AI智件获悉，具身智能基础设施公司枢途科技近日完成数千万元天使++轮融资。本轮融资由麟阁创投、深圳高新投及某头部手机与智驾产业投资方共同参与，资金将主要用于技术研发、产品迭代、人才引进与产业协同。
枢途科技认为，具身智能正从 Demo 走向产品，而有限规模的真机部署难以提供足够的数据，成为机器人规模化落地面临的共同瓶颈。真实岗位中的人类行为包含任务流程、操作策略和异常处理等专业经验，是帮助机器人跨越这一“数据鸿沟”的关键来源。
围绕这一判断，枢途通过物理信息解析、行为表征和人机动作映射，将专业人类行为转化为机器人可学习的物理经验，并结合真机数据完成训练与验证。
该路径已获得多家头部具身智能企业、互联网大厂及传统机器人本体企业的客户验证。据公司披露，国内估值超过百亿元人民币的具身智能企业中，已有60%以上成为枢途客户。
从 Demo 到产品，具身智能需要跨越“数据鸿沟”
过去两年，具身智能行业用大量 Demo 证明了机器人可以完成越来越复杂的任务。但一次演示成功，并不意味着机器人已经能够成为稳定的产品。
Demo 通常是在相对明确的条件下证明能力已经出现，产品则需要在真实环境中反复应对物体、工具、流程、光照、节拍和人员协作等变化，还要在任务中断或执行失败后及时恢复。
机器人从 90% 的成功率走向 99%，再向更高可靠性逼近，依靠的不是单次算法突破，而是持续发现问题、补充经验、训练模型并验证结果。越接近生产要求，企业越需要回答：系统为什么失败，缺少什么经验，什么数据能够解决当前问题，以及训练后的提升能否在现场被真实验证。这些不断出现的长尾问题，共同构成了从 Demo 到产品的数据鸿沟。
真机数据是机器人完成本体适配、暴露失败问题和验证实际效果的重要基础，但现阶段能够稳定部署的机器人数量有限，不同岗位、任务和本体之间的差异又十分显著。仅靠真机运行产生的数据，很难同时满足经验规模、任务多样性与专业操作策略的需求。
在人类已经长期工作的真实岗位上，大量与任务相关的经验每天都在持续产生。熟练操作者如何安排动作顺序、使用工具、判断物体状态、调整力度、处理异常并确认任务完成，都包含机器人走向产品所需要的物理经验。因此，人类行为不是机器人数据的替代，而是帮助具身智能扩大经验来源、跨越数据鸿沟的关键。
从 Human Action 到 Robot Action，枢途构建可学习的物理经验
围绕人类行为这一关键经验来源，枢途科技的核心思路不是简单收集更多视频，而是把真实岗位中的专业行为转化为机器人模型能够理解、学习和验证的物理经验。
一段真实作业记录不仅包含动作轨迹，还包含三维空间关系、人体与手部运动、物体状态、接触与交互、动作前后的因果关系、任务流程和完成标准。如果这些信息停留在未经解析的视频层面，数据规模增加并不会自动带来机器人能力的同比例提升。
枢途认为，具身智能的Scaling 既需要Data Scaling，也需要Data Representation Scaling，关键在于让数据中的物理经验被准确表达。
枢途围绕真实岗位建立了从行为记录到物理信息解析、行为表征和人机动作映射的技术机制。系统首先获取第一视角、第三视角、全身运动以及触觉与力信息等不同形态的数据，再识别其中的空间关系、人体运动、物体状态、交互关系、因果关系与任务标准，形成结构化的物理经验。随后，这些经验被映射到不同机器人本体，并结合真机数据完成校准、训练、评估和现场验证。
这一路径可以概括为“Human Action → Learnable Physical Experience → Robot Action”。人类行为扩大机器人能够学习的任务、场景和策略边界，机器人数据则用于具体本体的适配和真实效果验证，二者共同形成从经验获取到能力提升的闭环。
枢途选择不绑定单一数据来源、不押注单一模型，也不与机器人本体企业竞争，而是以中立的平台定位，连接行为数据、模型训练和机器人执行。公司希望帮助客户缩短从发现问题、补充经验，到训练改进和验证结果的迭代周期，让机器人能力更快从“可以展示”走向“可以使用”。
这条路径并非凭空而来：从 Covariant 走过的旅程到枢途
枢途选择从人类行为中扩展机器人学习的数据边界，并不是从概念推演得出的结论，而是建立在团队亲历机器人从算法走向真实生产的经验之上。
在传统机器人高度依赖人工建模、任务规则与显式编程的时代，UC Berkeley 教授、Berkeley Robot Learning Lab主任、BAIR（Berkeley Artificial Intelligence Research）联合主任 Pieter Abbeel，是较早系统推动机器人从人类示范、自主试错和数据中学习的学者之一。
2017 年，Pieter Abbeel 参与联合创立Covariant AI，将 learning-based robotics 这条技术路线进一步带入工业机器人场景。2019 年，Covariant 成为 ABB 全球评测中唯一完成全部 26 项拣选、包装和分拣测试的公司；此后，系统进入真实仓储环境长期运行，面对不断变化的商品、硬件、流程、异常状态与交付要求。
在真实部署中，失败案例持续回流，推动数据、算法、评估和工程系统不断迭代，机器人能力才真正从“能演示”走向“可交付”。这段经历让团队认识到，机器人产品化离不开真实问题驱动的数据闭环，但有限的机器人部署又会限制数据的规模与场景范围。要将能力扩展到更多真实岗位，还需要从人类已经掌握的专业行为中获取经验。
枢途科技创始人慕巍博士曾任 Covariant AI 研发副总裁及中国区软件负责人，枢途核心工程团队中的多数成员也曾供职于 Covariant AI 中国团队。因此，Covariant 对枢途的意义并不只是履历背书。团队真正继承下来的，是一套从失败中发现数据需求、让数据回到训练、再让模型接受真实验证的方法，以及对真机数据边界的切身认识。
客户验证与下一步：让人类经验持续转化为机器人能力
据公司披露，枢途已服务多家国内头部具身智能企业，并为互联网大厂与传统机器人本体企业提供服务。在公司现有统计范围内，国内估值超过百亿元人民币的具身智能企业中，已有60%以上成为枢途客户。
客户的持续采购与商业化交付，验证了行业对人类行为数据、物理信息解析和完整训练迭代机制的实际需求。
本轮投资方覆盖市场化投资机构、地方硬科技资本和产业资本，也反映出产业对具身智能数据与学习基础设施的持续关注。随着行业竞争从展示能力转向产品能力，如何更高效地获得真实经验、理解数据并验证模型提升效果，将成为企业走向规模化落地的重要基础。
完成本轮融资后，枢途将继续扩充产品与研发团队，推进专业人类行为数字化、物理信息解析、人机动作映射与机器人训练相关技术的研发和应用，并与模型、本体及核心部件领域的合作伙伴深化协同。公司也将持续推动现有技术机制进入更多真实任务，让专业现场中的人类经验更高效地转化为机器人可以学习、执行和验证的能力。
从 Demo 到产品，具身智能需要跨越的并不只是算法门槛，更是经验规模与持续迭代的门槛。枢途科技希望以人类行为为起点，连接数据、模型与机器人执行，为具身智能走向稳定产品提供关键基础设施。
文章来自于"AI智件"，作者 "贾珈"。