元流首次披露孖展，加碼人形智能。
作者/餘夢瑩
報道/投資界PEdaily
投資界獲悉，人形智能公司Current Robotics（元流）首次披露孖展——已完成種子輪、天使輪、Pre-A輪孖展，累計金額達數億元。
投資方既有BV百度風投、高瓴、綠洲資本、Monolith礪思資本、前海方舟、復星創富、鈞山資本等知名市場化機構，也集結了智元、星海圖、極殼科技等產業方。
身後創始人祝毅晨是一位95後，很早就帶隊做起VLA研究，期間發表了40餘篇頂會論文，多年沉澱的技術路線凝聚為涵蓋全身靈巧操作基模、數據採集設備及世界模型評估策略的整套基礎設施，持續將真實人類行為化為人形能力。
「人形智能始於人。」沿着Current Robotics的理念，我們正在見證機器人開始從演示台走向千家萬戶。
95後大牛
迅速完成三輪孖展
Current Robotics的歷程始於祝毅晨。
95後，前美的集團具身智能部部長，國內最早發布VLA及世界模型的研究者。他曾帶領團隊最早提出擴散模型和VLM端到端的VLA範式（TinyVLA），並拓展了CoT策略（DiffusionVLA & DexVLA，發表至ICML和CoRL），最早提出世界模型用於具身策略評估（dWorldEval，發表至ICML Spotlight）。
Physical Intelligence的π0論文有且僅引用過一箇中國團隊的研究成果，正是祝毅晨團隊完成的TinyVLA與ScaleDP工作。此後，這些研究從VLA模型、人類示教數據逐步延伸至全身機器人學習，沉澱為Current Robotics的技術基礎。
創業水到渠成。祝毅晨觀察到，過去人形機器人要麼聚焦讓機器人更會「走」的全身運控，要麼聚焦讓機器人更會「拿」的手部操作，最終呈現出「先走過去、再停下來操作」的畫面。但真實世界的任務往往不會如此簡單，哪怕一個簡單動作也面臨手與身的穩定協同。
這需要「全身靈巧操作」（Loco-Dexterous Manipulation）。Current Robotics給出的方案是系統集成，將全身移動、姿態協調和手部精細交互放進同一個策略裏訓練。由此發布的全身靈巧操作模型Curr-0，讓機器人能夠在移動過程中持續調整自身動作。目前公開的五類任務由一套共享權重的策略完成，並通過語言指令進行區分。
機器人抱着物體穿過門框並放至特定位置
有了模型，更多落地細節問題接踵而來——首先是數據，Current Robotics自研了全身外骨骼數據採集系統，將採集場景從實驗室拓展到工廠、辦公室、家庭等更真實的環境中。其次是更快的評測與迭代，探索使用世界模型評估真實機器人策略。
至今，公司專注於Loco-Dexterous Manipulation，已形成覆蓋數據採集、模型訓練、基於世界模型的評估與後訓練的全鏈路技術能力，旨在提升機器人在不同任務與環境中的移動操控和能力泛化。
這一點在具身智能普遍缺實用性、缺數據、缺泛化的當下十分稀缺。因此Current Robotics剛成立就迎來知名市場化機構的集體下注，青睞程度不言而喻。更為罕見的是產業方聯手，資金之外，更重要的意義是產業協調。
投資界獲悉，Current Robotics已加入星海圖發起的亦數智能數據生態聯盟，將共同構建從數據採集、標註到應用的完整鏈路。此外，公司亦是智元旗下的具身智能數據平台覓蜂科技的戰略合作伙伴。
給資金、給訂單、給生態，這樣的投資方式在具身智能時代尤為鮮明。畢竟，有場景才能形成數據飛輪，才能用更低的成本、更短的時間讓機器人具備在真實世界中穩定工作的能力。
打造具身智能基礎設施
從一開始，Current Robotics就聚焦在現有具身智能技術路線的空白。
譬如要點燃一盤蚊香，一個自然的想法是機器人先走到對應位置，然後停下來操作。對應的技術方案便是，將移動策略和操作策略分開訓練，最後用系統工程拼接起來。這一思路在工廠流水線可以成立，但一旦進入家庭等真實場景，移動和操作之間會產生明顯裂縫。
這並不難理解：即使機器人站在原地完成桌面任務，腰部和下肢仍然需要根據上半身動作進行調整。只採用「拼接」方法，一旦身體有所傾斜，手部施力方式被破壞，機器人就會顯得笨拙。
Current Robotics發布的全身靈巧操作基模Curr-0正是為了協調而生——通過導航移動、全身平衡和靈巧手的全耦合實現手腳協同。從撕茶包、清理桌面垃圾到抱着物體穿過門框，這些難以被簡單拆成「走」和「做」兩個階段的精細化任務，在Current Robotics的方案中有着不俗的表現。
模型之後，數據來源也需要同步更新。主流的第一人稱採集能夠覆蓋豐富的環境和行為，但無法準確還原人體運動狀態及接觸力等物理交互信息；本體遙操作採集精度更高，但受設備與成本限制更難規模化。
能否高效採集到同時反映環境、身體運動和物理交互的數據？基於此，Current Robotics自研全身數據採集設備，通過頭戴式設備、數據手套、全身外骨骼、肌電設備，記錄人在真實場景中的第一視角視覺、雙手與全身動作、全身受力，整個過程不需要先部署一台機器人。如此一來，數據採集場景直接延伸到人類真實任務當中，不僅成本和適用性都更優，也能支持人形機器人大腦所需要的真實數據。
HumanEx可穿戴系統
最後則是評測和後訓練環節。傳統真機評估依賴機器人、場地及人工重置，測試的硬件、時間和場景復現成本比較高。尤其是在接觸狀態連續變化的任務裏，失敗後的環境狀態很難精確回到上一刻，這會直接影響模型迭代效率。
基於此，Current Robotics 很早便開始探索用世界模型承接機器人策略評測。團隊先後提出 WorldEval、dWorldEval，將機器人策略放進生成的未來世界中執行，通過預測任務進程評估策略表現；隨後在 Hi-WM（Human-in-the-World-Model，發表於RSS 2026 Robot World Models Workshop） 中進一步加入人工接管，當策略出現錯誤或不確定情況時，人類可以直接介入糾正，並將新的交互軌跡繼續用於後訓練。
本周發布的 CurrentWorld-0，進一步把 Current Robotics 此前圍繞世界模型展開的策略評測與後訓練工作，推向了更完整的交互環境。團隊將其定義為 交互式世界仿真器（Interactive World Simulator），並首次把 跨本體、多視角和力-觸覺預測整合進統一框架。
機器人一旦更換本體，動作空間和控制方式也會隨之變化。不同機器人本來就很難共享同一套低層控制表示，CurrentWorld-0 卻很好地保留了這些差異，讓不同機器人平台按照各自的方式行動，再從跨平台交互中學習可以共享的環境動力學。
本體差異解決以後，新的問題又落到了「怎麼看」上。真實機器人往往同時依賴頭部、腕部和第三視角，同一次任務在不同機位裏的畫面差別很大，但背後的物體狀態、機器人姿態和任務進程不能因此各走各的。一個視角里物體已經被推走，其他視角也要同步發生變化；即使中途被遮擋，後續狀態也必須延續前面已經發生的交互。
【頭頂、腕部和第三視角疊襪子/整理抱枕等】
而當機器人真正和物體發生接觸，RGB 很快就會暴露出侷限。抓取是否穩定、末端受力如何變化、物體是否出現滑動趨勢，並不總能從畫面裏直接判斷。CurrentWorld-0 因此進一步把力覺和觸覺納入預測，讓接觸過程中視覺難以覆蓋的物理反饋也能隨着動作持續變化。
【開瓶倒酒、削黃瓜畫面均為模型生成】
從疊襪子、整理抱枕，到削黃瓜、開瓶倒酒，CurrentWorld-0 處理的也不侷限於剛體操作，柔性物體、流體以及複雜接觸都融入了生成環境。到了策略評測階段，模型還要持續響應機器人實際執行的動作：如果 policy 已經抓偏，後續狀態就不能被視頻先驗重新帶回常見的成功軌跡，原本應該暴露的失敗記錄需要被保留下來，而不應該被「糾正」。
這也是 CurrentWorld-0 能夠用於策略比較的基礎。機器人策略可以先在生成環境中運行、比較並暴露 failure mode，再將結果與真機表現進行對照。團隊公布的結果顯示，其中不同 policy 的相對錶現能夠較好對應真實機器人測試，真機執行中的主要失敗模式也能在生成環境中得到復現。
評測之後，這些失敗經驗還可以繼續被利用。當策略運行到容易出錯的位置，人類可以中途接管；即使同一個中間狀態，也能夠被保存、回滾，再從此處嘗試不同的恢復方式。由此產生的 corrective trajectories 還可以繼續用於 policy post-training，讓一次評測中暴露的問題進一步轉化為下一輪訓練數據。
到這裏，CurrentWorld-0 已經形成一條相對完整的模型測評和後訓練採集鏈路：策略先在生成環境中接受驗證，問題暴露出來後，再通過人類糾正補充新的交互經驗，並繼續進入後訓練。
【CurrentWorld-0多模態糾錯軌跡用於post-training後的結果】
由此，Current Robotics 已經逐步形成圍繞全身靈巧操作的數據、模型與評測體系：真實數據提供物理經驗，模型負責將這些經驗轉化為移動與操作能力，世界模型則繼續承擔策略驗證、失敗糾正和後訓練，推動機器人能力持續迭代。
關鍵一躍
機器人走向真實世界
「機器人什麼時候能幹活？」
如我們所見，具身智能正在褪去講故事的外衣，進入拼落地的「交答卷」階段，無論Demo多麼漂亮、表演多麼華麗，最終都要落地到真實的任務場景中，這遠遠比概念模型更復雜、更粗糙——
一方面，傳統固定的工位式操作只觸及到體力勞動的很窄一片，大多數的真實任務需要在空間之間移動。另一方面，機器人面對的是連續、複雜、不可窮盡的真實世界，背後的訓練和迭代工作量不可估量，亟需一套高效、簡潔的數據採集和處理方式。
從HumanEx，Curr-0到CurrentWorld-0，Current Robotics 正在把真實人類經驗、機器人能力學習和後續評測迭代接到一起，實現全棧閉環：前端採集真實行為，中間形成全身靈巧操作能力，策略隨後進入世界模型接受驗證，失敗附近產生的新數據再繼續迴流訓練。
更靈魂的落筆在於以終為始。
市場正在用真金白銀投票，具身智能的行業紅利只屬於能夠真正落地、創造真實產業價值的人。期間，行業競爭從造本體延伸到搶數據、搶基礎設施，誰能率先建立起數據及下一代模型進化壁壘，誰才能在新一輪迭代中佔據優勢。
對此，Current Robotics給出了極具終局化的答案——先假設數據無限大，再基於人類智能真實運作方式設計方案。於是，導航、身體平衡與手部動作可以全耦合，localization融進端到端，數據採集也能在真實工作流中得到更加豐富的細節。
《了不起的蓋茨比》書中的結尾部分廣為人知：「於是我們奮力向前，逆水行舟，不停地被浪潮推回過去。」這正是Current Robotics的名字來源——克服現有技術的侷限性，逆流而上，在人類經驗與人形機器人之間搭建橋樑。正如公司logo靈感來自列奧納多·達·芬奇的《維特魯威人》，一個視人體視為運動、比例和設計尺度的象徵。
Current Robotics公司logo
畢竟，人形智能的來源仍然是人。藉由可穿戴設備採集數據、模擬人體運動打造基模、結合人工接管評估和後訓練，Current Robotics所做的正是通過硬件、數據管線和模型閉環，持續將真實人類行為轉化為更強的人形能力。
Current Robotics的可穿戴採集系統捕捉到一種名為「附帶人類行為」的信號——即人在真實環境中執行真實任務時，自然湧現的、自由的、與任務相鄰的物理行為。這些難以仿真、無法用語言指令來描述的物理先驗，永遠無法脫離原始的人類演示，展現出人機協同過程中人類智能的獨特價值。
「無意識行為在humanoid中相當重要。它足夠擬人化，能帶來更大的情緒價值，往往會超越單純的功能性。」祝毅晨曾分享。好比機器人兩手抱物、用身體把門頂開，簡單的類人行為因生動而精彩。
這一幕也許不再遙遠。「從最真實的人類智能中長出，最後迴歸真實的生活世界」，一幅人機和諧共生的藍圖正在我們眼前徐徐鋪開。