首发｜两个月融两轮，清北00后挑战灵巧手

机器人和具身智能行业正在经历调整，不过创业的窗口并未完全关闭，走非共识技术路线的创业者仍然能获得资本青睐。

投中网独家获悉，近日，成立两个月的ManuPrax Robotics（机本智能）连续完成两轮融资，分别由Alphaist Partners、耀途资本领投，接力天使和某零部件产业方实控人跟投，金额近千万美元。

这家公司由两个年轻的研究员创立，今年9月完成注册，瞄准机器人灵巧操作赛道，致力于打造软硬一体的灵巧手解决方案。其中，算法、数据和工程化能力构成了公司灵巧手软件的主要壁垒。

CEO李浦豪出生于2001年，是清华自动化系的本硕博，从2021年开始就围绕灵巧手、灵巧操作等问题开展研究，在灵巧操作领域发表了多篇具有影响力的论文。CTO陈泽源出生于2000年，北大硕士，为了创业放弃博士就读机会。围绕灵巧操作底层交互算法领域，他参与的工作包括ClutterDexGrasp和CADGrasp，还曾在Amazon FAR、智元和京东参与研究。

两个00后认为，在灵巧操作领域，无论是学术界还是业界，最稀缺的都是让灵巧手真正具备人类级别操作能力的方法。他们选择从软件能力入局，把操作能力放在“小脑层”。按照团队的设想，上层基础模型（例如GPT-6 Astra）负责理解任务、制定计划，“小脑”则负责类似“肌肉记忆”的动作协调，将操作目标转化为连续、稳定的动作。

李浦豪和陈泽源，都有在北京通用人工智能研究院（简称为“通院”）研究的经历。机本智能，也是通院官方支持的创业项目。朱松纯是通院院长，同时也是李浦豪的博士生导师。在他看来，李浦豪本科就读于清华大学自动化系，大二时就加入通院，沿着通院、通班的培养体系逐步发展自己的研究。“清华自动化系的学习为他打下了扎实的数理、控制与工程基础，通院和通班的科研环境则让他较早接触到通用人工智能的整体问题，形成了更开阔的研究视野。这两方面的结合，使他能够深入机器人操作的具体细节，也能思考这些工作在通用智能体系中处于什么位置。”

当然，灵巧手头部公司正在建立的技术和商业壁垒，也让这个年轻公司的选择判断面临一些现实的考验。不过，他们对于这件事的看法是，“不怕难，而是怕不够难”。

造一双能干活的“手”

在机器人零部件当中，灵巧手或许是最难的一项，就连马斯克都为之困扰。

2025年，马斯克在特斯拉财报电话会上表示，灵巧手及前臂的机电工程难度甚至超过机器人身体的其他部分；到了2026年，他仍公开谈到，特斯拉正在为Optimus手部的最终硬件设计而苦恼。

人手可以完成很多复杂的操作，从握紧工具、拧开瓶盖，到拿起易碎的物品、在指尖旋转零件，人类可以根据物体的形状、重量和接触状态，随时调整手指的位置与力度。但是对于机器人来说，要做到这些，涉及精密的机械结构、传感器、实时控制和算法协同。

在李浦豪和陈泽源看来，比较灵巧手不能只看自由度。关节数量多，不等于操作能力强；能够在预设环境里完成抓取，也不代表能应对真实世界里不断变化的物体和接触状态。他们认为，硬件只是操作能力的载体。机本智能希望将竞争的重点从“手长什么样”，转向“手能做什么”。

这或许也呼应了公司英文名ManuPrax的寓意：Manu取自拉丁语manus，意为“手”；Prax取自希腊语praxis，意为“行动、实践”。“有的时候灵巧操作就是肌肉记忆的本能反应，它是一个小脑这一层的模型。”李浦豪说。

要实现这一点，关键不在于上层的任务规划和任务拆解，也不是目前VLA（视觉-语言-动作）模型所负责的部分。上层模型主要解决理解环境、理解任务、推理和规划的问题，而他们希望重点解决的是更底层的执行能力，也就是通常所说的“小脑”。

“我们希望补齐的，是灵巧手在真实物理世界中精细、协调、稳定地执行动作的能力。”陈泽源进一步解释。让机器人拿起并操作桌上的杯子，上层模型需要理解“拿起杯子”的指令，识别杯子的位置并制定动作目标。但接下来，手指应该从哪个角度接近，怎样调整指尖位置，施加多大的力度让杯子沿目标轨迹运动，以及杯子发生滑动时如何补救，都不是理解指令本身就能解决的问题。

在这套分工中，“小脑”承担的是类似“肌肉记忆”的动作协调，把上层基础模型给出的目标转化为连续、协调的动作，并根据实际接触状态不断调整。团队希望通过这两层能力的配合，让机器人既能理解任务，也能在真实物理世界中把动作执行到位。

为了实现这套能力，机本智能选择强化学习的路线。李浦豪介绍，与主要依靠人类演示让模型模仿动作不同，强化学习试图让模型通过探索、试错和反馈逐渐找到有效策略。模型尝试一种动作，根据结果获得奖励信号，再调整下一次行动。通过不断重复，它有机会积累成功经验，并逐步适应不同的物体和环境。“人类日常动作非常丰富，物体的形状、重量、材质和摆放方式又千差万别。单靠有限的人工演示，很难覆盖所有情况。如果模型能够通过交互学习，便有机会减少对人工逐一示范的依赖。”

但这条路线要实现规模化（scaling）并不容易。强化学习需要基于演示且通用的奖励信号，也需要足够高效和稳定的训练架构。同时，模型在仿真环境里学会一个动作，不代表它能在真实硬件上复现。现实中的摩擦、接触、形变和传感器误差，都可能让仿真中的成功经验失效。

据二人介绍，团队正在探索将仿真、真人演示和生成的交互轨迹结合起来，构建训练数据体系来进一步验证，动作模型随着训练规模和数据量扩大而持续提升。

灵巧手不只是硬件生意

几乎所有机器人都需要一双能干活的“手”，过去几年，灵巧手行业的竞争主要围绕机械结构、驱动方式、自由度、负载能力和成本展开。随着更多企业进入赛道，竞争也开始从单纯的硬件性能，延伸到数据积累、操作算法和软硬件协同能力。

如今的灵巧手市场上，既有机器人本体厂商自研的产品，也有独立的灵巧手供应商。前者可以将灵巧手纳入整机系统统一设计，后者则需要凭借产品性能、成本和交付能力争取不同客户。独立供应商的机会在于服务多家机器人厂商，但也面临整机厂商自研带来的竞争压力。谁能成为通用供应商，最终仍要看产品能否在性能、成本和可靠性之间建立优势。

在机本智能看来，硬件的格局可能很快进入另一个阶段。李浦豪判断，国内灵巧手硬件的发展速度会非常快，未来半年内，纯硬件业务的利润空间就可能大幅压缩，这是团队选择向物理交互层的操作模型延伸的重要背景。如果硬件逐渐成为一种标准化程度更高、利润更薄的产品，那么，决定机器人能否完成复杂任务的操作能力，就可能成为新的竞争焦点。

因此，他们把重心放在打造能够适配不同硬件的灵巧操作模型平台。这个平台向上承接多模态大模型给出的操作目标，向下适配不同的灵巧手硬件，为上层模型提供可调用的操作能力。李浦豪认为，与绑定单一灵巧手的算法相比，这样的平台有机会服务不同厂商和应用场景，降低对单一硬件销售的依赖。

但平台化的想象空间，并不意味着软件商业化会更容易。购买硬件时，客户可以直接比较负载、自由度、价格、可靠性和交付周期；购买操作模型时，客户需要回答的问题则更加具体：模型能否完成此前难以实现的任务，相比现有算法或自研方案，能提高多少操作成功率，又能节省多少训练和部署时间。如果模型只能在少数演示任务中表现良好，客户未必愿意为它单独付费。只有当模型能够在真实场景中持续改善操作效果，并且迁移到不同硬件后仍然有效，它才有机会成为机器人系统中可以独立交付和复用的能力层。

机本智能没有完全排除软硬件结合的路径。团队希望保持模型的平台化方向，同时也在考虑通过自研硬件或与硬件厂商合作，加快技术验证，获得真实场景中的数据和反馈。

李浦豪提到，现阶段，单纯用出货量、维修率或客户留存率衡量灵巧操作模型的价值，还不够充分。灵巧手的部分需求仍来自科研机构和大型企业的研发项目，设备完成采购，并不意味着机器人已经能够稳定完成复杂操作。但如果始终以技术验证为由推迟商业化，模型的价值同样难以得到市场检验。

两个00后的“野心”和通院的一盘“棋”

在已经形成竞争梯队的灵巧手赛道，机本智能凭什么仍能获得关注？小天才的技术背景固然是一方面，更重要的，大概还有两个年轻人想把这项技术带向哪里。

在李浦豪看来，灵巧手不是一个可以靠单点技术突破就做好的产品，而是一项系统工程。拆开来看，许多技术细节未必复杂，难的是把它们整合起来，让硬件、模型和操作能力形成一个真正可用的系统。他们的优势在于，团队并不是看到赛道热起来才临时入场，而是长期围绕相关问题开展研究，知道技术难点在哪里，也清楚接下来需要解决什么。

团队之间的互补性，则让这种技术积累有了进一步转化的可能。陈泽源专注于技术问题，李浦豪能够从更宏观的角度思考公司的发展和外部资源。

技术壁垒和团队背景，解释了机本智能为什么有机会做成这件事，而推动他们创业的，还有对科研价值和个人选择的理解。

陈泽源在通院开展研究，与李浦豪合作，后来又前往亚马逊科研实验室工作。在这段经历中，他逐渐意识到，自己与李浦豪在国内合作时，讨论问题、推进项目的效率并不逊色于海外的研究环境，而且拥有更大的自主权。他们可以自己决定研究什么、如何推进，而不是在既有组织中寻找适合自己的方向。

“更落地、更解决实际问题”，陈泽源谈起创业动机时说得直接。他认为，过去，研究的价值更多体现在提出问题、探索方法和验证想法。创业则给了他们进一步向前走的机会，把研究成果变成产品，让技术接受真实场景的检验。

李浦豪对科研与商业的关系，也在创业过程中发生了变化。此前，他更倾向于先做出一个实际产品，再去谈融资和商业化。产品是最直接的证明，技术能不能成立，最终要靠实际结果回答。但创业让他逐渐认识到，商业并不总是等产品成熟之后才开始。创业者也可以先提出一个想法，讲清楚要解决什么问题、为什么值得做，再争取资源把它实现。

两个年轻人的野心，远不止于做出一双更灵活的手。

陈泽源最大的野心是，看到机器人可以替代人类去干那些机械重复性的活儿。在他和李浦豪的设想中，灵巧手最终应该能够接管人类的大部分体力劳动。机器不只是按照指令重复动作，而是能够在复杂环境中完成真实任务，让人不必再把大量时间花在繁重、重复的工作上。

北京通院也为这家初创企业提供了系统性支持。在朱松纯的规划里，建立从真实世界到仿真、再回到真实世界的持续学习闭环，通院“通界”“通境”“通脑”等各个平台和生态企业，都要在这套体系结构中承担相应的环节并形成协同。

机本智能是在通院生态架构下成立的官方灵巧操作公司，聚焦灵巧操作基础模型架构，是上述Real2Sim2Real体系的重要组成部分。精细操作的“最后1厘米”，涉及摩擦、形变、滑动和接触切换，也是仿真能力走向真实世界时需要重点解决的问题。

这部分能力可以与“通脑”的任务理解和规划相衔接，与“通界”“通境”的仿真训练和评测相配合，并在与机器人本体、触觉感知等生态伙伴的协作中接受真机检验。灵巧手在真实操作中发现的问题和积累的经验，又可以反过来改进仿真与训练。未来，在重庆通院落地的“明镜”平台，也将为这套体系面向产业应用提供基础。