Current Robotics（元流）完成数亿元融资：全身灵巧操作能否成为具身智能的破局点？

人形机器人行业正在经历一场尴尬的错位。资本市场的热情与真实场景的落地之间，横亘着一道难以跨越的技术裂缝：大多数机器人要么只会“走”，要么只会“拿”。它们可以先移动到指定位置，再停下来完成抓取，却很难在移动中持续调整身体姿态与手部动作。一旦任务要求机器人抱着物体穿过门框、边移动边清理桌面，或者在身体倾斜时仍保持手部施力稳定，那条被系统工程强行拼接起来的“移动—操作”链路就会暴露出明显的断裂。

这种断裂并非简单的工程瑕疵，而是当前具身智能技术路线的结构性缺陷。移动策略与操作策略被分开训练，再用上层调度逻辑拼接，在工厂流水线的固定工位尚可成立；但进入家庭、办公室等连续变化的真实环境后，身体姿态的每一次微调都会改变手部施力的力学条件。一个看似简单的“撕茶包”动作，背后是导航、全身平衡与手指精细控制的实时耦合。Current Robotics（元流）试图用“全身灵巧操作”这一概念重新定义这个问题，并在2026年8月20日首次披露了它的融资进展。

据投资界报道，Current Robotics已完成种子轮、天使轮、Pre-A轮融资，累计金额达数亿元。投资方名单同时出现了市场化机构与产业方的身影：BV百度风投、高瓴、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本，以及智元、星海图、极壳科技。一家成立不久的具身智能公司同时获得财务资本与产业资本的联合押注，这在本就拥挤的人形机器人赛道里并不常见。

“先走过去再停下来操作”的路线，正在把机器人锁死在演示台

Current Robotics切入的切口，是具身智能领域一个被长期绕开的问题。据投资界报道，祝毅晨观察到，过去人形机器人要么聚焦让机器人更会“走”的全身运控，要么聚焦让机器人更会“拿”的手部操作，最终呈现出“先走过去、再停下来操作”的画面。但真实世界的任务往往不会如此简单，哪怕一个简单动作也面临手与身的稳定协同。公司将这一技术方向定义为Loco-Dexterous Manipulation，即全身灵巧操作。

这一判断并非没有产业依据。从已披露的技术路线看，Current Robotics的方案是系统集成：将全身移动、姿态协调和手部精细交互放进同一个策略里训练，而非分别训练后用上层逻辑拼接。据投资界报道，公司发布的全身灵巧操作模型Curr-0，能够让机器人在移动过程中持续调整自身动作；目前公开的五类任务由一套共享权重的策略完成，并通过语言指令进行区分。从技术逻辑上推断，共享权重策略如果确实覆盖了导航、平衡与操作三类子任务，意味着模型需要在训练阶段同时优化多个相互耦合的目标，这对数据规模、数据质量和训练稳定性都提出了远高于单一任务模型的要求；但这一推断的边界受限于公开信息，具体训练数据规模、任务成功率或与分模块方案的对照实验结果均未披露。

更具争议性的问题是：全身耦合策略是否真的比“分模块+上层协调”更优？在工业场景中，分模块方案的确定性和可调试性往往更强，工程师可以单独优化导航精度或抓取成功率。编辑分析认为，基于公司披露的技术路线，全身耦合策略可能在动态场景中具有优势，但尚无公开对照实验支持；其代价是系统复杂度急剧上升，故障定位和策略迭代的难度同步增加。待核验指标包括：全身耦合策略与分模块方案在相同任务集上的成功率、任务完成时长、失败后恢复能力，以及在不同环境扰动下的稳定性。这些指标是编辑提出的验证建议，而非公司承诺。

数据采集绕开机器人本体，外骨骼方案的成本账还没算清

具身智能的数据瓶颈早已不是秘密。据投资界报道，主流的第三人称采集能够覆盖丰富的环境和行为，但无法准确还原人体运动状态及接触力等物理交互信息；本体遥操作采集精度更高，但受设备与成本限制更难规模化。Current Robotics给出的答案是自研全身外骨骼数据采集系统，通过头戴式设备、数据手套、全身外骨骼、肌电设备，记录人在真实场景中的第一视角视觉、双手与全身动作、全身受力，整个过程不需要先部署一台机器人。

这套方案的核心逻辑在于：数据采集场景可以直接延伸到人类真实任务当中，而不必等待机器人本体就位。从产业链约束的角度看，这是一个值得关注的信息增量。传统遥操作采集的前提是机器人已经存在且可被操控，这意味着数据采集的速度被机器人本体的部署节奏锁死。外骨骼方案绕开了这一约束，理论上可以在机器人硬件成熟之前就启动大规模数据积累。但问题同样明显：外骨骼设备本身的成本、佩戴门槛和场景适配性，决定了它能否真正实现“规模化采集”。据投资界报道，公司声称其方案在成本和适用性上优于本体遥操作，但公开材料中未提供单套外骨骼的硬件成本、日均有效采集时长、数据清洗损耗率等关键指标的量化对比。没有这些数据，所谓“规模化”仍然是一个未被验证的假设。

另一个容易被忽略的约束是数据格式的迁移问题。外骨骼采集的是人体运动数据，而人形机器人的关节自由度、质量分布和驱动方式与人体存在差异。人体数据能否直接映射到机器人策略训练，还是需要经过复杂的重定向和域适应处理，公开材料中未做说明。编辑分析认为，如果重定向过程引入的误差过大，外骨骼数据的实际训练价值将大打折扣；这一判断的已核实前提是：人体与外骨骼、人形机器人在运动学和动力学上存在客观差异，且重定向误差会直接影响策略训练的数据质量。但Current Robotics是否已经解决了这一问题，以及其重定向误差的具体水平，目前均无公开数据支持。

在数据积累方面，据网易转载报道，Current Robotics声称已积累21,000小时人类行为数据，其中包括2,800小时全身数据。这一数据规模为公司的数据采集路线提供了初步的量化注脚，但公开材料未披露这些数据的有效利用率、清洗损耗率或与模型训练效果之间的直接对应关系，因此其实际训练价值仍待进一步验证。

CurrentWorld-0试图用世界模型替代真机评测，但验证闭环尚未闭合

Current Robotics的另一个核心产品是交互式世界仿真器CurrentWorld-0。据投资界报道，该仿真器将此前围绕世界模型展开的策略评测与后训练工作，推向了更完整的交互环境。团队先后提出WorldEval、dWorldEval，将机器人策略放进生成的未来世界中执行，通过预测任务进程评估策略表现；随后在Hi-WM中进一步加入人工接管，当策略出现错误或不确定情况时，人类可以直接介入纠正，并将新的交互轨迹继续用于后训练。

从技术逻辑看，这套方案试图解决的是一个真实存在的产业痛点：传统真机评估依赖机器人、场地及人工重置，测试的硬件、时间和场景复现成本较高。尤其是在接触状态连续变化的任务里，失败后的环境状态很难精确回到上一刻，这会直接影响模型迭代效率。如果世界模型能够以足够高的保真度复现真机执行中的失败模式，策略迭代的速度确实可能大幅提升。据投资界报道，团队公布的结果显示，不同policy的相对表现能够较好对应真实机器人测试，真机执行中的主要失败模式也能在生成环境中得到复现。这一结果来自公司团队公布，公开材料中未提供独立验证。

世界模型用于策略评测的根本风险在于“自我验证的循环论证”。如果世界模型本身存在系统性偏差，那么它在评测中给出的策略排名也会继承这些偏差。据投资界报道，CurrentWorld-0能够保留失败记录而不被视频先验“纠正”回成功轨迹，这确实是评测有效性的必要条件；但必要条件不等于充分条件。世界模型对接触力、柔性物体和流体的预测精度，直接决定了评测结果的可信度。编辑分析认为，在CurrentWorld-0的预测误差、与真机结果的一致性量化指标以及不同任务类型下的失效边界均未披露的情况下，将世界模型评测作为策略筛选的主要依据，存在把模型误差误判为策略优劣的风险；这一判断的已核实前提是：世界模型评测的有效性依赖于其对物理交互的预测精度，而Current Robotics尚未公开相关量化数据。

产业方投资不只是钱，数据生态联盟的排他性值得警惕

本轮融资最值得玩味的信号，不是金额，而是投资方结构。据投资界报道，Current Robotics已加入星海图发起的亦数智能数据生态联盟，将共同构建从数据采集、标注到应用的完整链路；此外，公司亦是智元旗下的具身智能数据平台觅蜂科技的战略合作伙伴。投资方名单中的智元、星海图、极壳科技，恰好与这两项合作形成了对应关系。

这种“给资金、给订单、给生态”的投资方式，在具身智能时代尤为鲜明。从投资逻辑看，产业方的参与意味着Current Robotics的数据采集系统和模型训练能力，可能被接入智元和星海图各自的机器人生态。对于产业方而言，这是一笔用资本换取数据基础设施优先使用权的交易；对于Current Robotics而言，这意味着在创业早期就获得了真实场景和数据管道的入口。但硬币的另一面是，与特定产业方深度绑定，可能限制公司向其他机器人厂商提供数据服务和模型能力的开放性。公开材料中未披露与智元、星海图合作的具体条款，包括数据归属、模型授权范围、排他性限制等关键信息，因此这一风险的性质和程度目前无法准确评估。

另一个值得注意的细节是，创始人祝毅晨的履历与产业方之间存在潜在关联。据投资界报道，祝毅晨为95后，前美的集团具身智能部部长。他曾带领团队提出扩散模型和VLM端到端的VLA范式（TinyVLA），并拓展了CoT策略（DiffusionVLA & DexVLA，发表至ICML和CoRL），最早提出世界模型用于具身策略评估（dWorldEval，发表至ICML Spotlight）。报道还提到，Physical Intelligence的π0论文有且仅引用过一个中国团队的研究成果，正是祝毅晨团队完成的TinyVLA与ScaleDP工作。这些履历信息来自投资界报道，其中TinyVLA、DiffusionVLA、DexVLA和dWorldEval的具体论文发表信息，如果属实，可以通过学术数据库独立验证。

数亿元融资的资本结构迷雾：三轮合并披露的叙事策略

Current Robotics选择将种子轮、天使轮、Pre-A轮合并披露，累计金额“数亿元”。这种披露方式在早期硬科技公司中并不罕见，但它也制造了一个信息真空：每一轮的具体金额、估值、领投方和交割时间均未披露。从资本结构的角度看，三轮合并披露至少传递了两个信号。其一，公司可能希望用“累计数亿元”的总量叙事来强化市场对其实力的认知，而避免单轮金额较小可能引发的关注度不足。其二，产业方与财务投资方在不同轮次中的进入时点和角色分工，被合并披露所掩盖，外部难以判断产业方是在早期低价进入，还是在Pre-A轮以更高估值进入。这两点均为编辑推测，推理依据是早期硬科技公司常见的融资披露策略，而非Current Robotics的明确表态。

从投资逻辑看，财务机构与产业方的诉求并不完全一致。BV百度风投、高瓴、绿洲资本等财务机构追求的是财务回报，其决策依据是公司未来独立上市或被并购的退出路径；而智元、星海图等产业方的投资，可能更看重数据生态协同和战略卡位。当两类诉求在同一张资本表上共存时，公司未来的战略选择空间可能受到挤压。编辑推测，如果Current Robotics的模型能力被产业方深度绑定，财务投资人所期待的独立平台化路径可能面临阻力；这一推测的推理依据是：财务投资人的退出路径通常依赖于公司独立做大或被第三方并购，而深度绑定特定产业方可能降低公司对第三方买家的吸引力。这些张力在公开材料中完全没有被讨论，但它们是理解本轮融资真实含义的关键。

资金用途的表述同样值得拆解。据观点网报道，融资资金将主要用于推进人类全身数据规模化采集，并重点投入全身灵巧操作基模、交互式世界模型等核心技术研发。这一表述与公司当前的技术布局高度一致，但也意味着资金将集中投向两个尚未被验证商业价值的环节：数据采集的规模化效率，以及世界模型评测的可靠性。如果这两个环节无法在合理时间内转化为可量化的技术指标或商业订单，数亿元融资的消耗速度可能超出预期。具身智能公司的研发投入强度普遍较高，硬件设备、算力租赁和人才成本构成了持续的资金压力。编辑分析认为，这一判断的已核实前提是：Current Robotics的资金用途明确集中于数据采集和模型研发，且这两个环节目前均无公开的量化产出指标；但公司当前的团队规模、月度研发支出或现金跑道长度均未披露，因此无法对其资金使用效率做出进一步判断。

具身智能的“交答卷”时刻：Current Robotics还欠市场三份证据

投资界在报道中直言：“无论Demo多么漂亮、表演多么华丽，最终都要落地到真实的任务场景中，这远远比概念模型更复杂、更粗糙。”这句话放在Current Robotics身上，恰好点出了它当前最大的不确定性。编辑分析认为，这一判断的已核实前提是：Current Robotics目前公开的材料以技术演示和公司披露为主，尚未出现可独立核验的客户、订单或连续运行数据；因此，其从演示到部署的距离仍是待验证的开放问题。

第一份缺失的证据是真实场景中的连续运行数据。Curr-0展示的五类任务——撕茶包、清理桌面垃圾、抱着物体穿过门框等——在演示视频中可以有不错的表现，但演示与部署之间的距离，恰恰是具身智能公司最难以跨越的鸿沟。公开材料中未披露任何在真实家庭、办公室或工厂环境中连续运行的成功率、任务完成时长、失败后恢复能力等数据。没有这些数据，Curr-0的“全身灵巧操作”能力就仍然停留在实验室验证阶段。

第二份缺失的证据是数据采集系统的规模化效率。外骨骼方案能否真正实现“规模化采集”，取决于单套设备的成本、佩戴便捷性、数据质量和采集效率的综合表现。据投资界报道，公司声称其方案在成本和适用性上优于本体遥操作，但公开材料中未提供任何量化对比。如果外骨骼方案的单位有效数据成本无法显著低于遥操作方案，其核心优势就不成立。

第三份缺失的证据是商业模式的可行性。公开材料中未披露任何客户信息、订单金额或收入数据。在当前的具身智能生态中，数据服务和模型授权是可能的商业化方向，但这两条路径都面临激烈的竞争和尚未成熟的市场需求。与智元、星海图的战略合作可能带来早期订单，但依赖少数产业方客户的商业模式，其可持续性和议价能力都存在疑问。公司需要在未来一段时间内证明，它不仅能做出技术演示，还能找到愿意持续付费的客户。

从已披露的信息看，Current Robotics的技术路线选择有其内在逻辑：全身耦合策略回应了“移动—操作”裂缝的真实问题，外骨骼采集绕开了机器人本体部署的瓶颈，世界模型评测试图降低真机测试的成本。这三个环节如果能够形成闭环，确实构成了一条差异化的技术路径。但每一个环节目前都缺乏独立验证的关键数据，而具身智能行业留给创业公司的验证窗口正在快速收窄。竞争从造本体延伸到抢数据、抢基础设施，谁能率先建立起数据及下一代模型进化壁垒，谁才能在新一轮迭代中占据优势——但“率先”的前提，是把技术叙事转化为可被检验的证据。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Current Robotics把赌注押在一个被行业长期绕开的命题上——机器人不该“走过去再停下来操作”，而应在移动中持续协调全身与手部。这个判断在技术逻辑上成立，但全身耦合策略的复杂度、外骨骼数据采集的成本账、世界模型评测的可信度，三者都还没有交出可被独立验证的答卷。数亿元融资买来的是一张进入具身智能数据与模型竞赛的门票，而门票之后的路，远比融资公告复杂得多。