原力无限(INFIFORCE)完成近10亿元A轮及A+轮融资：具身智能竞争焦点从本体硬件转向数据获取？

具身智能行业存在一个长久的裂缝：机器人在实验室的固定工位上可以连续完成抓取，可一旦进入商超、仓库或工地，光照、货架角度、包装材质、地面坡度的变化都会让成功率大幅下降。很多模型并非输在硬件执行，而是输在它们学到的经验不属于机器人自身。公开讨论反复提到，不少具身模型采用第三人称示范数据训练，机器人能够复刻示范动作，却很难站在自身的本体视角理解环境、预判动作带来的结果。一旦离开演示环境，实际作业稳定性就会被打折。这个裂缝让行业竞争重心开始从本体硬件的自由度、负载和关节模组，转向了一个更隐蔽的问题：谁能持续获得机器人能用的经验，并把这些经验变成模型能力的快速进化。

8月14日，具身智能企业原力无限（INFIFORCE）给出了自己的融资答案。公司宣布完成A轮及A+轮融资，合计近10亿元。资金由敦鸿资产及头部国资平台领投，浙大科创集团、盐都国控、丽水市国资公司等产业资本和社会资本跟投，老股东创世伙伴创投CCV继续加注。公司披露，资金将用于三条线：具身大脑AtomBrain因果世界模型研发、全栈AI Infra DataGrid迭代升级，以及多形态机器人本体在真实产业场景中的规模化交付与验证。公告没有披露A轮与A+轮各自金额、融资后估值、总部、创始人和官网。

把Ego数据当成新路，难点不在摄像头，而在整套数据管道

原力无限从2025年起把路线押在Ego-Centric第一人称数据上。与真机遥操作数据不同，Ego数据记录的是人类操作者在完成真实任务时的第一视角视觉画面，以及同步留存的动作轨迹、空间关系与环境反馈。公司的公开说法是，这类数据在日常工作生活中可以由人类大规模产生，获取成本相对真机采集更低，场景数据更具多样性，随着处理能力提升质量也会越来越高。这个愿景在逻辑上有吸引力，但它首先不是一个算法优化问题，而是一个数据工程问题。Ego数据能不能用，取决于采集设备能否把多路视觉、深度和惯性测量信息做时间同步，取决于大规模采集是否有任务分发、质检和异常处理，也取决于原始数据能否被识别出腕部位姿、接触过程与任务结果。前端漏掉一个动作轨迹或接触状态，后端再花钱清洗，也补不回一段完整经验。

这正是原力无限把DataGrid放进本轮资金用途的原因。DataGrid被公司描述为一套全栈AI基础设施，把采集硬件、数据处理、自动标注、训练接口和真机验证纳入同一体系。与单点模型研发相比，这套系统试图把数据从生产到验证的链条标准化。2026年，原力无限与盐都国控推进的华东具身智能数据采集中心投入运行，面积近2000平方米，成为继杭州之后的第二座具身大脑训练中心。该中心搭建了便利店前置仓、个护清洁、宠物潮玩等任务场景。选择这些场景，说明公司想用商品尺寸、材质和摆放位置的频繁变化来生成训练样本，而不是只在固定工业工位上采集。

但一座数据采集中心不等于数据壁垒已经建成。中心提供了物理空间和任务布置，真正决定数据质量的，是采集过程能否被低成本重复、数据能否自动清洗和标注、模型能否在新场景中复用旧经验。原力无限牵头发起的GB/Z《具身智能众包数据采集和纳管技术规范》已获批立项，这可以被视作它在标准层面尝试把“数据多”变成“数据能用”。但标准立项距离行业广泛采用、距离可交易的数据质量，还有很长距离。华东中心的规模只是跨区域复制的第一步，不能证明这条采集路线已经跑出了成本优势。

97%的基准成功率，不回答机器人出门后还要多少人站在旁边

技术层面上，原力无限的AtomBrain想同时解决两个问题：一是机器人在特定任务中“看见什么、听懂什么、下一步怎么做”；二是机器人能否理解“如果这样做，会发生什么”。公司披露，其成果AtomVLA已被IROS 2026收录。据公开描述，AtomVLA先利用大语言模型拆解长程任务，再让预测式潜在世界模型预演候选动作，为VLA提供奖励信号，以减少昂贵且危险的真机试错。换句话说，世界模型在动作选择和后训练中开始参与决策，而不只是事后解释。公司在基准测试中给出的数字：AtomVLA在LIBERO任务成功率达97%，AIM在RoboTwin 2.0达93.1%。这些数字可以说明模型在特定基准中具备较强的任务完成能力，但基准分数不会自动兑换为工厂收入。

具身智能最容易模糊的地带，就是把单点任务成功率等同于真实场景中的连续作业能力。真实部署时，客户关心的不是单次抓取是否成功，而是故障率、人工介入频次、设备停机时间和单位任务成本。公司没有披露这些指标。基准测试通常有相对固定的物体、环境和任务分布，无法覆盖隧道、桥梁、仓库中出现的长尾情况。97%的成功率如果只停留在实验环境，机器人出门后仍可能需要大量人工监督，那商业化价值就极有限。

原力无限还宣布，将于近期发布全球首个以高质量Ego数据为核心的具身模型。“全球首个”更多是营销标签，并不构成结果承诺。这个模型的实际表现将是一次公开检验：如果它只在公司自有数据采集中心里稳定，进入陌生场景就失效，Ego路线的说服力会明显下降；反之，如果它能在未参与训练的真实场景中维持可接受的稳定性，则说明Ego数据和因果世界模型的组合解决了传统示范数据最薄弱的环节。后一种结果尚未发生。

2.6亿元最大订单背后，收入确认与复购仍是一笔未公开账

原力无限的产品线不是单一人形机器人。它已发布首款人形机器人AstroDroid AD-01，身高170cm，拥有43个自由度和灵巧双手，搭载三目视觉、双激光雷达、六麦环绕与六维力传感器，并运行全栈自研的Hyper-VLA端到端多模态大模型。2026年2月，公司还发布了名为“小原子”的消费级小尺寸双足机器人，对外定位于“全球首款心智原生小尺寸双足机器人”。此外，公开资料提到公司此前发布过FORCE系列智能全自动充电机器人。多形态本体对应的是同一套AtomBrain向不同机器人迁移，新场景不必从零训练，这是公司在产品策略上的核心叙事。

商业化证据方面，原力无限称相关技术已在全国30余座城市、100余个真实场景推进验证和商业化应用，覆盖商业服务、仓储物流、工业制造等领域。它于2026年7月与中铁工业规划设计研究总院签署战略合作，合作范围包括基础设施领域的联合攻关、机器人应用和标准建设。更早前，公司曾与时华文旅控股集团签署战略合作协议，项目金额2.6亿元，并公开称其为“全球具身智能单笔最大商业订单”。但“战略合作协议”并不等于“收入确认”。公告没有说明交付周期、付款节点、验收标准和是否产生经常性收入。文旅场景与工业场景差异巨大：导览、互动体验、运营服务对机器人的安全与精度要求，远低于隧道、桥梁和高端工程装备场景。中铁工业合作看似更能带来技术上的长尾数据，但也意味着更长的交付验证周期和更严格的容错要求。

换句话说，原力无限目前拿出的，更像是场景入口和数据来源，而不是可复购的付费证据。客户不会为一条技术路线付钱，只会在试错成本下降、人工介入减少、开机率真的提升时买单。这些商业指标在公开材料中基本缺席。

地方国资与产业资本入局，买的可能不只是模型，还有数据基础设施

本轮投资方构成比金额更有信息量。敦鸿资产和头部国资平台领投，浙大科创集团、盐都国控、丽水市国资公司跟投，老股东创世伙伴创投CCV继续加注。公告没有披露“头部国资平台”的具体名称，使外部难以判断领投方的产业属性与约束条件。但多个地方国资出现在名单中，同时华东具身智能数据采集中心由原力无限与盐都国控推进，这件事值得拆开看。国资背景的参与，可能不仅是对一家机器人公司的财务下注，更是对地方数据基础设施和具身智能落地能力的押注。盐城有采集中心，杭州有第一座训练中心，丽水、浙大等区域元素则提供了技术、产业和场景上的配合空间。

这种结构的好处是，公司可以在地方政府的支持下获得低成本的训练场地、采集人员和场景入口，减少早期数据生产的现金消耗。代价则是，公司必须接受更重的资产布局、区域性诉求和较长的落地周期。财务投资人看的是退出倍数，地方国资往往还看就业、税收、产业集群和标准话语权。一旦公司需要在多个城市复制数据采集中心，资金消耗会成倍增加。公司没有披露本轮资金中多少用于场地和设备、多少用于模型训练和交付，因此外部很难评估这种产业资本结构是加快了闭环，还是增加了负担。

老股东CCV持续加注，表明早期投资方仍在支持，但公司此前轮次、累计融资和估值变化均未披露。对一家宣布要“重新洗牌”具身智能大脑行业的公司来说，透明度仍然偏低。

三条资金用途看似并列，实际上在赌同一个闭环能否转起来

融资用途中的AtomBrain、DataGrid和多形态机器人交付，并不是三条独立业务线，而是一个闭环的三个节点。AtomBrain决定每条数据能带来多少能力增益；DataGrid决定单位时间内能获得多少条可用的真实经验；多形态机器人交付则决定这些经验能否从现场回流，并在下一批机器人上体现。三者必须同时转动，系统才能形成指数式的进化速度。缺了任何一个节点，闭环都会断裂：模型很强但数据获取慢，进化速度上不去；数据很多但模型利用效率低，训练成本吞掉一切；机器人交付失败，现场数据回不了训练体系，数据资产无法形成。

最重、最不可控的节点，是“规模化交付与验证”。这意味着公司必须进入硬件制造、供应链管理、现场部署、安全整改、售后运维和场景适配等一系列环节。机器人本体在不同场景中的交付，不像软件可以远程升级，往往需要驻场调试、改造工位、对接客户系统、处理异常。原力无限虽然强调“一脑多身多场景”，但多形态策略也意味着它要维护多个硬件平台，而不是集中打磨一款标准品。近10亿元看似充足，如果同时支撑两座数据训练中心、不少于三条机器人产品线、全国上百个场景的验证和交付，资金窗口并非没有压力。

在具身智能竞争里，原力无限没有点名对手，却要同时跨过本体、数据与场景三道坎

公开材料没有列出原力无限的直接竞争对手，但它的路线可以放在替代方案中比较。真机遥操作数据精度高，缺点是设备贵、采集慢，受机器人本体数量限制。第三人称示范数据最容易获取，但机器人难以站在本体视角理解环境和动作后果。Ego数据试图在两者之间找一条低成本、大规模、具备本体视角的路径。它并不完全替代真机数据，公司自己也把Ego数据与遥操作、本体数据配合使用。换句话说，原力无限并不是唯一看到数据重要性的公司，它只是把Ego、因果世界模型和DataGrid组合成了一个更完整的叙事。

其竞争压力至少来自三处。第一，本体厂商拥有更多出货量和现场经验，它们的数据来自真实机器人，未必需要第一人称穿戴设备。第二，数据基础设施不是不可替代，云厂商、数据标注平台和已有具身智能公司都可能做标准化工具。第三，行业场景方可能更倾向于采购已验证的成熟设备，而不是承担一个仍在验证的数据路线。原力无限与中铁工业、时华文旅的合作，正是试图在两个不同方向寻找场景入口。但文旅和基础设施之间几乎不共享交付能力，公司同时进入，会分散在数据采集、模型优化和工程交付上的资源。

融资后的验证窗口，将集中在Ego数据规模生产与现场回流两件事上

本轮融资完成后，公司需要验证的假设比公告中多得多。第一条假设是Ego数据能否低成本、大规模、高质量地生产。两座数据采集中心、一项标准立项，都只是开端，尚未证明单位数据成本显著低于真机采集。第二条假设是因果世界模型能否把97%的基准成功率，转化为真实场景中的连续稳定作业。如果真实环境里的失败分布与基准测试偏离，模型仍可能需要大量人工介入。第三条假设是现场回流的真实数据能否让下一批机器人更好用。这个假设最终决定客户是否会复购。

与中铁工业的合作可以被视为最严格的试金石。基础设施场景中，设备停机和人员风险都是真实成本，容错率极低。公司如果能在这种场景中形成稳定的数据回流和能力提升，才算拿到了实验室无法产出的长尾经验。相反，如果合作停留在战略层面，没有形成可验证的交付，那么“工程基础设施”只能算是一个品牌背书。2.6亿元文旅订单同样需要观察收入确认，而非仅看签约金额。公司没有披露收入、毛利、复购率、机器人部署数量与故障率，这使得外部几乎无法判断它究竟是在做商业闭环，还是在用融资支撑多线研发和地方合作。

具身智能行业过去习惯比拼参数、自由度和视频演示，接下来要比的是学习速度与真实场景账本。原力无限选择了一条逻辑自洽的Ego数据路线，但“逻辑自洽”和“商业成立”之间，隔着规模化、稳定性和复购三张试卷。融资只是把这些试卷推到了更近的考场上。

RecodeX 极客视：原力无限拿到的近10亿元融资，与其说是在押注某一款机器人，不如说是在为一条尚未跑通的数据—模型—现场闭环提前备粮。Ego数据、因果世界模型和DataGrid组合起来自洽，但自洽离成立还差规模化数据生产、真实场景稳定性和客户复购三张成绩单。它们的答案不会写在公告里，只会在机器人进入便利店、隧道和景区之后慢慢揭晓。