人林凡淇曾在具身领域提出Data Scaling Laws，论证“模型泛化性随数据多样性增加而显著提升”，这条规律构成了团队技术路线的底层信仰——他们不满足于在动作层面做scaling，而是试图在物理理解层面打开一条更陡峭的scaling曲线。

LiberAI的核心技术路径可以拆解为两个关键概念：模态对齐与归纳偏置。所谓模态对齐，是指利用互联网海量视频数据的泛化能力，反哺数据稀缺的“物理模态”——力、力矩、接触状态等真实物理交互中产生的模态信息。归纳偏置则是将已知的物理规律（如牛顿力学、接触力学）作为人类先验知识注入模型结构，使模型不必从零开始学习“力是因，运动状态是果”这类基础因果关系。

LiberAI认为，当前具身模型泛化性不足的核心原因在于缺少因果建模，即模型无法理解“力是因，运动状态是果”。这句话点出了LiberAI与VLA路线的根本分歧：前者认为，没有对物理世界因果结构的理解，仅靠模仿动作分布，不可能实现长程任务的可靠泛化。

2026年4月，LiberAI在成立的第4个月发布了首个技术Demo——一个高自由度灵巧操作具身基础模型，搭载五指灵巧手完成双手剥香蕉、双手拧瓶盖、持锅颠勺等精细操作。值得注意的是，这支Demo选择的硬件形态是拥有20个自由度的灵巧手，而非工业场景常见的夹爪。控制空间指数级增长对感知、采样和决策算法提出更高要求，而LiberAI的赌注是：只有攻克灵巧手这一难题，才能真正打通从人类操作数据到通用智能泛化的迁移通道。

数据金字塔：为什么“让人干活”才是数据引擎的核心

世界模型赛道有一个公开的秘密：数据瓶颈比模型架构瓶颈更致命。真实物理交互数据获取成本极高，真机采集一小时可能需要数万元级别的工程师时间与设备折旧成本。LiberAI的解决方案是一套被称为“数据金字塔”的分层架构——互联网人类视频为底层基础、自研数据手套为中间层、真机数据为顶层补充。刘松铭给出的量化描述是：人类视频数据规模比手套数据高1-2个数量级，手套数据又比真机数据高1-2个数量级。

他对这种策略的解释颇具产品经理思维：“无感、轻量、不影响人干活、适用范围广，边际成本最低，是最适合真实场景真实工作流规模化的数据采集方式。”换句话说，LiberAI试图让数据采集消融在真实的人类生产行为中，而不是在实验室里制造一个昂贵的、脱离真实分布的数据生产环境。

这套体系的关键硬件载体是自研UMI数据手套。工商信息显示，LiberAI团队横跨清华实验室与一线大厂硬件团队，已解决数据手套在精度、穿戴舒适性、抗电磁干扰与遮挡三方面的工程难题，进入量产与规模化采集阶段。同时公司明确表示，硬件是战略组成部分，但核心定位仍是“世界模型基模公司”，硬件的角色是产品定义能力——类似于苹果定义交互方式，LiberAI试图定义世界模型时代的数据采集方式和评价标准。

但这里存在一个待验证的关键假设：人类视频数据与物理模态之间的“桥梁”是否足够牢固？模态对齐在技术原理上具有合理性——视频帧天然包含运动状态信息，可以从时序差分中提取力与接触的隐含信号——但从隐含信号到精确物理量的映射是否能在复杂场景下保持可靠，目前仅有Demo验证，缺乏公开的量化消融实验证据。这个问题直接决定了数据金字塔的底层能否真正支撑上层的scaling目标。

半年四轮、近十亿融资：资本是在赌技术还是赌人？

LiberAI的融资节奏在2026年上半年中国创投市场堪称异类：2025年12月种子轮（真格基金独家），2026年3月天使轮（红杉中国加码），2026年5月天使+轮近5亿元（真格、红杉、美团龙珠、顺为资本联合押注），2026年6月Pre-A轮数亿元（顺为资本领投）。值得注意的是，CMC资本在本轮中以“Pre-A+轮”口径进入，36氪报道称其“瞄准物理AI和世界模型赛道”，视之为自设立“CMC AI创意基金”后在AI前沿技术赛道的布局。而快讯平台显示360战投、国开金融、创新工场也出现在本轮投资方名单中——这意味着产业资本与国家队的介入，可能指向更长期的机器人产业链协同逻辑。

投资人的重注叠加，反映的是对大模型范式迁移的集体焦虑与期待。World Labs（李飞飞创立）2026年2月完成10亿美元融资，AMI Labs（杨立昆创立）2026年3月完成10.3亿美元种子轮——海外世界模型赛道资本密度已达到天文量级。在国内，星源智（智源研究院孵化，走“软硬一体、端侧部署”全栈路线）累计融资10亿元并已在商业化端取得早期订单，逆矩阵科技（强化学习与隐空间因果建模路径）完成超千万美元天使轮。LiberAI的融资规模使其在这一梯队中占有一席之地，但尚未形成绝对领先。

不可忽视的是创始团队的信号价值。刘松铭，清华特等奖学金获得者（每年仅10人），专业成绩年级第一，师从视频生成领域学者朱军教授，在ICML、NeurIPS等顶会以第一作者发表多篇论文。2024年从AI for Physics转向具身智能后，主导RDT系列，发布全球首个大规模预训练+扩散Transformer范式具身基座模型RDT-1B，领先美国Physical Intelligence团队的π0模型一个月；次年发布首个大规模UMI无本体人类数据预训练范式具身模型RDT-2，领先Generalist的GEN-0模型一个月。联合创始人林凡淇师从清华高阳教授，一作论文《Data Scaling Laws》获ICLR Oral与CoRL最佳论文荣誉。

CMC资本方面表示，世界模型仍处于早期探索阶段，最终技术路径尚未确定。LiberAI对于物理模态、数据Scaling以及模型训练范式的探索，代表了具身智能基础模型的一种重要方向。

在“天价融资”与“零收入”之间：商业化仍处于场景验证期

LiberAI目前没有公开客户，也未披露清晰的商业模型。其对外表述的商业化方向包括机器人、自动驾驶、工业仿真三大场景，公司计划“未来一年内与头部机器人企业与自动驾驶公司开展场景化联合验证”。这不是一个有明确时间表或收入预期的商业化路径。

但这并非LiberAI一家的问题，而是整个物理世界模型赛道面临的共同处境。当前世界模型领域主流技术路线分化严重：观测级生成式模型擅长“逼真”渲染、潜在空间模型追求“效率”、强化学习导向模型强于“决策”、以对象为中心模型突出“可解释性”。四大路线分别探索AI理解物理世界的不同维度，却都没有进入规模化商业交付阶段。领域内头部公司普遍以“场景验证”和“早期订单”作为商业化叙事——星源智的报告进展属于后者，但并未在公开信息披露具体客户名称与订单金额。

LiberAI的商业化瓶颈存在三个维度：其一，物理世界模型的输出精度是否能满足工业级应用要求（力控精度、实时性、泛化到未见物体的能力），目前只有Demo级别的展示；其二，即便模型能力达标，客户买单意愿取决于“世界模型+硬件”集成方案相对于现有工业自动化方案（如传统示教编程、专用视觉系统）的成本优势与可靠性优势——这在短期内极难论证；其三，如果LiberAI坚持“基模公司”的定位而非“解决方案集成商”，商业模式的瓶颈会更加凸显——基础模型需要找到合适的中间层伙伴来完成场景封装，而具身智能领域尚未形成成熟的中间层生态。

技术路线的竞争，本质上是对“正确数据”的竞争

把LiberAI放在赛道坐标系中观察，其竞品可以分为两类：海外巨头路线（World Labs、AMI Labs、OpenAI Sora方向）与国内同生态位对手（逆矩阵科技、星源智）。每一家公司的技术差异化实质，都在回答同一个问题——用什么数据、以何种方式，让AI理解物理世界。

OpenAI的Sora路线押注大规模视频数据的规律涌现；World Labs走3D空间智能路线，试图让模型在三维空间中推理；AMI Labs押注抽象表示与因果推演，与LiberAI有交集但更偏向认知科学传统。国内赛道上，逆矩阵科技选择强化学习与隐空间因果建模，与LiberAI的“模态对齐+归纳偏置”在底层方法论上形成对照——前者更接近强化学习传统，强调环境交互中的因果发现；后者更接近预训练范式，强调大规模先验注入。星源智的“软硬一体、端侧部署”全栈路线则意味着不同的商业模式选择：先解决垂直场景的交付闭环，再沉淀通用能力。

LiberAI与上述公司的关键差异在于数据采集的闭环能力。自研数据手套+量产数据采集体系，在理论上有望形成数据飞轮——但这仅仅是一个冷启动阶段的图景。刘松铭对数据scaling曲线的拆解分为“冷启动曲线”和“量产曲线”两阶段：冷启动阶段依赖大规模人类物理数据采集，量产曲线依赖智能产品落地后的数据回流。两个阶段之间存在一个关键瓶颈——如何从“实验室数据”过渡到“真实部署场景下的回流数据”？这个瓶颈目前仍停留在推演阶段。

从学术标杆到产业实体：年轻创始人的“系统思维”能跑多远

刘松铭只有23岁，2025年年底从清华计算机系毕业后直接创业，持股28.37%，为第一大股东与实际控制人。他在公开表述中反复强调一个概念：“我们是一家世界模型基模公司。但做世界模型不仅仅是模型训练，而是要提前搭建好一整套系统。”这句话在叙事层面消解了“年轻创始人缺乏工业经验”的疑虑，但实际执行层面，系统搭建意味着需要在模型团队、硬件工程团队、数据工程团队之间建立一致的目标函数与协作机制——这在一个成立不到一年的公司中仍是未经验证的组织命题。

“系统内每一环均为最快scaling而生，且环环相扣”，刘松铭将自己定位为产品定义者，类比苹果模式，试图定义世界模型时代的数据采集方式、机器人本体形态与评价标准。这种野心中隐含的模糊性同样不容回避：基模公司是否需要定义机器人本体形态？如果要定义，是否意味着与下游机器人制造商形成竞合关系？如果不定义，数据采集体系的价值锚点又如何独立成立？

资金用途明确，但“算力体系建设”指向的能力缺口需要被正视

本轮融资披露的资金用途包括四个方向：物理世界模型技术迭代、产品落地、核心人才引进、算力体系建设。其中“算力体系建设”值得关注——世界模型训练对算力的需求级别可能介于大语言模型与传统视觉模型之间，具体取决于模型架构与数据规模。LiberAI未披露当前算力规模与建设目标，但这是评估其scaling能力的关键变量。可以确定的是，以数亿元融资规模对应“算力体系建设”的目标，公司大概率需要依赖云算力租赁与算力服务平台的混合方案，自建大规模算力集群短期内并不现实——这与大型语言模型创业公司面临的算力约束逻辑一致。

人才引进方面，LiberAI当前的团队基因高度集中在清华系学术网络与视频生成/具身智能研究领域。硬件工程团队来自一线大厂，但未披露具体背景。对于一个声称要搭建软硬协同系统的公司而言，硬件工程、供应链管理、量产品控等能力的重要性不亚于模型能力，而这恰恰是新团队最容易出问题的环节。

此外，公开资料中完全没有涉及公司总部确切地址、官网、具体客户信息——对于一个完成多轮融资、累计融资金额接近10亿元的公司来说，这类基础信息披露的滞后，在某种程度上与其融资体量所暗示的成熟度之间存在背离。

物理世界模型赛道的“标准之争”与LiberAI的时间窗口

一个需要被放在聚光灯下的行业变量是，世界模型已进入国际标准化进程。2025年12月，中国信通院牵头的世界模型技术报告在国际电信联盟（ITU）成功立项，标志着这项技术正式纳入人工智能领域国际标准化工作。Gartner预测2026年全球世界模型相关市场规模突破50亿美元。当标准制定先于技术收敛发生时，率先参与标准体系、输出技术框架的公司往往能在后续产业生态构建中获得先发优势。LiberAI是否参与相关标准化工作，目前无公开信息。

但标准化的另一面，是技术话语权的争夺。海外巨头World Labs与AMI Labs合计在2026年上半年融资超过20亿美元，其影响力笼罩全球。国内赛道上，除LiberAI外，星源智、逆矩阵科技以及近期从菜鸟CTO岗位离职创业做Physical AI平台的李强团队、UCLA博士团队创立的人形机器人基础模型公司等，都在用不同资本体量与技术路径竞速。这是一场没有“GPT时刻”的马拉松——所有人都在等待某个团队率先跑通从世界模型到实际产品部署的完整链路，证明这条技术路径的实用性上限。

刘松铭对终局的想象是清晰的：“世界模型未来要实现自我纠错、环境预判，让物理AI成为解决实际问题的Physical Agent。”从Demo里灵巧手剥香蕉的画面，到产线上无人干预的精密装配，之间的距离可能是5年，也可能是15年。资本已经给了这支年轻团队一次起跑的机会，而兑现的关键在于他们能否在技术理想主义与工程落地压力之间，找到一条真实可测量的收敛曲线。