机器人能看见一颗螺丝，不等于它能拧好一颗螺丝。过去两年，具身智能在视觉感知和运动控制上进展很快，机器人可以识别物体、规划路径、复现复杂动作，但这些能力大多停留在远距离、非接触式层面。一旦进入真实产线，面对布料滑移、零件卡滞、插装阻力这类接触性物理交互，仅靠视觉无法获知力的大小、方向与接触状态。更麻烦的是，多数具身智能企业依赖众包采集或素材库数据训练模型，光照、工艺参数、设备异常、人为干预都与真实工况存在结构性偏差。

这正是杭州具身大脑公司格物通智试图切入的位置。它要做的不是另一台人形机器人本体，而是给机器人装上“手感”：让机器人在持续作业中理解接触、受力和摩擦，把每一次成功、失败与人工纠正沉淀为可迁移的操作经验。2026年10月，据36氪硬氪首发报道，格物通智已完成近亿元天使轮融资，投资方包括匹克投资、鸿富资产、杭州资本、杭州人才集团、某省级具身产投及多家头部上市公司，Maple Pledge 枫承资本出任本轮独家私募股权融资顾问。

这轮融资的特殊之处在于，一家成立于2026年8月、成立仅两个多月的公司，首轮就同时拿到产业资本、地方国资与政府人才基金的组合出资。更值得注意的是，产业投资方匹克投资已经与公司签订战略合作协议，把落地场景直接指向鞋履制造中的柔性材料与亚毫米级精度要求。对一家尚无公开交付记录的早期公司来说，这既是资源，也是被提前锁定的验证压力。

字段 内容
公司 格物通智
轮次 天使轮
金额 近亿元
投资方 匹克投资、鸿富资产、杭州资本、杭州人才集团、某省级具身产投、多家头部上市公司
总部 杭州
创始人 蔡佳
官网 未披露

把“手感”拆成可训练信号，而不是继续堆视觉数据

格物通智的技术叙事围绕一个核心判断展开：视觉数据再多，也无法直接回答“该用多大力”这个问题。公司创始人兼CEO蔡佳在36氪的访谈中举了拧瓶盖的例子。传统机器人学习的是人手关节轨迹，模仿动作形状，但“它不知道人需要用多大的力、摩擦系数是多少、遇到阻力时要加大力度还是调整角度。一旦换成不同材质的瓶盖、不同松紧程度的螺纹，模型就可能失效”。

针对这一盲区，公司称其首创提出“物理反演世界模型”技术路线。按照公司通稿的解释，这套路线让机器人从看得见的动作中推断接触、受力等隐含物理信息，用于大规模预训练，再结合真实力觉与触觉反馈进行校准，为动作数据补充物理标签。也就是说，格物通智试图把“手感”从一种难以言传的经验，转化为可以从视觉画面中反推、再经真实接触数据对齐的训练信号。

这套逻辑的产业背景不难理解。触觉信号维度通常只有几十维，而一张图像有数百万维，两者在同一模型中融合对齐的难度很大；同时，触觉数据采集成本高、速度慢，规模化一直是行业公认瓶颈。格物通智提出的解法是Real to Sim，即用真实物理交互数据反向搭建仿真环境，再从互联网海量第一、第三人称视频中反推重建触觉信号。公司称，这套管线让触觉数据获得与视觉数据同等的规模化采集潜力。

从技术路径看，Real to Sim的价值在于绕开了触觉手套采集的物理限制。蔡佳在访谈中解释，如果只依靠触觉手套采集，不仅成本高、采集效率低，操作人员佩戴手套后还可能影响日常正常作业，导致手套能拿到的数据体量十分有限，难以支撑具身模型训练所需的泛化能力。相比之下，视频数据最容易规模化获取，因此团队选择从视频中反向重建交互接触等触觉信号。这一选择意味着，格物通智把数据规模的赌注押在视觉与触觉之间的可反推关系上，而不是押在更昂贵、更慢的直接触觉采集上。

但这里需要区分公司技术主张与已验证能力。Real to Sim能否稳定重建出满足工业精度要求的触觉信号，目前尚无公开的第三方测试或客户验收数据支撑。蔡佳在访谈中也只表示，方案重建出的触觉数据精度“预期能够满足预训练需求，后续再通过真实现场数据进一步对齐精度”。从“预期满足”到“实际满足”，中间隔着尚未交付的PoC和尚未验证的现场误差。

PSI闭环的真正赌注：把客户现场变成数据飞轮

格物通智在物理反演世界模型之上，又叠加了一层PSI物理自进化体系。公司称，这套体系实现“物理反演—规划执行—真实反馈—评估学习—验证部署”的能力迭代闭环。机器人在作业中产生的成功经验、失败轨迹与人工纠正，经筛选评估后用于改进物理状态估计和操作策略，更新后的模型经验证再进入下一轮任务。

这套机制的价值不在技术名词本身，而在于它试图改变具身智能公司的成本结构。传统机器人部署到新工位时，需要反复示教、调测、试错，每个新场景都是一次新的工程投入。蔡佳的说法是：“一个现场积累的经验，能够降低下一个现场的迁移成本。当客户每增加一个应用场景，我们收获的不仅是业务机会，还有可复用的部署经验。”

换句话说，格物通智想做的不是卖一次性交付的自动化方案，而是把每个客户现场变成持续产生训练数据的入口。Deploy、Learn、Generalize三个环节中，真正决定商业价值的不是第一台机器人能否跑通，而是第二个、第三个场景的迁移成本能否显著下降。如果迁移成本不降，公司就仍然是一家项目制集成商；如果降下来，它才可能具备软件或模型公司的规模化特征。

蔡佳对这套闭环的解释是双向改进：更准确的世界模型帮助机器人做出更有效的规划，更有价值的执行反馈则帮助模型识别自身误差、优化后续学习。同时，系统可以通过模型对失败原因与不确定性的判断，优化数据筛选，提升从经验中学习的效率。这意味着，PSI体系不只是让机器人越用越顺手，还试图让每一次失败都变成可被模型吸收的负样本，而不是被丢弃的现场噪声。

从已披露信息看，这个飞轮目前还处于最前端。公司称正在同纺织服装、光模块及汽车零部件领域客户推进联合创新PoC，预计2026年年底完成首个PoC交付。这意味着，在融资披露时点，格物通智还没有一个已经交付的客户现场，也没有可被复购验证的产品。蔡佳在访谈中明确说，团队最看重的指标不是精度成功率，而是客户复购率。这一定位本身是清醒的，但也意味着公司距离证明自己商业模式的关键节点还有至少一个完整交付周期。

匹克投资不只是财务出资，鞋履场景把精度要求提前摆上台面

本轮融资中最值得拆解的是匹克投资的角色。据公司通稿称，匹克投资作为国内头部运动科技产业集团，已与格物通智签订战略合作协议，围绕鞋履制造对“双柔+一高精”，即柔性制造、柔性材料、亚毫米级精度的要求，推动技术落地与产业验证。通稿还称，双方希望“在企业初期拿下规模化订单”。

鞋履制造是一个对具身操作并不友好的场景。鞋面、鞋底、鞋带等材料普遍柔软、易变形、回弹特性不一致，机器人抓取和装配时需要实时感知接触状态并调整力控策略。亚毫米级精度要求意味着，视觉重建触觉信号的误差会被迅速放大。如果格物通智的Real to Sim管线在鞋履场景中无法稳定输出足够精度的力觉标签，那么所谓“规模化订单”就无从谈起。

从资本结构看，匹克投资的进入带有明显的产业验证色彩。它不同于纯财务投资人的地方在于，它既是出资方，也是潜在客户和场景提供方。这种结构的好处是，格物通智可以在早期获得真实产线数据和验收标准；风险在于，如果鞋履场景的验证周期过长或效果不及预期，产业资本与公司之间的战略绑定可能反过来限制公司向其他场景灵活转向。目前来源未披露匹克投资的具体出资金额、持股比例，也未披露战略合作协议中是否包含排他性条款或订单承诺，因此无法判断这种绑定的约束强度。

杭州国资三支基金同轮进入，地方押注具身智能中试生态

格物通智的另一个显著标签是杭州。公司于2026年8月在杭州成立，据公司通稿称，首轮即获得杭州市级层面三支基金的支持，包括杭州润苗基金、杭州颠覆性成果转化基金、杭州人才基金，同时也是国家具身智能应用中试基地生态伙伴、杭创具身智能营成员。

一家成立两个多月的公司能同时拿到三支市级基金，说明杭州在具身智能领域的招商与扶持逻辑已经从“给钱”转向“给场景、给中试、给生态位”。杭州润苗基金通常对应早期项目扶持，颠覆性成果转化基金对应技术转化，人才基金则与创始团队背景直接挂钩。三支基金同轮进入，意味着格物通智在杭州的定位不只是普通创业公司，而是被纳入地方具身智能产业培育体系的一部分。

这种安排的隐性成本是，公司需要配合地方产业落地的节奏。中试基地生态伙伴的身份意味着它可能承担一定的公共平台职能，比如向其他企业开放测试能力、参与标准制定或承接示范项目。这些职能对早期公司来说会分散资源，但也可能带来普通创业公司拿不到的产线入口。来源未披露三支基金的具体出资金额和持股比例，也未披露是否附带返投、落地或人才引进等条件，因此无法评估这些支持的商业代价。

创始人从华为ADS到具身大脑，团队背景强在量产与数据治理

格物通智的团队叙事高度依赖创始人蔡佳的个人履历。据36氪报道，蔡佳博士毕业于西北工业大学航天学院，师从国家杰青黄攀峰院长，专注太空机器人的在轨灵巧操作研究；后加入华为2012实验室及车BU 2030实验室，深度参与ADS 2.0至4.0核心技术研发与百万级量产交付以及ADS6.0预研，担任百人团队主管及华为科学家委员会委员。报道还称，他具备千万小时级数据治理与近万卡集群训练的系统性方法论，曾获华为个人技术最高奖。

这段履历的价值需要拆成两层看。第一层是技术相关性：太空机器人在轨操作涉及遥操作、力反馈和不确定性环境下的精细控制，与地面灵巧操作有底层相通之处；华为ADS的量产经历则意味着他经历过从算法验证到百万级交付的完整工程化过程。第二层是数据方法论：千万小时级数据治理和近万卡集群训练的经验，直接对应格物通智当前最核心的壁垒——如何从海量视频中筛选、标注、训练出可用的物理交互数据。

蔡佳在访谈中进一步解释了这套数据方法论的来源。他提到，在自动驾驶场景中，如果采用均匀随机采样，人在驾驶过程中90%以上的时间都处于平稳行驶状态，几乎没有紧急避让、复杂变道这类场景。这类常规数据无需大量累积，过量堆叠反而会削弱模型在关键场景下的学习效果。因此需要对数据打分，保留high quality、good diversity样本。格物通智从第一天起就坚持质量优先的数据理念，把数据冗余度控制在很低水平。蔡佳认为，不少同行在比拼百万小时量级的数据规模，但其中大量都属于冗余数据，真正有效的样本占比并不高。

此外，据36氪报道，多位核心成员来自华为、理想、地平线、智元等行业头部企业，毕业于清华、浙大、上交、中科大、复旦、哈工大、西工大及南洋理工等高校。报道称，团队覆盖前沿AI研究、复杂系统工程与规模化交付全链条。不过，来源未披露这些核心成员的具体姓名、职位和分工，因此无法进一步判断团队在触觉感知、仿真环境搭建和工业交付等关键环节上的配置深度。

但履历只能说明团队“可能具备”某些能力，不能替代产品本身的验证。华为ADS的成功建立在庞大的工程团队、成熟的供应链和明确的量产目标之上，这些条件在格物通智当前阶段并不存在。蔡佳在访谈中也承认，“现在这个阶段，三分靠模型，七分靠工程”。这意味着，团队背景的真正价值，要等到首个PoC交付、客户现场数据回流、模型迭代闭环真正跑起来之后，才能被证实或证伪。

资金用途与未验证假设：近亿元能买到什么，买不到什么

据公司通稿称，本轮近亿元资金将主要用于物理反演世界模型的大规模预训练与技术迭代、硬件与本体构建等，加快人才引进和规模扩充，并推进多个场景PoC验证和真实数据采集。

这笔钱的使用方向暴露了格物通智当前的真实阶段。它需要同时投入模型训练、硬件本体和现场验证，这意味着公司还没有把资源集中到单一环节。近亿元在具身智能领域不算宽裕：大规模预训练需要算力，硬件与本体构建需要供应链投入，多个场景PoC需要驻场工程团队，三者同时推进对资金消耗速度的要求很高。公司未披露本轮融资的具体到账时间、资金分阶段使用计划，也未披露是否已经锁定后续轮次。

更关键的是，格物通智面临几个尚未被验证的假设。第一，Real to Sim重建触觉信号的精度能否满足工业级预训练需求，目前只有公司单方面表述，没有公开测试数据或客户验收结果。第二，从互联网视频中反推触觉信号，是否真的能覆盖鞋履、光模块、汽车零部件等场景所需的接触类型，来源未提供任何数据支撑。第三，PSI物理自进化体系能否在真实产线上持续运行，而不是在受控演示环境中成立，同样有待首个PoC交付后观察。第四，公司成立仅两个多月，团队规模、组织磨合和工程交付能力都未经过完整项目周期检验。

从已披露信息看，格物通智的融资故事建立在一条逻辑清晰的产业链判断上：视觉感知已经过剩，接触级物理理解才是精细操作的瓶颈，而触觉数据的规模化采集必须绕开昂贵低效的触觉手套，转向从视频中反推。这个判断本身有产业合理性，但从判断到产品、从产品到复购，中间隔着至少三个尚未跨越的验证节点。公司称预计2026年年底完成首个PoC交付，届时客户是否愿意为“手感”买单，将是比融资金额更值得关注的信号。

RecodeX 极客视：格物通智把融资筹码押在一个尚未被行业解决的老问题上——触觉数据太贵、太少、太难规模化。Real to Sim听起来像一条聪明的绕行路线，但它绕开的只是采集成本，绕不开精度验证。当第一个鞋履PoC在2026年年底交付时，真正的问题不是机器人能不能抓住一只鞋，而是它抓住鞋面时，力觉误差会不会大到让亚毫米级精度变成一句口号。近亿元天使轮买到的，是一张进入真实产线的门票；而门票能不能换成复购，取决于那个尚未交付的现场。

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。