费莫一科技获近亿美元种子轮：Physical Agent能否跨越长程任务误差鸿沟？

一个含20个环节的长程任务，即便每个环节的成功率都做到95%，整条链路一次跑通的概率也只有约36%。这不是某个机器人公司的失败案例，而是所有试图让机器在真实世界中“把一件事办完”的团队必须面对的算术。演示视频里，机器人可以流畅地抓取一个杯子；但当任务变成“从客厅茶几上拿起钥匙，走到门口鞋柜，打开抽屉，把钥匙放进去，再确认抽屉关好”，每一步的小误差都会沿着行动链累积，最终把一次看似简单的日常请求变成一场概率游戏。

2026年9月9日，费莫一科技（PHYMI）宣布完成近亿美元种子轮融资，试图从这条误差累积的链条上切进去。这家成立不足半年的公司没有发布产品原型，也没有公开任何场景测试数据，却已经拿到了由IDG资本领投，云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技跟投的一笔大额种子轮。资本押注的，是创始人刘念邱从自动驾驶量产战场带出来的一个判断：机器要从“执行动作”走向“达成目标”，必须把模型、本体、数据与交互放进同一个闭环里，而不是把大模型简单装进一个机器人壳子。

这个判断并不新鲜，但费莫一科技把它推到了融资叙事的最前端。公司称，其打造的Physical Agent不以固定工位、单一场景或预设流程中的单点动作定义能力，而是要在开放动态真实世界中，将跨场景移动与操作连接起来，并根据现场变化持续行动，推动复杂目标达成。换句话说，它想做的不是一台会拧螺丝的机械臂，也不是一台会走路的展示机器人，而是一个能够承接“取送物品、购买临时所需、让使用过的空间恢复秩序、在一段行程中连续完成多个任务”的物理智能体。

“目标达成”被拆成三层，但公司尚未证明机器能跨过第二层

费莫一科技对Physical Agent的能力定义，沿“动作→任务→目标”逐级演进。动作具体、短程且确定；任务由多个动作组成，具有明确流程；目标则更加开放、长程，需要机器持续应对环境变化与不确定性。这个框架本身并不复杂，但它把行业里一个长期被回避的问题摆到了台面上：今天绝大多数具身智能公司能够展示的，仍然停留在“动作”层面，少数进入了“任务”层面，而“目标”层面几乎无人拿出可验证的公开证据。

公司称，PHYMI BRAIN是覆盖多模态感知、世界建模、推理规划与行动生成的具身智能模型系统，使Physical Agent能够理解人和世界、预测物理交互，并自主完成移动与操作任务。这是公司口径。从公开材料看，费莫一科技尚未发布任何模型评测结果、任务成功率数据或第三方测试报告。也就是说，BRAIN系统目前仍是一个技术架构描述，而非一个可被独立验证的能力声明。

更关键的问题在于，从“任务”到“目标”的跨越，恰恰是误差累积最严重的区间。一个任务可以由工程师预先定义流程、设定检查点、甚至通过遥控或人工干预兜底；但一个开放目标要求机器在没有人逐步指挥的情况下，自己拆解任务、保持上下文、在环境变化时调整计划，并把新出现的需求连续衔接起来。费莫一科技把这一点写进了公司叙事，却没有给出任何表明其系统已经具备这种能力的证据。从已披露的信息看，这家公司目前仍处于把技术路线讲清楚的阶段，距离“把事办成”的可验证状态还有相当距离。

全栈路线是能力闭环，也是资金消耗的放大器

费莫一科技选择了一条同时覆盖模型、本体、数据与交互的全栈路线。PHYMI BRAIN负责感知、建模、推理与行动生成；PHYMI BODY承载机械、驱动、计算、传感和能源系统；PHYMI DATA将真实交互沉淀为训练数据；PHYMI LINK连接人、机器与环境，支持人机交互与多机协同。公司称，四大系统共同形成闭环：BRAIN决策、BODY执行、DATA进化、LINK贯通。

这条路线在逻辑上自洽。具身智能的难点恰恰在于软硬件耦合：一个在仿真环境中表现优异的模型，放到真实机器人上可能因为传感器噪声、执行器误差和通信延迟而完全失效。如果模型、本体和数据分属不同团队甚至不同公司，迭代速度会被组织边界拖慢。费莫一科技把四层都握在自己手里，理论上可以更快地完成“真实交互—数据回流—模型更新—本体适配”的循环。

但全栈路线的代价同样明确。它意味着公司必须同时承担模型训练、机器人整机研发、数据采集体系建设和交互系统开发的多线成本。近亿美元种子轮在软件创业中堪称巨额，但在硬件加模型加数据的复合消耗面前，并不像数字看起来那么宽裕。readaitime.com披露的工商信息显示，费莫一科技成立于2026年3月16日，注册资本100万元，工商经营范围覆盖智能机器人研发、工业机器人、服务消费机器人及人工智能硬件等。注册资本与融资额之间的巨大落差，反映的是早期项目在股权结构设计上的常见安排，但同时也提醒外界：这家公司的实际资金消耗能力，要到产品原型和团队规模进一步披露后才能判断。

从自动驾驶到具身智能，技术迁移路径清晰但不可直接复制

刘念邱的履历是这笔融资的重要定价基础。据投资界披露，刘念邱曾任元戎启行技术合伙人、董事，亲历了中国高阶自动驾驶从L4研发运营走向规模化量产的关键阶段，参与了无图智驾方案落地，以及技术体系向端到端模型、VLA大模型演进。更早之前，他曾任英特尔高级工程师，并有智能硬件连续创业经历。readaitime.com进一步提到，刘念邱曾在2024年公开表示，无人驾驶可被视为“装在车身上的具身智能”，相关技术未来能复用到机器人等领域。

从技术逻辑看，自动驾驶与具身智能之间确实存在迁移路径。汽车本身就是运行在物理世界中的智能机器，需要完成感知、预测、规划、控制和数据回流，并应对道路上无法穷举的长尾情况。无图智驾的兴起，本质上就是让车辆摆脱对高精地图的依赖，在更开放的环境中自主决策。这与Physical Agent要在开放动态环境中行动的目标有内在一致性。

但迁移不等于复制。汽车的本体形态、道路规则和核心任务相对明确：车辆在结构化道路上行驶，交通规则提供了统一的交互协议，任务目标通常是“从A点到B点安全到达”。而进入家庭、商场或城市空间的机器人，面对的是不同物品、不同空间布局和随时变化的人类指令。自动驾驶积累的方法和工程经验可以缩短起步距离，却无法直接解决灵巧操作、跨场景泛化和长时间自主执行等问题。刘念邱的履历降低了团队在复杂软硬件工程和量产交付上的不确定性，但Physical Agent的开放程度远高于汽车，这恰恰是费莫一科技需要重新证明的地方。

产业资本入局，但业务合作尚未落纸

本轮投资方的构成值得拆解。IDG资本和云启资本是典型的风险投资机构，复星锐正和耀途资本也以财务投资为主。真正带有产业色彩的，是滴滴出行和禾赛科技。滴滴作为出行平台，拥有大规模真实场景的运营经验和数据闭环能力；禾赛科技则是激光雷达传感器厂商，处于机器人感知链的上游。这两家公司的参与，至少在纸面上为费莫一科技提供了场景、数据和供应链的想象空间。

但想象空间不等于实际合作。费莫一科技尚未披露与滴滴或禾赛的具体业务安排，也没有说明产业投资方是否会在数据、场景或供应链上提供实质性资源。在早期融资中，产业资本的名字有时只是财务投资的另一种形式，有时则是深度绑定的前奏。从公开信息看，本轮投资方与费莫一科技之间的具体合作内容，仍然是一个未披露的变量。

从资本结构看，近亿美元种子轮在传统硬件创业中并不常见。readaitime.com援引IT桔子《2026上半年中国人工智能投融资报告》的数据显示，上半年国内极早期AI项目发生626笔融资，平均单笔融资额7300万元；融资额前十的早期企业中，有4家在种子轮或天使轮阶段便拿到超7亿元。费莫一科技的融资额处于这个趋势的上沿，但并非孤例。资本把投入节点不断前移，创始团队的产业经历和技术方向成为主要定价依据，这在2026年的物理智能赛道已经形成一种模式。

资金用途指向数据体系，但“真实动态数据”从哪来仍是核心瓶颈

费莫一科技称，本轮融资将主要用于Physical Agent核心技术研发、真实动态数据体系建设、产品工程化与场景落地，以及团队扩充。这是公司披露的资金用途。其中，“真实动态数据体系建设”是一个值得放大的表述。

具身智能的数据问题比语言模型更棘手。语言模型可以从互联网上抓取海量文本，但物理交互数据必须来自真实世界中的机器操作。仿真数据可以补充，却无法完全替代真实环境中的物理规律、传感器噪声和意外干扰。费莫一科技把DATA作为四大系统之一，说明它意识到数据闭环的重要性；但“真实动态数据”从何而来，公司没有给出答案。是自建数据采集团队？是依赖早期客户场景？还是通过仿真加真机混合的方式？这些关键问题目前均未披露。

从已披露的信息看，费莫一科技尚未发布产品原型，这意味着它还没有一个能够大规模产生真实交互数据的物理载体。没有BODY，DATA体系就缺乏数据来源；没有DATA，BRAIN就缺乏训练燃料。这个循环在逻辑上成立，但在启动阶段存在先有鸡还是先有蛋的问题。费莫一科技需要先造出能够进入真实环境的机器人本体，再通过它产生数据，再反过来训练模型。近亿美元融资为这个循环提供了启动资金，但循环能否转起来，取决于第一个可用的BODY何时出现。

竞争格局未明，但“长程目标达成”是一个拥挤的叙事方向

费莫一科技没有披露竞争对手。这在一个热门赛道里并不寻常。具身智能在2026年已经聚集了大量玩家：有人形机器人公司主攻本体制造，有具身智能基础模型公司主攻BRAIN层，也有自动驾驶背景的团队试图把VLA模型迁移到机器人上。费莫一科技的全栈路线，意味着它同时与上述所有类型的公司构成潜在竞争。

从叙事方向看，“从执行动作到达成目标”并不是费莫一科技的独家话语。多家具身智能公司都在强调类似的能力演进，只是用词不同。有的讲“通用操作”，有的讲“长程任务”，有的讲“世界模型驱动物理AGI”。费莫一科技把“动作→任务→目标”的框架讲得相对清晰，但框架的清晰度并不构成竞争壁垒。真正的壁垒在于：谁能率先拿出一个在开放动态环境中完成长程任务的可验证系统，而不是一段剪辑过的演示视频。

从团队背景看，费莫一科技的核心成员来自清华大学、上海交通大学、复旦大学、南洋理工大学、香港中文大学等高校，据公司披露，团队成员曾在头部互联网、人形机器人及自动驾驶企业担任核心技术与产品负责人，主导过大模型、VLA、真机强化学习、机器人整机、数据平台及量产交付等工作。这是一支复合型团队，但“曾在头部企业担任核心负责人”的表述无法被独立核实，也无法直接转化为产品竞争力。在具身智能赛道，团队履历的溢价正在快速下降，因为越来越多拥有类似背景的团队进入了同一个竞技场。

风险不在技术路线，而在验证节奏与商业化边界

费莫一科技面临的最大风险，不是它的技术路线错了，而是它的验证节奏可能跟不上资本预期。近亿美元种子轮给了公司一个相对宽裕的启动期，但也把下一轮融资的标杆抬高了。如果费莫一科技不能在合理时间内拿出可运行的产品原型，并在真实场景中展示可量化的任务成功率，后续融资将面临巨大压力。

长程任务误差累积的问题，不会因为融资额增加而自动消失。一个含20个环节的任务，每环节95%的成功率，整体成功率约36%。这个算术对所有玩家一视同仁。费莫一科技的全栈路线理论上可以通过软硬件协同来压缩单环节误差，但理论优势需要工程实现来兑现。公司尚未公布产品形态、售价、量产时间及测试数据，这意味着外界无法判断它距离“把事办成”还有多远。

商业化边界同样模糊。费莫一科技称，希望让Physical Agent走进每一个普通人的日常生活，承接那些高频、琐碎却始终需要有人动手完成的事情。这是一个宏大的愿景，但“普通人的日常生活”恰恰是具身智能最难进入的场景：环境高度非结构化，任务高度个性化，容错空间极小，付费意愿却未必高。相比之下，工业场景、商业场景或特定服务场景的结构化程度更高，商业化路径更清晰。费莫一科技是否会在早期先切入某个垂直场景，还是直接瞄准开放日常生活，公司没有给出答案。

从已披露的X（全栈技术体系）与Y（近亿美元种子轮融资）看，这意味着费莫一科技拥有同时推进模型、本体、数据和交互的资金与团队基础，也意味着它选择了最重的一条路。但Z——产品形态、场景优先级、数据来源和验证指标——尚未披露，因此结论边界是：这家公司目前仍处于技术路线宣示阶段，其“达成目标”的能力尚未被任何公开证据支撑。

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：费莫一科技用近亿美元买到了一张进入长程任务竞赛的门票，但门票上写的是“待验证”。全栈路线在逻辑上最完整，在工程上最昂贵，在验证上最漫长。刘念邱从自动驾驶带来的不是现成答案，而是一套关于误差、数据闭环和量产交付的教训。Physical Agent的真正分水岭，不是谁能把“动作→任务→目标”讲得更漂亮，而是谁能先让一个未经训练的普通用户，放心地把一件需要20个环节才能办完的事交给机器，然后转身离开。