人形机器人正在进入一个新的竞争阶段。
AI科技评论获悉，人形智能公司 Current Robotics（元流）首次对外披露融资进展：公司已先后完成种子轮、天使轮、Pre-A轮融资，累计融资数亿元人民币。
公司投资方包括 BV百度风投、高瓴创投、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本等财务投资机构，以及智元机器人、星海图、极壳科技等产业方。融资资金将主要用于推进人类全身数据规模化采集，并重点投入全身灵巧操作基模、交互式世界模型等核心技术研发。
过去两年，人形机器人的身体变得越来越复杂。双足、腰部、双臂，再叠加20自由度以上的灵巧手，整机自由度一路向上。硬件能力被推高之后，一批更底层的问题也随之浮出水面：这么高维的身体靠什么数据训练，模型如何协调移动与操作，训练完成的策略又该如何高效验证。
Current Robotics 瞄准的正是这条链路。
目前，公司已经形成 HumanEx、Curr-0和CurrentWorld-0 三条主要技术线，覆盖人类全身数据、全身灵巧操作基模以及基于世界模型的策略评测与后训练。Current Robotics创始人兼CEO祝毅晨，是前美的集团具身智能部部长，毕业于多伦多大学，是国内最早布局VLA与机器人世界模型的研究者。发表40余篇顶会论文，学术引用超5200次。曾提出全球首个VLM加扩散模型的VLA范式，率先将VLA拓展至CoT。25年提出机器人世界模型WorldEval，其论文入选ICML/CoRL/CVPR等。Physical Intelligence的π0论文中唯一引用的中国团队研究成果，即祝毅晨团队的TinyVLA与ScaleDP。
01
Curr-0：押注全身灵巧操作
过去的机器人系统里，移动与操作经常被拆成两套能力。
过去的机器人系统里，移动与操作往往分开训练：机器人先走到目标位置，再停下来完成手部任务。但进入家庭、办公室等真实场景后，很多动作很难被切成清晰的两个阶段。抱物穿门、伸手够远处物体，都需要双臂、躯干和下肢持续配合。
Current Robotics因此将技术重点放在 Loco-Dexterous Manipulation（全身灵巧操作） 上，希望让移动、全身协调和精细操作在同一个任务过程中持续配合。
这条路线进一步落到 Curr-0 上。
Current Robotics发布的全身灵巧操作基模 Curr-0 运行于70+自由度人形机器人平台，并将20自由度以上的灵巧手纳入统一策略，通过真实世界数据进行端到端训练。目前公开的五类任务（撕茶包、盖章、点线香、清理桌面垃圾，到抱物穿门并完成放置）由一套共享权重策略完成，并通过语言指令进行区分。
02
70+自由度，数据从哪来？
机器人数据过去很大一部分围绕机械臂和末端执行器采集。遥操作、夹爪轨迹以及第一人称视觉数据已经形成相对成熟的技术路线，但人形机器人的训练对象是一整副身体。
双手怎么动只是其中一部分。躯干如何配合、下肢怎样调整、身体在哪里受力、人与物体发生了怎样的接触，这些信息都与全身动作直接相关。
第一人称采集能够覆盖丰富环境和行为，却很难准确还原人体运动状态及接触力等物理交互信息；本体遥操作精度较高，产能又受设备数量、成本和部署条件限制。仿真可以大规模生成动作数据，真实世界的视觉、人类动作以及复杂物理交互仍很难被完整复现。
Current Robotics给出的解法是 HumanEx人类数据采集系统。
这套系统通过头戴式设备、数据手套、全身外骨骼、肌电设备，记录人在真实环境中的第一视角视觉、双手与全身动作以及全身受力。数据采集无需预先在现场部署机器人，工厂、办公室、家庭等真实任务环境都可以直接成为采集场景。
HumanEx 可穿戴系统
目前，公司已积累 21,000小时人类行为数据，其中包括2,800小时全身数据。
这套数据路线背后的判断并不复杂。
人形机器人的身体越来越接近人，而人类每天都在现实环境里进行移动、抓取、搬运、工具操作和大量连续交互。对于高自由度机器人来说，这些行为里包含的不只是动作轨迹，还包括身体协调、空间关系以及与环境发生物理作用时形成的经验。
数据可以不断增加，Curr-0也可以持续训练，此时另一个问题亟待解决：
数据越多、模型更新越快，怎么知道机器人究竟有没有变强？
03
CurrentWorld-0：
给机器人一个可以反复试错的世界
真机始终是机器人最重要的验证环境。
但问题也恰恰出在“真机”两个字上。
一台机器人一天能跑多少小时、同时能测试多少个任务，都受到硬件数量和场地限制；任务失败以后，还要有人重新摆放物体、复位机器人。到了衣物、液体或者复杂接触任务，这件事更加麻烦——衣物会发生形变，液体会流动，抓取和工具操作里还伴随着大量接触变化。上一轮失败留下来的状态，下一次几乎很难原样恢复。
当 policy、checkpoint 和任务数量一起增加，训练可以继续，但评测却很容易卡在真机这一端。
这也是Current Robotics 团队很早开始研究机器人世界模型用于承接一部分策略评测的原因。
团队先后提出 WorldEval、dWorldEval，让机器人策略进入模型生成的环境中执行，再通过任务进程判断策略表现；在 Hi-WM（Human-in-the-World-Model，发表于RSS 2026 Robot World Models Workshop）工作中加入人工接管，策略进入错误或不确定状态以后，人可以直接介入，并把纠正过程中产生的新轨迹继续用于后训练。
本周发布的 CurrentWorld-0，进一步把这套能力扩展到一个可以持续交互的生成环境。团队将其定义为 交互式世界仿真器（Interactive World Simulator），也是全球首个在统一框架中整合 跨本体（Cross-Embodiment）、多视角（Multi-View）和力-触觉（Force-Tactile）预测的世界模型。
世界模型真正评测机器人，首先要解决一个很基础的问题：机器人已经做出的动作，不能被生成模型“改写”。
视频模型本身有很强的视觉和运动先验。Policy 已经抓偏，后面的画面仍有可能顺着更常见的成功轨迹继续生成，甚至让物体跟着夹爪“自动”移动。视频看起来很顺，策略真正的错误却被遮掉了。
此前dWorldEval 工作中团队已经把这个问题提了出来。到了 CurrentWorld-0，模型会跟着机器人实际执行的动作继续往后推演。抓取位置错了，后续状态也会沿着这次错误发展，失败不会在生成过程中被自动抹掉。
有了这一前提，Cross-Embodiment 才真正有意义。
不同机器人的本体差异使得其有各自的动作空间，而 CurrentWorld-0 没有试图把这些差异抹平，而是保留各自的 Action Subspace，再从跨平台交互中学习可以共享的环境动力学。机器人的控制方式可以不同，动作落到环境以后产生的状态变化，却有一部分规律可以共同学习。
机器人本体在变，观察任务的视角也在变。
真实执行中，机器人往往同时依赖头部、腕部和第三视角。几个机位看到的是不同画面，背后发生的却是同一段交互。一个视角里的物体已经被移动，其他视角也要同步更新；中途被遮挡，再出现时，状态还要接得上前面已经发生的动作。
到了开瓶、削黄瓜这类接触更复杂的任务，单靠 RGB 又会漏掉一部分信息。物体有没有夹稳、末端受力怎样变化、局部接触是否出现滑动，都可能直接影响下一步操作。
CurrentWorld-0 因此进一步将视觉、力觉和触觉联合建模，让画面之外的物理反馈也随着机器人动作继续变化。
【开瓶倒酒、削黄瓜画面均为模型生成】
开瓶倒酒涉及流体状态的连续变化，削黄瓜则伴随着持续接触和受力。放到策略评测里，这些变化都必须跟着机器人真实执行的动作继续向后发展。Policy 做对了，任务可以成功；动作已经出现偏差，后面的世界也要把这次偏差保留下来。
这样，不同 policy 才有真正比较的意义。团队公布的结果显示，不同 policy 在生成环境中的相对表现能够较好对应真机测试，真实执行里出现的主要 failure mode 也能在其中复现。
这些失败还可以继续被利用。
当 policy 运行到容易出错的位置，人可以直接接管；这个中间状态还能够被保存、回滚，再从同一个位置尝试不同的恢复动作。围绕一次 failure，可以继续获得多条 corrective trajectories，并用于 policy post-training。
【CurrentWorld-0 中人类操作员介入训练】
这样，评测留下来的就不再只有一个成功率或者失败结果。哪里容易出问题，人可以直接从哪里介入，新的纠正轨迹再继续回到后训练里。真机依旧负责最后的验证，CurrentWorld-0 则把其中反复测试、纠错和再训练的过程接得更紧。
04
为什么智元、星海图也投了？
产业方的加入，也让 Current Robotics 的技术路线有了更直接的落点。公司已加入星海图发起的亦数智能数据生态联盟，同时也是智元旗下具身智能数据平台觅蜂科技的战略合作伙伴。
机器人学习离不开本体和真实场景。新的平台会带来新的动作空间，新的任务也会不断产生数据和 failure case，模型更新之后还要重新回到机器人上验证。产业协同因此直接影响数据覆盖、训练效率和评测节奏。
Current Robotics 目前的几条技术线，也都围绕这一过程展开：HumanEx 扩展真实人类行为数据，Curr-0 处理高自由度人形机器人的移动与灵巧操作，CurrentWorld-0 则进一步承接策略评测、纠错和后训练。
最终指向的还是同一个问题：怎样把真实世界里的经验，更高效地转化为机器人的能力。
这也对应 Current Robotics 一直强调的“人形智能始于人”。当机器人越来越接近人的身体形态，人类长期积累的移动、操作和物理交互经验，也就有了更直接的迁移价值。
文章来自于"AI科技评论"，作者 "李希"。