預計2025年將累計交付上百臺機器人。
文｜黃楠
編輯｜袁斯來
來源｜硬氪（ID：south_36kr）
封面來源｜IC photo
硬氪獲悉，杭州影身智慧技術有限公司（以下簡稱“影身智慧”）近日連續完成數千萬元種子輪、種子+輪融資。種子輪由卓源亞洲投資；種子+輪由卓源亞洲、杭州西湖科創投聯合投資。融資資金將用於機器人右腦的開發訓練、商業化落地與團隊建設。
“影身智慧”成立於2024年，專注具身智慧技術研發與應用，基於其自主研發的空間大模型和工業場景機器人，為企業提供低成本、高可靠、模組化的軟硬體協同方案，以從輕工業柔性工序逐漸切入，落地服務業及多種C端場景。
創始人兼CEO閔偉曾任前阿里巴巴機器人團隊技術負責人，從0到1搭建了阿里本地生活配送機器人，並在樓宇、醫院、酒店等場景落地運營。多位核心團隊成員均來自清華大學，在人工智慧和機器人領域有多年的技術研發及產品應用經驗。
當前具身智慧的進階和泛化對其技術落地意義重大。具身智慧的進階，指智慧體在複雜物理環境中需展現出更高階的行為，從簡單的動作執行到複雜任務的協同處理，具備更強的環境感知、決策規劃和執行能力。例如在工業生產場景中，機器人不僅要精準地完成重複性的組裝任務，還要根據零部件的細微差異或生產流程的臨時調整，迅速做出適應性改變。泛化則是指機器人可將特定場景學到的技能應用到新場景，像家庭清潔機器人在不同環境都能高效工作。
但受各種物理規律、多樣的物體屬性以及複雜的環境動態變化影響，想要令機器人在複雜環境中有可靠表現，需要對物理世界有深入、全面且精準的理解。物理世界大模型在當中起到關鍵作用。
透過整合海量多模態資料，特別是視覺資訊，模型可在深度挖掘和學習的過程中，捕捉真實環境下的內在規律和複雜特徵，以模擬其運動、相互作用以及環境的變化，幫助機器人學習物理世界規律，在新環境快速推理決策和預測動作結果，並選擇最優方案。
其中，由“影身智慧”自主研發的時空智慧大模型，透過Real to Real構建四維真實世界大模型，透過大規模無標籤資料預訓練，具備了對物理世界理解和對映的基礎能力。
語言作為一種高度濃縮的資訊表達方式，在機器人領域，儘管語言模型可由大規模文字資料獲得語義理解能力，但物理動作的時空連續性與語言符號的高度濃縮和離散性存在根本矛盾。
閔偉指出，人類可透過視覺感知、物理常識等右腦機制補充資訊，而VLA模型僅能依賴有限的視覺-語言對齊特徵進行推斷，容易產生動作偏差，最終導致生成的指令與現實世界的實際情況存在偏差，影響模型輸出的準確性和可靠性。
“這也就意味著，在具身智慧時代，讓機器人繼續使用人類的語言，它可能會受到表達方式的限制。當我們的具身智慧大模型足夠聰明時，是否可能出現一種新的語言使其不受人類自然語言的限制？”閔偉說。
基於上述思考，“影身智慧”在時空智慧大模型中，直接對影片資料建模，將影片語言化，直接從影片資料中提取最真實的資訊來理解真實的物理世界，最大限度地減少人為干預。這種方法不僅能提高模型的精確性和效率，也有助於減少自然語言抽象帶來的資訊損耗。
在資料端，“影身智慧”利用國內海量影片資料，可將資料訓練成本被控制在極低水平。據閔偉介紹，“影身智慧”在多種工作場景中合理佈置有多個攝像頭，比如工人的上方和前方安裝交叉視角等，可從不同角度捕捉工人工作畫面，並充分利用這些影片資料進行機器人的三維空間建模、動作捕捉和動作生成模型訓練。
這種訓練方式的一大優勢在於，無需購置額外複雜裝置，極大地簡化了訓練流程，同時避免對工廠正常生產秩序的干擾，實現了生產與訓練的並行不悖。
期間，時空智慧大模型會生成兩部分資料：一部分是透過動捕技術捕捉工人關節的位置和姿態，將其對映到機器人的關節；第二部分是模擬工人視角的影片資料，生成與傳統搖操作類似的訓練資料。這些資料最終用於訓練端上的小模型，再將其部署到統一的硬體本體上，進而應用到具體場景的作業機器人中。
目前“影身智慧”已釋出了“影身”系列工業機器人，能在不同工況下持續穩定操作，並且具有泛化性。
閔偉告訴硬氪，得益於其在阿里本地生活的工作經驗，“影身智慧”正同多個行業客戶進行合作需求溝通，已拿下千萬級的產業訂單，將首先聚焦服務於工廠等場景，持續拓展至快遞、酒店等行業，預計2025年將累計交付上百臺機器人。
此外，今年“影身智慧”將著力開發機器人大腦，提升機器人理解外部世界並執行任務的能力，以加快實現將L4級別具身智慧普及到日常生產和生活中。
投資方觀點：
卓源亞洲創始合夥人及董事長林海卓表示，影身智慧團隊是一支源自阿里和清華的產學研結合的團隊，既能仰望星空，從底層技術入手，讓機器人透過影片語言化去理解物理世界，又能腳踏實地，穩步推進機器人在工業場景的落地應用，我們堅定看好影身智慧開闢技術領域新賽道，推動具身智慧技術的普惠化落地。
點選關鍵詞，檢視最近的早起看早期：