人类让机器人完成“把杯子放进洗碗机”这个动作时，机器人需要知道杯子的材质、受力、路径、容器的深度，以及失败了如何恢复。语言模型可以通过预测下一个词来生成答案，但具身智能模型必须在连续时间、连续空间和物理约束中做决策。语言模型的输入和输出通常可以被离散化为token序列，预测误差可以在文本空间内通过采样或重排序来缓解；具身智能的决策则涉及位置、速度、力矩、接触状态等连续变量，一次错误抓取可能直接造成滑脱、碰撞或结构损伤。两套系统之间的鸿沟，不是给大模型加一个机器人接口就能跨越。

这也解释了为什么2024年以来具身智能公司融资消息不断，但真正可复制的产品仍然稀缺。很多团队从硬件本体、传感器关节、数据采集设备或能源系统切入，试图绕开最难的基础模型问题；另一些团队则直接从大模型跨到机器人，但先后被真实世界的低容错率和数据成本教育。亮源新创（Light Origins）是后一条路上的新进入者。选择这条路径意味着，公司必须同时面对模型能力、硬件稳定性和数据供给三重约束，而不是先在一个单点环节建立优势。

它的创始人兼CEO姜旭，来自OpenAI。公开资料显示，姜旭从2019年起参与OpenAI全栈算法研发，完整经历InstructGPT、ChatGPT到GPT-4的关键技术演进周期，并在GPT-4技术报告中被8次署名提及，与OpenAI联合创始人Greg Brockman被提及次数并列第一。这样一个人没有继续做大语言模型，而是转向物理AI，本身说明他判断具身智能底层技术的窗口期到了。但这一判断能否转化为可验证的产品，仍取决于团队能否在真实世界中复现其在大模型训练中积累的方法论。

公司 亮源新创（Light Origins）
轮次 Pre-A轮
金额 数亿元人民币（精确金额未披露）
投资方 国科投资（领投）、招商局创投、襄禾资本
总部 未披露
创始人 姜旭
官网 https://www.lightorigins.com

从GPT-4署名到物理AGI：创始履历撑起本轮叙事的起点

亮源新创没有披露总部、客户、商业模式和精确融资金额。它目前最可核验的资产是团队。公司方面称，团队规模已超过百人，研发人员占比超过九成，算法团队由QS Top20高校博士及世界级科技公司工程师组成，硬件团队成员拥有华为、大疆等企业从业经历，具备消费级机器人从产品设计到研发、制造、商业化的完整经验。

这个团队组合在具身智能公司里具有辨识度。许多初创公司要么偏软件，要么偏硬件，而亮源新创试图从第一天起就把两者放在同一个体系里。国科投资董事总经理周晓峰说，团队“既有超大规模模型训练和数据处理经验，也有把模型落到真实系统中的工程实践，同时具备出色的硬件本体和运控能力”。这是投资方对团队的概括，也是本轮融资最重要的定价依据。

在具身智能早期，团队背景往往比产品指标更容易被定价，因为产品指标尚未形成统一基准。亮源新创的本轮融资，更像是机构对“OpenAI方法论迁移”这一假设的认购。认购逻辑并非没有道理：大模型训练中涉及的数据管道、分布式训练、奖励建模和工程组织，可能直接复用于具身智能基础模型。但物理智能还要求处理本体差异、接触动力学和实时闭环，这些在语言模型中并不存在。因此，创始履历可以降低一部分早期不确定性，却无法覆盖所有验证成本。

需要区分的是，姜旭的OpenAI履历是公开事实，而“ChatGPT核心贡献者”更像一种叙事修辞。被8次署名提及说明他进入了核心技术贡献名单，但并不等于单独主导ChatGPT。公司公告也没有披露他在OpenAI的具体职位、离职时间或是否持有相关技术权利。对早期投资人来说，这已经足够；对行业观察者来说，这只是一张入场门票。门票只能保证公司进入赛道，不能保证它跑完后续轮次。

编辑判断，本轮融资的核心并非某项产品的市场前景，而是对“大模型背景创始人能否把语言智能复刻到物理智能”这一命题的下注。襄禾资本相关负责人的话更直接：“下一步真正的突破很可能来自像姜旭这样具备大模型背景的创始人。”这代表了一类投资人的共识，但共识本身并不降低验证难度。

三段范式是OpenAI路线的具身化转写，而非全新的技术奇点

亮源新创将自己提出的技术路径概括为“规模化预训练（Scalable Pre-Training）、规模化对齐（Scalable Alignment）、规模化部署（Scalable Deployment）”三段范式。公司官网对三段的具体定义是：预训练通过大规模数据训练建立基础能力；对齐通过强化学习等方式进一步提升模型能力；部署推动基础模型进入真实世界，并持续产生高质量真实世界数据，形成驱动基础模型持续优化的数据飞轮。

这套表述有明显的OpenAI痕迹。姜旭在OpenAI参与的正是大模型训练、推理优化以及基于人类反馈的强化学习（RLHF）等方向。对齐与RLHF，正是ChatGPT从基础模型变成可交互产品的重要转折。亮源新创把“对齐”单独列为一个阶段，说明它认为机器人基础模型也需要一个类似从“能预测”到“能执行”的跃迁。姜旭在公开分享中还提到：“具身智能的发展将沿着规模化预训练、规模化对齐和规模化部署三大技术范式持续演进。”姜旭本人也说：“人工智能每一次重大突破都源于新的范式突破，而不仅仅依赖算法、模型架构等单点的创新。”

但是，语言模型的对齐发生在文本空间，奖励信号相对容易定义；具身智能的对齐涉及真实动作，错误可能带来物理损坏，奖励信号也更难标注。具体而言，文本对齐的奖励可以通过人类偏好排序获得，而物理动作对齐可能需要同时评估动作完成质量、安全性、能耗和通用性，标注成本和一致性可能显著上升。公司没有披露其具体对齐方法、安全机制或实验数据。如果把三段范式直接理解为OpenAI路线的具身化转写，那么它有待回答的问题恰恰是：哪些在文本上成立的阶段划分，在物理世界依然成立？

规模化预训练同样存在未披露的关键变量。它需要大规模、多模态的机器人数据，而这类数据目前并无像互联网文本那样的公开语料库。亮源新创未披露其预训练数据来源、规模或配比，因此三段范式的第一阶段是否已经真正启动，仍需验证。部署阶段也并非只是前两阶段的自然延伸：它既是产出数据的手段，也是检验前两阶段成果的环节。如果部署规模不足，数据飞轮可能无法启动；如果部署规模过大，早期模型错误又可能反噬数据质量。

从公开信息看，亮源新创计划发布技术报告与模型能力演示，这是目前唯一可期待的技术验证节点。公司官网还提到“正探索率先突破三段范式”，但“率先”目前无法从公开材料中得到证实。在此之前，三段范式仍是一种面向工程的组织框架，而不是已经跑通的技术事实。

数据飞轮尚未闭合：多模态数据基础设施缺失是比模型更现实的瓶颈

多模态数据基础设施建设是这轮融资的关键投向，在公司公告中排在模型训练之后，但它的现实权重可能更高。与语言模型可以从互联网获取海量文本不同，具身智能模型需要的视觉、触觉、力觉、本体感觉和动作序列等数据，并没有统一的公开语料源。

真实世界数据主要有两个来源：真实机器人部署和仿真合成。前者昂贵、低效，且高度依赖硬件本体；后者可以大规模生成，但存在仿真到真实的迁移差异。亮源新创同时推进软硬件全栈平台，可能是为了通过自有硬件降低数据采集的对外依赖。但来源材料没有披露它是否已经建成数据采集平台，也没有披露已有数据规模、仿真实例数量或真实机器人部署数量。

从产业链看，具身智能数据基础设施可能包括采集设备、标注平台、仿真工具和回传链路。亮源新创没有披露其是否已经建成其中任何一项，也没有披露其硬件本体形态或计划部署数量。这使得数据飞轮目前仍是一个叙述框架，而非可观测的运行状态。自有硬件可能降低数据采集的外部依赖，但硬件本身也会消耗研发资源和供应链管理能力。团队虽然有消费级机器人完整经验，但将消费级经验迁移到基础模型训练所需的标准化数据生产，仍需验证。

招商局创投相关负责人的表态精准地指出了瓶颈：“具身智能最终要走进真实场景，接受稳定性、成本和可复制性的检验。”稳定性、成本和可复制性，对应的是部署后的数据回流质量与成本。如果硬件本体无法稳定运行，数据本身就会包含大量噪声；如果成本过高，规模化部署就无法形成数据飞轮。招商局创投的产业场景如果能够提供真实任务环境，数据质量可能高于实验室采集；但产业场景的流程约束、安全要求和成本结构也可能限制采集频率。目前这些合作均未披露。

因此，亮源新创真正要验证的，不只是模型有没有能力，而是有没有一套低成本、可扩展的方式持续换来高质量真实世界数据。这比发布一个演示视频难得多，也比单纯提高模型参数更具产业意义。

数亿元Pre-A轮投向四个方向，但商业模型和客户仍然未披露

数亿元Pre-A轮，在具身智能赛道并不算小，但在模型训练和硬件团队面前仍然有限。公司列出四个资金用途：超大规模具身智能模型训练、多模态数据基础设施建设、软硬件全栈平台研发和高人才密度团队扩张。每一个方向都是长周期、高消耗投入。

四个资金用途之间并非平行关系：模型训练依赖数据基础设施，软硬件平台决定数据采集和部署能力，团队扩张同时支撑三者。亮源新创实际上是在同一轮融资中启动了四条长周期战线。这使资金分配成为观察后续进展的一个隐含指标，但公司未披露各项用途的金额比例。

亮源新创目前没有披露任何客户、营业收入或商业模式。团队超过百人，研发人员占比超九成，意味着人力成本会持续处于高位。这轮融资更多是支撑公司完成下一轮技术验证，而不是走向盈亏平衡。对于一家成立于2024年底的公司来说，这并不异常，但它决定了融资性质：机构买的不是收入增长，而是基础模型和工程能力的早期头寸。这类定价在技术报告发布前较难被证伪，也较难被证实。

从资本结构看，领投方国科投资承担了赛道背书功能；招商局创投可能带来产业场景和生态资源，但公司未披露任何已经落地的合作项目；襄禾资本相关负责人则强调姜旭的大模型背景。不同机构在Pre-A轮进入，通常会在董事会层面形成不同期待。公司需要向产业资本证明场景可落地，同时向财务投资人证明技术壁垒能持续。

编辑判断，如果招商局创投的产业资源不能转化为具体试点或数据采集场景，其投资价值可能只停留在背书层面。反过来，一旦形成试点，数据飞轮就有可能从叙事变为现实。这是观察亮源新创后续进展时一个关键节点。

投资方用场景和生态资源换取早期入场券，而非商业化对赌

本轮投资方的投后表达可以分为两种。国科投资周晓峰讲的是“国际竞争力的物理AI基模企业”，偏长期技术路线；招商局创投讲的是“稳定性、成本和可复制性的检验”，偏产业落地；襄禾资本讲的是“语言智能在物理世界的延伸”与“大模型背景创始人”，偏技术人才的稀缺性。

这种组合在早期融资里比较少见。它说明三类机构对亮源新创的定价并不完全基于同一套逻辑。国科投资可能看中基础模型赛道的长期格局；招商局创投可能看中未来在自己的产业体系内引入智能化能力的可能性；襄禾资本可能更像对创始人方法论的投资。三类机构的回报逻辑也可能不同：国科投资可能更关注物理AI基模能否获得跨行业定义权；招商局创投可能更关注技术能否进入其产业生态；襄禾资本可能更关注创始人能否延续大模型范式突破。三种逻辑并不冲突，但在公司资源有限时，可能对优先级产生不同拉力。

公告之外的信息增量在于，招商局创投的进入并不是一个纯粹的财务动作。其负责人提到：“我们期待发挥自身的产业场景和生态资源，与团队一起推动技术加快落地。”这与单纯的资金投资不同，意味着亮源新创未来可能进入招商局相关产业场景进行测试。但截至目前，没有公开信息显示具体场景已经启动。公告也没有披露是否设置了商业化里程碑或业绩对赌。Pre-A轮阶段，投资方通常更看重技术验证而非收入，但这不等于没有预期。下一轮融资前的技术报告和演示，可能成为各方预期的一次集中校准。

投资人的判断不能替代公司自己的技术验证。赛道逻辑成立，不等于公司逻辑成立；团队背景出色，不等于数据飞轮能闭合。Pre-A轮融资可以买来时间，但买不来真实世界的运行数据。

同类公司融资密集，但亮源新创的对标并未在公告中明确

近期具身智能领域的融资消息密度很高。公开报道中出现过奇点智控近亿元天使轮、固芯能源亿元级融资、潜界科技数亿元种子轮、艾欧智能数亿元融资，以及元点科技40天完成两轮融资。这些公司分别从核心感知部件、能源基建、清华系研究团队、规模化应用和数据基础设施切入。

从产业链位置看，奇点智控聚焦核心感知部件，固芯能源布局能源基建，潜界科技从清华系研究团队切入，艾欧智能强调规模化应用，元点科技则定位物理AI数据基础设施。这些公司与亮源新创可能更多是上下游或生态关系，而非完全同层竞争。但基础模型公司一旦向上或向下延伸，可能改变这种关系。

亮源新创的切入点与这些公司都不完全一样。它没有从单一部件或数据服务起步，而是直接做基础模型，并强调软硬件全栈。优点是技术天花板更高，缺点是资金消耗面更大，同时要证明模型、数据、硬件和部署能力都成立。对于一家Pre-A轮公司来说，这意味着它必须在多个环节同时推进，而不是先解决一个单点问题。

公司公告没有披露竞争对手。这意味着外界无法用具体竞品来校准它的进展。一个可能的原因是，物理AI基模尚处于定义权争夺期，各家路径差异较大，尚未形成可比基准。但这也意味着，投资人无法通过横向比较来降低判断风险。在基础模型方向上，它所面对的挑战并不是“没有对手”，而是大家都还没有交出足以定义标准的成果。谁先发布可复现的跨本体能力，谁就有机会占据物理AI基模的定义权。

比较来看，亮源新创的差异化可能在于创始人的大模型训练经验与硬件团队的组合。但这种组合能否形成可验证的产品，仍要等待技术报告和模型演示。在没有竞品对照的情况下，投资人的乐观只能看作一种假设，而不是结论。

真正待验证的假设：稳定性、成本、可复制性以及能否跑通物理数据飞轮

投资界在相关报道中提示，具身智能尚处早期，技术落地面临挑战，市场竞争可能加剧。这也是亮源新创必须正视的风险。它面对的不仅是模型能力问题，还包括稳定性、成本、可复制性，以及能否在真实世界持续产生数据飞轮。

稳定性意味着机器人不会在连续运行中频繁故障；成本意味着基础模型的训练部署和硬件本体不能被实验室预算限制；可复制性意味着同一个模型能够适配多个硬件平台，而不是为每台机器人单独调优。这三个指标，来源材料均未提供任何测试数据。招商局创投相关负责人把它们定义为具身智能必须接受的检验，但亮源新创尚未公布相关结果。

稳定性、成本和可复制性之间存在潜在冲突。提高稳定性可能需要更高质量的传感器、更保守的控制策略或更频繁的维护，这可能抬高单台机器人的部署成本；而压低成本可能削弱硬件鲁棒性；跨本体可复制性则要求模型能力足够抽象，但这又依赖更大规模和更多类型的数据。三者很难同时优化，亮源新创未披露任何测试数据，说明这些权衡仍处于待解状态。

公司计划发布技术报告与模型能力演示，这是第一阶段的可验证节点。但演示与真实部署之间仍然存在巨大距离。演示环境通常经过简化，无法等同于真实场景中的长期运行。过往具身智能公司并不缺少惊艳的视频，缺少的是在客户真实场景中长期运行的记录。一旦从演示走向部署，硬件故障、数据漂移、任务泛化等问题就会集中暴露。

从投资角度看，Pre-A轮数亿元给了亮源新创一定的缓冲空间。但如果没有在下一轮融资前证明数据飞轮可以启动，资本市场的耐心可能迅速衰减。具身智能早期由底层技术决定长期格局，但底层技术本身还需要时间和资源来验证。亮源新创的故事，才刚刚开始。

RecodeX 极客视：亮源新创的故事，短期看姜旭，长期看数据飞轮。真正困难的不是把大模型逻辑讲成具身智能版本，而是把“规模化部署”从PPT变成真实机器人的运行数据。Pre-A轮数亿元能买来算力与团队，但买不到物理世界的数据——这才是决定它能否走出早期阶段的关键。

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。