诺因完成5亿元天使++轮融资，经纬创投领投

深圳诺因智能有限公司（以下简称“诺因”）成立于2025年，将目标设定为持续构建全球领先的强泛化具身大模型。围绕这一目标，公司构建了GLOW生成式具身大模型架构，并同步研发消费级机器人本体，让模型通过机器人进入物理世界，在真实行动与反馈中持续学习。投资界8月10日消息，近日，消费级具身智能大模型公司诺因智能宣布完成单笔5亿元人民币天使++轮融资。本轮融资由经纬创投领投，红点创投、商汤国香资本、华登科技、L2F 光源创业者基金跟投，光源资本担任独家财务顾问。

GLOW：重构具身智能泛化的技术底座

泛化不是一个单点模型指标，而是一项贯穿数据、世界理解、任务规划、动作执行和真实反馈的系统能力。

真实世界无法穷举，高质量机器人操作数据又极度稀缺。单纯依赖真机采集，不仅成本高、速度慢，也很难覆盖不断出现的新环境、新物品和新任务。诺因由此构建GLOW生成式具身大模型系统，试图从底层重构具身智能泛化能力的形成机制。

KnowinDream首先解决数据规模与覆盖问题。它从有限的真实交互出发，生成具有三维结构和物理一致性的第一人称具身数据，系统扩展不同空间、光照、材质、遮挡、物品布局和任务组合。其价值不只是生成更多数据，而是将少量真实经验扩展成更广泛的训练分布，让模型能够系统学习真实世界中难以穷举的长尾变化。

KnowinWorld进一步解决机器人如何理解世界、预测行动后果的问题。它聚焦空间结构、物体状态、动作影响和任务演化，判断一个动作将如何改变当前环境，以及任务接下来可能走向哪里。与无边界地复刻整个开放世界相比，GLOW把模型能力集中到真正影响任务成败的信息上，让机器人不仅“看见世界”，更能理解如何作用于世界。

在此基础上，KnowinBrain与KnowinAgent负责任务理解、分步规划、过程管理和失败恢复，KnowinAct则将模型生成的策略转化为机器人可以执行的动作。面对没有完整训练过的新任务，系统能够调用并组合已有能力；执行结果偏离预期时，也可以根据新的环境状态调整计划，而不是依赖预先写好的固定流程。

更关键的是，GLOW并非一条从模型到动作的单向链路。机器人进入真实环境后，任务中的成功、偏差和失败会持续回流，重新进入数据生成、筛选、配比和模型训练系统。生成世界、理解世界、作用于世界和真实反馈由此形成闭环，机器人每完成一次真实任务，都在为模型下一次面对陌生环境和任务积累新的训练资产。

因此，GLOW的核心壁垒不在于单一模块的局部性能，也不只是扩大合成数据规模，而在于将数据生成、世界预测、认知规划、动作执行与真实反馈连接为一个可持续迭代的系统。

通过这套技术底座，诺因希望推动具身智能完成一次关键跨越：从“复现训练过的动作”，走向“解决没有完整见过的任务”；从在特定场景中偶尔做对，走向跨环境、跨物品、跨任务地持续把事情做完。

让GLOW拥有身体：在真实世界验证泛化能力

让具身大模型获得真实世界中的泛化能力，不能只停留在模型训练阶段，还需要模型、感知、计算、控制和机器人本体协同推进。围绕这一目标，诺因在不到一年内组建了一支超过200人的团队。团队成员中，90%来自常春藤盟校、清华大学、北京大学、香港及新加坡头部高校和C9高校，多位核心成员曾入选华为“天才少年”计划。团队能力覆盖具身大模型、多模态大模型、视觉感知、空间智能和电机电磁设计等方向，为模型进入真实世界提供全技术栈支撑。

在2026世界人工智能大会上，诺因首款消费级家庭具身机器人KNOWIN-X1首次公开亮相。产品采用全折叠双臂构型，折叠后高度可控制在40厘米以内，可以适配桌面、地面、沙发和洗衣机等家庭空间。

在这一体系中，GLOW是智能核心，KNOWIN-X1是GLOW进入真实世界的首个消费级原生载体。模型驱动机器人感知、规划和行动，机器人产生的真实反馈又回到数据与训练系统，形成软硬件协同迭代的闭环。

对诺因而言，持续构建强泛化具身大模型，最终不是为了追求单一技术指标，而是让机器人能够在真实家庭中解决持续变化的具体问题。

“消费级”也不是技术成熟后附加的商业化标签，而是从第一天起就贯穿模型、机器人和产品设计的基本前提。模型决定能力上限，硬件保障稳定执行，产品定义和供应链则决定这些能力能否以安全、可靠且可负担的方式进入家庭。

诺因智能创始人兼CEO李银川认为，家庭机器人最终比拼的不是一次漂亮的演示，而是能否以消费者可以接受的成本，在真实家庭中长期、稳定地创造价值。

本轮融资后，诺因将继续投入GLOW生成式具身大模型、家庭任务泛化以及数据与计算基础设施建设，并推进KNOWIN-X1的产品迭代、工程验证和量产准备。

从GLOW到KNOWIN-X1，诺因正在以具身大模型为智能核心、机器人为原生载体，通过软硬件一体化，让模型在真实世界中持续感知、行动和学习，并将泛化能力转化为普通家庭能够长期使用的产品价值。