灵巧手赛道正在经历一次微妙的身份转换。过去几年，这个细分市场的竞争焦点几乎全部落在硬件参数上：自由度从六轴卷到十几轴，驱动方式从连杆卷到微型丝杠，负载能力、成本、可靠性被反复拆解比较。但当关节数量不再稀缺，新的问题浮出水面——一只结构精巧的手，是否真的能完成一杯水从桌面到唇边的完整动作？在真实物理世界里，摩擦、形变、接触切换和传感器误差共同构成了一道远比机械设计更隐蔽的壁垒。

2026年11月2日，成立仅两个月的机本智能（ManuPrax Robotics）宣布连续完成两轮融资，累计金额近千万美元。两轮融资分别由Alphaist Partners、耀途资本领投，接力天使及某零部件产业方实控人跟投。这家2026年9月才完成注册的北京公司，把切入点放在灵巧操作的“小脑层”——不是让机器人理解“拿起杯子”的指令，而是解决手指从哪个角度接近、施加多大力、杯子滑动时如何补救的执行问题。

这个定位背后是一个明确判断：公司通稿称，CEO李浦豪认为国内灵巧手硬件发展速度会非常快，未来半年内纯硬件业务的利润空间就可能大幅压缩。如果硬件加速走向标准化和薄利润，决定机器人能否完成复杂任务的操作能力，就可能成为下一个竞争焦点。机本智能试图在硬件格局生变之前，把操作模型变成可以独立交付的能力层。

字段 内容
公司 机本智能（ManuPrax Robotics）
轮次 连续两轮，具体轮次名称未披露
金额 累计近千万美元（两轮合计）
投资方 Alphaist Partners、耀途资本领投；接力天使、某零部件产业方实控人跟投
总部 北京
创始人 李浦豪（CEO）、陈泽源（CTO）
官网 未披露

把“小脑”从大模型叙事中拆出来，是一次产品定义的冒险

机本智能对灵巧操作的理解，与当下流行的VLA（视觉-语言-动作）模型叙事保持着一个刻意的距离。公司通稿称，团队将灵巧操作能力定位为机器人操作的“小脑”：上层基础模型负责理解任务、制定计划，“小脑”将操作目标转化为连续、协调的动作，并依据实际接触状态持续调整。CEO李浦豪在公司通稿中解释：“有的时候灵巧操作就是肌肉记忆的本能反应，它是一个小脑这一层的模型。”

这个分层逻辑并不新鲜，但机本智能把它推向了更极致的分工边界。公司通稿称，团队认为上层模型主要解决理解环境、理解任务、推理和规划的问题，而他们希望重点解决的是更底层的执行能力。CTO陈泽源在公司通稿中进一步说明：“我们希望补齐的，是灵巧手在真实物理世界中精细、协调、稳定地执行动作的能力。”按照这套设想，机器人拿起桌上的杯子时，上层模型识别杯子位置并制定动作目标，而手指从哪个角度接近、指尖位置如何调整、施加多大力度让杯子沿目标轨迹运动、杯子滑动时如何补救，都属于“小脑”的职责范围。

这种切割在产品逻辑上具有吸引力，因为它把操作能力从特定本体和特定大模型中解放出来，变成一个理论上可以独立训练、独立交付的模块。但风险同样清晰：如果“小脑”与上层模型之间的接口定义不清，或者真实任务中理解与执行的边界远比设想的模糊，这个分层就可能在实际部署中变成额外的集成成本。公司通稿没有披露这套分层架构在真实机器人系统上的接口规范、通信延迟或与具体大模型的对接验证，目前仍停留在产品定义层面。

强化学习路线押注交互数据，但仿真到真机的鸿沟没有被绕开

在技术路线选择上，机本智能明确站到了强化学习一边。公司通稿称，与主要依靠人类演示让模型模仿动作的模仿学习不同，强化学习试图让模型通过探索、试错和反馈逐渐找到有效策略：模型尝试一种动作，根据结果获得奖励信号，再调整下一次行动。李浦豪在公司通稿中解释，人类日常动作丰富，物体的形状、重量、材质和摆放方式千差万别，单靠有限的人工演示很难覆盖所有情况；如果模型能够通过交互学习，便有机会减少对人工逐一示范的依赖。

这条路线在理论上更接近通用操作能力的形成机制，但它的规模化门槛也更高。公司通稿承认，强化学习需要基于演示且通用的奖励信号，也需要足够高效和稳定的训练架构；同时，模型在仿真环境里学会一个动作，不代表它能在真实硬件上复现，现实中的摩擦、接触、形变和传感器误差，都可能让仿真中的成功经验失效。团队称正在探索将仿真、真人演示和生成的交互轨迹结合起来，构建训练数据体系，并推进模型从仿真环境向真实硬件的迁移验证。

这里存在一个需要被明确指出的验证缺口：公司通稿没有披露任何具体的仿真环境、真机平台、任务集或迁移成功率数据。所谓“推进迁移验证”目前只能理解为一项正在进行的工作，而非已经取得的成果。强化学习在灵巧操作上的仿真到真实迁移，恰恰是过去几年学术界和产业界反复碰壁的环节。机本智能选择正面进入这个难题，意味着它的技术验证周期可能比模仿学习路线更长，而资本是否有耐心等待，取决于后续能否拿出可量化的迁移效果。

平台化软件生意的付费逻辑，比硬件销售更难证明

机本智能的商业化设想是打造一个能够适配不同灵巧手硬件的操作模型平台：向上承接多模态大模型给出的操作目标，向下适配不同的灵巧手硬件，为上层模型提供可调用的操作能力。公司通稿称，李浦豪认为与绑定单一灵巧手的算法相比，这样的平台有机会服务不同厂商和应用场景，降低对单一硬件销售的依赖。

这个方向在产业逻辑上说得通。当前灵巧手市场既有机器人本体厂商自研产品，也有独立灵巧手供应商。公司通稿称，前者可以将灵巧手纳入整机系统统一设计，后者则需要凭借产品性能、成本和交付能力争取不同客户；独立供应商的机会在于服务多家机器人厂商，但也面临整机厂商自研带来的竞争压力。如果操作模型能够跨硬件复用，理论上可以绕开硬件供应商与整机厂之间的绑定关系，成为一个更轻的软件层。

但平台化的想象空间并不自动等于软件商业化的可行性。公司通稿自己也点出了这个矛盾：购买硬件时，客户可以直接比较负载、自由度、价格、可靠性和交付周期；购买操作模型时，客户需要回答的问题更加具体——模型能否完成此前难以实现的任务，相比现有算法或自研方案能提高多少操作成功率，又能节省多少训练和部署时间。如果模型只能在少数演示任务中表现良好，客户未必愿意为它单独付费。公司通稿没有披露任何客户名单、订单或收入数据，目前灵巧手部分需求据公司通稿称来自科研机构和大型企业的研发项目，但这部分需求能否转化为对独立操作模型的持续付费，仍是未经验证的假设。

机本智能没有完全排除软硬件结合的路径。公司通稿称，团队希望保持模型的平台化方向，同时也在考虑通过自研硬件或与硬件厂商合作，加快技术验证，获得真实场景中的数据和反馈。这意味着公司实际的商业化形态可能介于纯软件平台与软硬一体解决方案之间，而最终偏向哪一侧，将直接影响它的收入结构和客户关系。

两轮融资的结构性信息缺失，让估值逻辑只能靠团队背景补足

这笔融资最显著的特征是信息的高度不对称。公司披露了累计金额近千万美元和四类投资方，但没有披露两轮融资各自的金额、轮次名称、完成时间、股权比例或估值。腾讯新闻报道称，累计金额近千万美元约合6700万元人民币元；这一折算来自该媒体，不代表公司或投资方的官方口径。对于一家成立仅两个月的公司来说，连续完成两轮融资本身传递了资本进入的急切信号，但“两轮”之间的时间间隔、估值跳升幅度和领投方各自的出资规模，都是判断这笔交易质量的关键变量，目前全部处于未披露状态。

在缺乏财务细节的情况下，投资逻辑只能从团队背景和机构关联中寻找线索。公司通稿称，CEO李浦豪出生于2001年，是清华自动化系本硕博，从2021年开始围绕灵巧手、灵巧操作开展研究；CTO陈泽源出生于2000年，北大硕士，为创业放弃博士就读机会，参与的工作包括ClutterDexGrasp和CADGrasp，还曾在Amazon FAR、智元和京东参与研究。腾讯新闻报道称，据公开信源，李浦豪此前曾任北京通用人工智能研究院灵巧操作负责人；企查查信息显示公司实控人为李浦豪，北京通用人工智能研究院间接持股5%。

通研院的角色在这笔交易中不可忽视。公司通稿称，机本智能是通研院官方支持的创业项目，也是通研院生态架构下成立的官方灵巧操作公司，聚焦灵巧操作基础模型架构，是Real2Sim2Real体系的重要组成部分。通研院院长朱松纯同时是李浦豪的博士生导师，他在公司通稿中评价：“清华自动化系的学习为他打下了扎实的数理、控制与工程基础，通研院和通班的科研环境则让他较早接触到通用人工智能的整体问题，形成了更开阔的研究视野。”这种生态绑定为早期技术验证提供了仿真、评测和真机检验的协同资源，但也意味着机本智能的独立性需要被持续观察——它究竟是一家面向开放市场的操作模型供应商，还是通研院技术体系的一个产业化出口，两者对应的估值逻辑完全不同。

硬件利润压缩的判断尚未兑现，操作模型的价值标尺同样缺失

机本智能的创业叙事建立在一个前置判断上：公司通稿称，李浦豪判断国内灵巧手硬件发展速度会非常快，未来半年内纯硬件业务的利润空间就可能大幅压缩。这个判断来自创始人，目前尚无独立第三方验证，也尚未在公开市场价格或财报数据中得到体现。如果硬件利润的压缩速度慢于预期，机本智能“软件定义硬件价值”的时间窗口就会被拉长；如果压缩速度快于预期，它又需要在硬件厂商集体转向软件之前，证明自己的操作模型比整机厂自研方案更有竞争力。

更棘手的问题在于，操作模型本身也缺乏公认的价值标尺。公司通稿称，李浦豪提到现阶段单纯用出货量、维修率或客户留存率衡量灵巧操作模型的价值还不够充分。这句话的潜台词是，公司尚未找到一套可以向客户清晰展示的量化指标。对于硬件产品，客户可以比较负载、自由度和价格；对于操作模型，客户需要看到操作成功率的提升幅度、训练部署时间的节省量，以及跨硬件迁移后的效果保持度。这些指标在本次披露中全部缺失。公司通稿没有给出任何任务级别的成功率数据、训练时间对比或迁移实验记录，这意味着“操作模型平台”目前仍是一个方向性叙事，而非一个可以被客户评估的产品。

从通研院生态到开放市场，机本智能必须跨过三道验证门槛

把机本智能放回真实的产业链约束中，它的验证路径至少包含三个层次。第一层是技术验证：强化学习模型能否在至少一个真实灵巧手平台上，完成一组可重复、可测量的精细操作任务，并给出与现有方案可比的成功率数据。第二层是迁移验证：同一个模型能否在结构、驱动方式或自由度不同的第二台灵巧手上保持有效，这是“平台化”主张成立的前提。第三层是商业验证：是否有客户愿意为操作模型单独付费，而不是把它当作硬件采购的附属品。

从已披露的信息看，机本智能目前处于第一层验证的早期阶段。公司通稿称团队正在推进模型从仿真环境向真实硬件的迁移验证，但没有披露具体硬件平台、任务集或结果。第二层和第三层验证则完全没有公开信息。公司通稿提到，灵巧手的部分需求来自科研机构和大型企业的研发项目，但设备完成采购并不意味着机器人已经能够稳定完成复杂操作；如果始终以技术验证为由推迟商业化，模型的价值同样难以得到市场检验。这个自我提醒是诚实的，但它也反过来暴露了公司当前所处的阶段：产品尚未定型，客户尚未确认，收入尚未产生。

资金用途的未披露进一步增加了判断难度。两轮累计近千万美元对于一家早期机器人软件公司来说不算小数目，但这笔钱将投向算力、真机平台、数据采集还是团队扩张，公司没有说明。在强化学习路线下，训练算力和真机迭代成本可能远高于模仿学习方案，资金消耗速度将直接影响公司能否撑到第一层验证完成。投资方中出现的“某零部件产业方实控人”值得注意，这暗示至少有一位产业资本以个人身份参与，可能带来供应链资源，但其具体身份和协同方式未披露，无法判断这是财务投资还是战略绑定。

机本智能的出现在时间点上并不讨巧。具身智能一级市场正在经历降温，机器人本体公司的估值面临重估，灵巧手作为零部件的独立供应商也在整机厂自研压力下寻找出路。在这样的环境里，一家成立两个月的公司选择从最难的物理交互层切入，用强化学习路线挑战仿真到真机的迁移难题，同时押注硬件利润压缩后软件能力成为付费入口——这是一个逻辑自洽但验证链条极长的故事。两位00后创始人的研究背景和通研院的生态支持，降低了早期技术探索的部分不确定性，但没有降低商业化验证的难度。真正的问题不是“灵巧操作是否需要更好的模型”，而是“客户是否愿意为这个模型单独付钱”。在第一个可量化的操作成功率数据出现之前，这个问题的答案只能继续悬置。

RecodeX 极客视：机本智能把灵巧手竞争从“手长什么样”拉向“手能做什么”，这个方向判断大概率是对的。但方向正确与商业成立之间，隔着一整套尚未被验证的假设：强化学习能否跨过仿真到真机的鸿沟，操作模型能否跨硬件迁移，客户能否为软件单独付费。两轮融资买到的是一张进入最难题目的入场券，而这张券的有效期，取决于团队能否在资本耐心耗尽之前，拿出第一个不属于演示视频的真实任务数据。

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。