机器人 AI 的演示视频正在以远超物理规律的速度膨胀。一个双足机器人在厨房里煎蛋的视频可以获得千万次播放，但没有任何外部团队能回答一个更朴素的问题：如果把同一个模型、同一台机器、同一个任务重复跑一百次，它还能成功几次？实验室控制着演示的机位、光照、物体摆放和剪辑节奏，也控制着评估的规则。当一家公司声称其视觉-语言-动作模型“在 80% 的任务中取得成功”时，外界无法判断这 80% 是来自 5 次试验中的 4 次，还是 500 次试验中的 400 次，更无法判断失败的那几次究竟发生了什么。
2026 年 9 月 14 日，一家名为 Robocurve 的旧金山公司宣布完成 1000 万美元种子轮融资，试图在机器人演示与机器人现实之间建立一个第三方测量层。据 Runtimewire 报道，本轮由 Initialized Capital 领投，Notable Capital、Decasonic、Y Combinator 和 Halcyon Futures 参投。Frontrun 的数据显示，该机构在融资公告前 56 天就标记了 Robocurve，当时已有 23 个被追踪的投资者账户关注了这家公司。这个时间差本身并不证明什么，但它意味着在正式公告之前，Robocurve 已经进入了一批早期投资者的观察范围，而这类观察通常发生在公司尚未公开募资信息、只能通过团队背景和开源项目进展来判断的阶段。
Robocurve 的切入方式不是制造机器人，也不是训练模型，而是发布一个名为 Inspect Robots 的开源评估框架，并在真实硬件上运行可重复的试验，公开每一次试验的配置数据、模型转录、评分器分数和可视化记录。公司称，Inspect Robots 已记录超过 97,000 次包安装，其研究在头三个月获得超过 600 万次浏览，来自 200 多个机构的研究人员注册了其基准计划。这些数字衡量的是开发者关注度和分发范围，而非付费评估收入或经常性商业合同。对于一个以“独立测量”为核心主张的公司来说，这种区分尤其重要：包安装量可以因为一次社交平台上的传播而激增，但只有持续、可复现、可辩护的试验记录才能构成真正的评估资产。
| 字段 | 内容 |
|---|---|
| 公司 | Robocurve |
| 轮次 | 种子轮 |
| 金额 | 1000 万美元 |
| 投资方 | Initialized Capital（领投）、Notable Capital、Decasonic、Y Combinator、Halcyon Futures |
| 总部 | 旧金山 |
| 创始人 | Chooi |
| 官网 | https://robocurve.org |
一个 200 次试验的对照实验，比任何演示视频都更有信息量
Robocurve 在融资公告前四天发布了一份 StationeryBench 报告，将 OpenAI 的 GPT-6 Astra 与 Ai2 的 MolmoAct2 放在 YAM 双臂机器人上，执行五项桌面操作任务，每个模型各跑 100 次试验。结果是：Astra 完全完成 7 次试验，MolmoAct2 完成 0 次；Astra 的平均进度得分为 46/100，MolmoAct2 为 12/100。差距最大的任务出现在马克笔操作中，Astra 在 20 次尝试中成功取下并盖上笔帽 5 次；而在回形针倾倒任务中，两个模型在 20 次尝试中均未完成。
这些数字的冲击力不在于“Astra 比 MolmoAct2 强”，而在于它暴露了当前机器人 AI 的绝对水平。一个被广泛讨论的前沿模型，在 100 次真实物理试验中只能完整完成 7 次任务，平均进度不到一半。这与实验室发布的单次成功演示之间存在巨大的叙事鸿沟。单次演示展示的是系统能力的上界，而 100 次试验的分布展示的是能力的中心趋势和方差。对于机器人部署方来说，后者才是决定一个系统能否进入真实工作流的关键信息。Robocurve 同时公布了研究的局限性：人类操作员在知道哪个模型运行的情况下进行评分，可能产生无意识偏见；MolmoAct2 未进行任务特定微调；模型并非总是在同一物理装置上测试；近一半 MolmoAct2 试验从未从起始位置有意义地移动。这些限定条件缩小了从总分中可以推断出的结论范围，而它们的公开本身构成了 Robocurve 的核心主张——评估的可信度不来自分数的高低，而来自实验设计边界的可见性。一个不公布局限性的基准报告，其数字无论多精确，都无法被外部研究者判断为可信或不可信。
Inspect Robots 是一个开源框架，但它的真正产品是“可验证的不完美”
Inspect Robots 采用 MIT 许可发布，支持在兼容机器人和仿真环境中运行不同策略，包括大语言模型和视觉-语言-动作模型。框架记录每次运行的配置数据、模型转录、评分器分数和可视化。据公司披露，该软件目前处于早期开发阶段，API 可能在版本间发生变化。已列出的物理平台集成包括 YAM 双臂、Franka 机械臂、AgiBot A2、Unitree G1 和 SO-ARM 硬件，同时提供仿真支持。这种多平台覆盖的意义在于，它试图让评估不绑定在某一特定机器人形态上，从而降低“模型只在某一种硬件上表现良好”的偏差。
从软件工程角度看，Inspect Robots 解决的是一个基础设施问题：机器人评估涉及硬件驱动、模型接口、评分逻辑和数据记录，每个环节的差异都可能导致结果不可比。一个开源框架的价值在于让不同实验室可以在相同或相近的条件下复现试验。但这里存在一个关键约束：软件开源不等于硬件标准化。即使两个团队使用相同的 Inspect Robots 代码，如果他们的 YAM 手臂安装高度差 5 厘米、桌面摩擦系数不同、马克笔的初始朝向不同，结果仍可能产生实质性偏差。Robocurve 的回应是公开每次试验的完整记录，让差异本身变得可检查。这是一种承认不完美的策略，而非消除不完美的承诺。从产品逻辑上看，Robocurve 真正交付的不是一个“完美的评估工具”，而是一套让不完美变得可见的记录机制。这种机制的价值在于，它允许第三方在事后发现某个试验的物体摆放与另一个试验不同，而不是只能接受一个无法拆解的总分。
公共福利公司结构把“独立”写进法律，但信任仍需逐次试验重建
据 Runtimewire 报道，Robocurve 在融资公告前约三个月注册为 Delaware Public Benefit Corporation。公司称，其公共福利使命要求它独立评估前沿机器人系统并公开报告结果，AI 实验室不会控制其研究议程、方法论或发表发现。这种法律结构为独立性提供了一个制度外壳，但外壳本身不产生可信度。一个公共福利公司同样可以设计有利于特定模型方的基准，或者选择性地发布结果。公共福利公司的法律义务通常要求董事会在决策中平衡股东利益与公共福利目标，但“平衡”的具体含义在不同公司之间可能有很大差异，法律本身并不规定哪些基准设计是公平的，也不规定哪些结果必须公开。
真正让 Robocurve 与机器人公司内部评估团队区分开的，是它愿意发布模型开发者“宁愿留在演示卷里”的结果。StationeryBench 报告中对 MolmoAct2 的 0/100 完成率，以及对 Astra 仅 7/100 完成率的披露，如果由模型开发方自行发布，几乎不可能以同样的措辞出现。这不是因为开发方必然不诚实，而是因为他们的激励机制天然倾向于突出最佳案例。Robocurve 的结构性优势在于，它的资金来源是风险投资而非模型授权费或评估服务合同，至少在种子阶段，它不需要取悦被评估对象来维持运营。但这一优势的持续性取决于它能否在资金消耗完之前建立起足够强的声誉壁垒。一旦市场开始认真对待它的评估结果，被评估方就有动机对其方法论发起挑战，而 Robocurve 的每一次公开回应都会成为其声誉资产的增量或减量。
种子轮资金买的是物理重复，而不是软件迭代
机器人评估的规模化瓶颈不在代码，而在物理世界。每一次真实试验都需要硬件、摄像头、物体摆放、安全控制和人工重置。要区分“一次可靠的演示”和“一项可靠的能力”，需要足够多的重复次数，而重复消耗的是设备时间和人员工时。软件基准可以在云端并行运行数千次，但物理试验的并行度受限于实验室空间、机器人数量和操作人员排班。Robocurve 将部分种子资金用于一个 50 万美元的开放基准计划：公司称，选定的学术团队将获得 2 万美元现金、计算和材料资助，以及一对 YAM 手臂，用于构建包含至少 20 个任务的基准。参与团队需要评估至少三个公开可访问的模型，并将成果以开源形式发布。
这笔支出的逻辑是杠杆化：与其让 Robocurve 自己的团队在旧金山实验室里构建所有基准，不如用资金和硬件撬动外部研究者，在更多任务类型和硬件配置上扩展评估覆盖面。但杠杆也带来质量控制风险。不同学术团队在评分规则、试验协议和数据处理上的差异，可能使基准之间的可比性下降。Robocurve 需要在开放性和标准化之间做出持续权衡。此外，公司在旧金山招聘技术员工，据披露年薪为 17 万至 30 万美元，职位描述要求将运营扩展到数百个并行真实世界评估，开发低延迟推理基础设施并扩展 Inspect Robots。从这些招聘信息看，Robocurve 的目标不是维持一个小型研究团队，而是建立一个具有工业规模物理测试能力的运营实体。这意味着种子轮资金的主要消耗项可能不是模型训练或云计算，而是硬件采购、实验室空间和能够同时管理多台机器人试验的技术人员。
数据冲突暴露了早期公司的信息真空，也暴露了评估层自身的透明度问题
CB Insights 的记录显示，Robocurve 成立于 2026 年，总部位于旧金山，最新融资轮为可转换票据，总融资额 50 万美元。这与 Runtimewire 和 Frontrun 报道的 1000 万美元种子轮存在直接冲突。一种可能的解释是，CB Insights 的数据滞后于本轮融资公告，其“可转换票据”记录反映的是种子轮之前的早期资金。但这一冲突本身具有讽刺意味：一家以信息透明为核心主张的公司，其基本融资数据在公开数据库中并不一致。对于外部观察者来说，这种冲突可能只是数据供应商更新节奏的问题，但它也提醒人们，即使是关于 Robocurve 自身的最基本事实，也需要多个来源交叉验证。如果一家公司连融资总额都无法在公开数据库中被一致地呈现，那么它发布的评估数据需要经过多少层验证才能被信任，就是一个更复杂的问题。
Robocurve 的商业模式和客户均未披露。公司发布开源工具和追踪数据，但如何从这些活动中产生收入，目前没有公开信息。种子轮资金可以支撑一段时间的研发和运营，但一个独立的第三方评估机构最终需要回答一个商业问题：谁为“独立”付费？如果模型开发者付费获得评估，独立性就会受到质疑；如果机器人采购方付费，评估标准可能偏向采购方的需求；如果依靠公共资金或慈善捐赠，规模化和持续性又会成为瓶颈。Robocurve 目前选择的是风险投资路径，这意味着它最终需要在某个时间点证明自己可以产生与 1000 万美元种子轮相匹配的商业回报，或者至少证明其资产值得后续轮次的估值。在商业模式未披露的情况下，投资者押注的可能是 Robocurve 积累的评估数据和声誉本身能够转化为某种形式的付费需求，但这种转化路径目前仍是一个未经验证的假设。
竞争格局尚未成形，但替代方案已经存在
Robocurve 的竞争对手未在公开材料中披露。但从功能角度看，其替代方案至少包括三类：第一类是机器人公司内部的评估团队，他们拥有最完整的硬件访问权和模型细节，但缺乏外部可信度；第二类是学术基准项目，它们通常针对特定任务或特定硬件，覆盖面有限，且缺乏持续运营的资金和人员；第三类是 AI 安全评估机构，如创始人 Chooi 曾工作过的英国 AI 安全研究所，它们主要关注语言模型和软件系统，在物理机器人评估方面的投入相对有限。Chooi 的背景——哈佛大学计算机科学、数学和统计学学位，2025 年罗德学者，以及在英国 AI 安全研究所和 MATS Research 的评估与安全研究经历——使 Robocurve 在方法论上更接近 AI 安全评估的传统，但其物理试验能力又超出了传统软件评估机构的范围。
Robocurve 的差异化在于将开源工具、真实硬件试验和公开追踪数据三者结合。但这一组合的壁垒并不高。一个资金充足的机器人公司或 AI 实验室完全可以在内部复制 Inspect Robots 的功能，甚至发布自己的“开放基准”。事实上，如果被评估对象开始发布更完整的试验数据，Robocurve 的存在意义就会受到挑战。反过来看，Robocurve 的早期研究已经产生了一个效应：它设定了一个透明度标准，使得只发布精选演示而拒绝公开重复试验数据的公司显得更加可疑。这种标准效应可能是 Robocurve 最持久的资产，但它无法被直接货币化。一个可能的竞争演变路径是，大型 AI 实验室选择性地采纳 Robocurve 的部分方法，但保留对哪些结果可以公开的控制权，从而削弱独立评估机构的差异化价值。这种路径是否会成为现实，仍需观察后续实验室的发布行为。
风险不在技术，而在方法论的可辩护性
Robocurve 面临的最大风险不是 Inspect Robots 的代码质量或硬件集成的稳定性，而是其评估方法本身能否经得起被评估方的攻击。基准设计、硬件设置、评分规则和模型访问权限中的任何一个环节，都可能实质性改变机器人结果。如果一家模型开发方声称 Robocurve 的试验设置对其模型不公平——例如，模型未针对特定硬件进行微调，或者评分规则过度惩罚了部分完成——Robocurve 需要有能力在方法论层面进行辩护，而不是仅仅重复“我们公开了所有数据”。公开数据本身并不自动构成方法论上的正当性；它只是让外部研究者有机会发现方法论中的问题。如果被评估方能够指出某个评分规则在特定任务上系统性地不利于某一类模型，Robocurve 的整个基准结论都可能被推翻。
StationeryBench 报告中的局限性说明已经展示了这种辩护的雏形。Robocurve 明确承认 MolmoAct2 未进行任务特定微调，模型并非总是在同一物理装置上测试，以及人类操作员知道模型身份可能引入偏见。这些承认降低了单个分数的确定性，但增强了整体方法的可信度。然而，这种策略有一个内在张力：如果局限性太多，读者可能得出结论认为结果无法支持任何有意义的比较；如果局限性太少，被评估方会攻击评估的严谨性。Robocurve 需要在每一个基准中找到这个平衡点，而这是一项需要持续投入的研究工作，而非一次性的工程交付。每一次新的基准发布，都是一次对方法论可辩护性的公开测试。
从已披露的 StationeryBench 数据看，Robocurve 的方法论至少在一个维度上是站得住脚的：它选择了 200 次试验的样本量，而不是 10 次或 20 次。在机器人评估中，样本量本身就是一种方法论声明。100 次试验中完成 7 次，这个数字的置信区间比 10 次试验中完成 1 次要窄得多。但 Robocurve 尚未披露其评分器的具体规则、人类操作员的培训流程、以及不同试验之间物体摆放的标准化程度。这些信息的缺失意味着，外部研究者目前还无法完全独立地复现 StationeryBench 的结果。Inspect Robots 的代码是开源的，但代码只是评估链条的一部分。评分器如何定义“完全完成”与“部分完成”，操作员在何种情况下可以干预试验，物体在每次试验之间如何重置——这些细节决定了 7/100 这个数字的确切含义。如果这些细节没有被完整记录和公开，那么即使代码开源，外部复现者也可能在关键环节做出不同的选择，从而得到不同的结果。
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：Robocurve 的种子轮融资规模在机器人 AI 赛道中并不显眼，但它押注的是一个稀缺的位置——在演示与证据之间建立可验证的第三方测量层。这个位置的价值取决于一个尚未被证明的假设：机器人行业会愿意接受一个外部机构用 100 次重复试验来戳破单次演示的叙事。如果这个假设成立，Robocurve 的 1000 万美元买到的将是一个声誉壁垒；如果不成立，它买到的只是一个开源框架和一批无人愿意引用的基准报告。物理世界的重复是昂贵的，但信任的建立比物理世界更慢。Robocurve 的真正赌注不是某个模型在某个任务上的成功率，而是整个行业是否愿意把“可验证的不完美”置于“不可验证的完美”之上。