一家不“卷数据”的具身公司，四个月融两轮

具身智能的另一种活法：不堆数据，靠“本能”。

作者丨李玉鹏

编辑丨张丽娟

近日，橡木果机器人完成天使轮融资，领投方为招商局创投和蔚来资本。在几个月前，这家公司刚拿到近亿元种子轮融资，由普华资本和钱唐材料实验室联合领投。

两轮融资间隔不过数月，但真正值得细看的不是融资节奏，而是这家公司的“非共识”技术路线。在几乎所有具身公司都在为机器人灌输海量数据、搭建越来越大的模型时，它为机器人赋予人类“先天本能”的底层机制，让机器人在与物理世界的交互中自己“长出”操作技能。

创始人姜峣判断：数据驱动在操作执行层面可能根本不是终局方案。

这个判断背后，源于他在哈佛大学研究人类操作行为，花了近十年试图解答的问题：如果机器人操作不靠海量数据堆出来，那应该靠什么？他给出的答案是“本能”。

前几天，小饭桌和姜峣聊了一个多小时，他解释了为什么操作和语言是两种不同的智能，为什么数据驱动路线在操作层面可能走不通，也提到了如何在客户工厂里挖需求，在真实交付中摸索出的产品形态等等。

拆解橡木果机器人这个样本的价值在于，它从行业共识的反方向出发也跑通了商业闭环。我们通过分析它的“非共识”路线和底层逻辑，来观察当前具身赛道里那些被宏大叙事遮蔽的真实困境，以及这条“本能驱动”路线所代表的另一种可能性。

让机器人“长出”操作本能

2017年，姜峣在哈佛大学做博士后时观察到一个现象：语言没有本能，必须得靠后天学习；但操作有，人类抓取物体的方式高度一致，不需要教导，是一种与生俱来的能力。

这个看似简单的洞察，后来成为橡木果机器人整个技术体系的原点。

彼时，正值“AI四小龙”时代，行业主流从视觉出发，触觉几乎不在讨论范围内。但姜峣选择从触觉切入，研究人类操作行为的神经机制，试图将人的操作机制复刻到机器人上。

“2018年回国跟学生讲这个概念，没人相信，觉得我在忽悠他们。”姜峣回忆。直到后来他们研究抓取力的调控，发现“本能”驱动的调控方式比传统建模和数据驱动都更有效。

这个发现还揭示了两个根本性问题。

第一是硬件差异性。姜峣举例：即便同一批次的两个夹爪，导轨松紧度的细微差别就会导致一个模型能正常工作，换到另一个上直接崩掉。

第二是物理环境的时变性。同一个瓶子，表面干燥和有水雾，摩擦系数就完全不同，与结构化、相对不变的语言语料相比，物理世界的数据是时变且非结构化的。

这两个问题指向一个结论：在操作执行层面，纯粹靠数据驱动的模型极其脆弱。

在姜峣看来，数据驱动的逻辑之所以在语言上行得通，是因为语言本身是符号系统，有相对固定的词汇和语法规则，但操作面对的是物理世界，湿度、摩擦力、材料变形等任何微小变量都可能导致完全不同的结果。

一个简单的抓取动作，可能由数万种路径组合而成，难以用有限的数据穷举。“语言和操作其实是两类完全不同的问题，用解决符号问题的思路去处理物理交互，底层逻辑就有偏差。”他指出。

姜峣的做法是不直接告诉机器人如何完成一系列动作，而是赋予它一个达成稳定接触状态的“本能期望”，让它在与物理世界的交互中自己探索、收敛。

他以登山类比，“数据驱动的方式，就好比给你一张地图和登山路线，照着走就行；我们的方法是，只告诉你目标在山顶并指出方向，至于从哪条路爬、怎么爬上去，你自己去探索。”他说，“爬得越多，就会慢慢形成肌肉记忆，进而能够找到捷径。”

这套逻辑在神经科学上也有据可依。当人抓取的物体突然要滑落时，手的响应速度远远快于大脑的意识，这意味着信号根本没传到大脑，在脊髓层面就直接形成了反射闭环。这是“本能”的神经基础。

更为关键的是，人手触觉感知频率不过10-20赫兹，远低于动辄上千赫兹的传感器，却能极其稳定、灵巧地完成各种操作。“智能不在于堆砌高性能硬件，而是在于如何处理和利用信息。”姜峣说。

这套逻辑的产物演化为橡木果机器人的两个核心模型：端侧自主决策模型（Natus），嵌在末端执行器中，无需预训练，零数据“冷启动”，即插即用；通用操作技能模型（Magis），让机器人的操作从“会做”进化到“熟练”。

在柔性产线寻找答案

2024年底公司成立前，姜峣和团队一直在清华大学研究本能驱动路线，促使他走出实验室的原因，是他意识到技术到了产品化阶段不能只在实验室里做，必须把产品卖出去，让它在真实场景里滚动迭代。“如果不用创业这种形式快速推进，我们很可能会被市场迅速淘汰。”

最终，姜峣把市场切口锚定到工业生产场景中的柔性组装环节。在他看来，传统自动化固守的是高度标准化的堡垒，柔性组装是它们做不了的新市场，这个市场由频繁换产、物料繁杂的需求催生，对机器人的通用自适应能力要求最高。“

第一个落地案例是一家全球头部化妆品ODM厂商。产线上需要抓取、旋拧和放置形状、大小、材质各异的化妆品瓶罐，包括软管、瓶状、盒状，品类极其繁杂。传统方案面对这样的换产需求几乎无能为力，而他们的零数据“冷启动”特性，仅用两个月就完成了POC验证，并实现了商业营收。

另一个值得关注的点是他们在商业化探索中摸索出的产品形态：“柔性生产单元”。

最初团队想把机器人作为一个工位直接“塞”进产线，结果发现仍需和上下游节拍、定位做联调，“本质上还是在做自动化集成，优势反而被束缚住了。”

后来他们转向做了一个完全独立的、通用的单元，集成视觉、操作工位和若干执行模块，能独立完成特定组装任务。来料后在这个单元里完成多个零件组装，直接输出成品，单元与产线解耦，换产品时不需要和整条产线联调。

这也在产线上带来明显效率提升。同类物料换产5分钟即可完成适配，差异较大的物料也能控制在40分钟以内，而传统方式上工位调试就可能要花费数天的时间。

与此同时，这个转向的关键不在技术，而在于商业模式，让这家公司从一个“项目制集成商”变成了“标准产品提供商”。

姜峣给公司定义的生态位非常清晰：不是卖铲子给淘金者的上游零部件商，而是直接面对终端客户，建立标杆应用，与头部品牌方共建生态。

初期采用租赁方式降低客户导入门槛，快速铺开获取真实生产数据，这些数据会反哺技能模型；后期通过耗材收费。

在姜峣看来，“具身的商业逻辑不能用互联网或大模型那套，得用自动驾驶的逻辑，先让车在路上跑起来，才能有数据去迭代。所以，我们的产品必须先部署到客户真实产线上跑起来。”

一个被低估的行业分歧

2026年上半年，具身智能行业出现了一个微妙的变化。

“今年上半年，VLA的技术路线开始‘失灵’了，纯VLA在复杂物理泛化上遭遇瓶颈。”姜峣提到，主要有两个标志性事件：一是涌现出大量数采公司，二是世界模型的爆火。

他进一步提到一个行业现象：部分机器人公司将产品卖给数采公司，数采公司利用机器人采集数据，随后机器人公司再回购数据，形成资金、产品与数据的内部循环。

“但即便有了更好的数据，效果提升也没达到预期，因为根本不知道数据量要大到什么程度。并且在生产制造领域，目前还没有看到数据驱动路线跑通的成功案例。”姜峣指出。

他的这个判断与当下国内具身行业的技术路线格局直接相关。

就目前来看，技术路线尚未完全收敛，大致可以归纳为具身大脑、本体、全栈、触觉/传感器以及数据基础设施等多个流派，它们各有侧重，也有交叉。

具身大脑派是目前最活跃的技术方向之一，这类公司不直接生产机器人本体，而是专注为各类机器人提供通用的“高阶认知”；本体派从“机器人身体”出发，侧重机器人本体、运动控制算法、关节电机等硬件技术，这类公司认为强大智能系统的落地部署离不开稳定、可靠、可控的机器人本体。

全栈派则同时布局“大脑+小脑+本体”的全链条技术，实现硬件本体、运动控制算法、具身智能大模型的一体化协同；触觉/传感器派聚焦具身智能的物理感知层，特别是触觉传感器，被认为是机器人从“能看能说”进化到“能精细操作”的关键感知通道。

橡木果机器人的“本能驱动”与上述所有方向都存在根本性差异，它并不是“大脑”的延伸，而是“本体”的重新定义。

实际上，目前行业也意识到仅靠堆数据和搞大模型包打天下在操作层面碰壁了，发现接触和手感很重要。不过，从“认识到”到“能做到”，中间还隔着很远。

姜峣提到，大部分人还是想用数据的方法解决问题，“比如在数据里加入触觉信息，但触觉是信息模态极其丰富、持续变化的数据，如果把它简单粗暴地塞进VLA模型去训练，会让本就脆弱的模型雪上加霜。”

“我们从来不是否定数据，而是彻底改变了数据的获取和使用方式。”姜峣强调。

他的逻辑是：先用本能让机器人完成冷启动跑起来，在真实交互中产生海量带有精准触觉语义的数据，再用这些数据训练上层技能模型。先有能力实践，实践中产生有效数据，数据再强化能力，这是他设想的进化飞轮。

其实，这个逻辑也解释了为什么姜峣这么重视商业落地，“为了获取最真实的数据，我们必须把成千上万台设备部署到真实产线上，这一步是绕不过去。”

采访接近尾声，姜峣谈及对行业节奏的判断，“很多公司以为完成一个动作就能落地，但工业制造追求的是极致的节拍、可靠性和成本。如果机器人不能帮产线节省一个员工的开支，客户一分钱也不会多花。”

这句话点出了具身智能在工业场景落地的一个根本现实，技术Demo和产线交付之间，隔着对节拍、良率、投资回报率的逐项核算。客户不关心用的是什么模型，只关心能否让一个工位产出更高的价值。从这个意义上看，任何技术路线的有效性，最终都要被压缩成一道简单的算术题。

而在当前这个技术路线尚未收敛的阶段，坚持“非共识”本身其实也是一种战略选择，因为技术路线的分歧，最后还要靠市场、用真实产线来检验。