具身智能大讲堂获悉，近日成立仅半年、团队规模不足30人的初创企业 LiberAI（北京将闲科技有限公司），宣布完成 Pre-A 轮融资，由顺为资本领投，凯辉基金、元禾原点、慕华科创跟投，红杉中国与真格基金持续加注。
至此，公司半年内完成四轮融资，累计融资规模数亿元人民币，是现阶段国内具身智能赛道融资节奏较快的项目之一。资本密集进场，并非单纯押注通用人工智能远景，而是看好其已经落地验证、可持续迭代的物理世界建模工程路线。
PART 01
为什么资本不再单一追逐算力，同步加码 “因果建模”？
过去三年，大模型行业长期陷入算力与数据的军备竞赛，随着 L0 级语言模型性能提升进入平缓区间，市场开始寻找新的增长支点。LiberAI布局的物理世界模型，恰好踩中行业转型方向：它不追求完整复刻人类全部认知能力，重点针对力、接触、运动三者构建因果关系建模。
创始人刘松铭对此表示：“传统机器人模型大多依靠视觉观测判断物体位置，难以理解动作背后的力学逻辑；真正适配物理场景的智能，需要厘清外力、接触状态与物体运动结果之间的因果关联。”这套思路区分了纯视觉、纯语言驱动的轻量化方案，形成差异化技术路径。市场愿意认可该路线，核心在于方案具备落地工程化潜力。LiberAI采用 “人类 UMI 采集数据 + 物理世界模型” 架构，通过轻量化设备采集第一视角操作画面与力觉信息，大幅降低数据采集门槛，再引入牛顿力学等物理规则作为模型约束，训练收敛效率优于传统纯端到端训练方案。该路线已有实测支撑：RDT-1B 模型在双臂调酒标准化任务中动作完成稳定、力反馈连续，已在第三方商用机器人平台完成测试。红杉中国多轮持续投资，尽调阶段重点考察模型在 Franka、Unitree H1 等多款机器人硬件上的适配泛化能力与异常状态恢复效果。资本关注点转向实际设备适配表现，也意味着具身智能行业投资从纯概念炒作，逐步进入小规模产品落地验证阶段。
PART 02
后博士团队凭什么收获资本持续加注？
外界普遍关注创始人刘松铭 “00 后清华特奖博士” 的标签，但企业核心壁垒来自搭配均衡、互补性强的完整团队。
刘松铭师从朱军教授，主攻物理建模与扩散模型，以第一作者在 ICML、NeurIPS发表多篇领域论文；其主导研发的 RDT-1B 模型发布时间与硅谷 Physical Intelligence 的 π0 模型相近，是同期全球少数聚焦机器人物理交互的开源模型。
联合创始人林凡淇师从高阳教授，深耕具身强化学习，曾在CoRL X-Embodiment Workshop斩获最佳论文，擅长将理论算法转化为稳定可控的机器人实操动作，二人形成 “物理建模 + 运动控制” 的学术能力闭环。
在学术团队基础上，公司快速吸纳优必选、大疆、特斯拉Optimus项目前资深工程人员补齐硬件落地能力。2026 年 3 月，一位拥有工业机器人力控完整开发经验的资深技术负责人加入团队，牵头灵巧手驱动系统迭代，将气动结构优化为腱传结构，剥香蕉标准化实验成功率由 62% 提升至 75% 左右，大幅改善柔顺操作稳定性。
“学术科研人员 + 成熟产业工程师” 的组合，有效缓解高校创业团队普遍存在的算法难以硬件落地的痛点。不少投资人评价：团队核心目标不是发表学术论文，而是打造适配各类机器人硬件的底层物理交互操作系统。顺为资本自天使轮持续跟进投资，核心依据是团队在 4 个月内完成模型发布、硬件集成、场景实测的完整流程，落地执行效率突出。尽管团队整体平均年龄偏低、产业长期运营经验仍有积累空间，但在当前技术变革节点，快速落地的执行能力成为资本核心考量标准。
PART 03
机器人能否从实验室落地餐饮后厨等真实场景？
长久以来，具身智能技术饱受 “仅能完成实验室演示、无法商用” 的质疑，LiberAI 选择绑定线下实体产业真实需求推进落地，美团龙珠参与投资也基于餐饮自动化赛道的长期布局。餐饮行业普遍存在人力成本偏高问题，线下后厨传菜、食材分拣、简单预制菜加工环节，人力支出占门店运营成本比重较高；外卖末端配送也存在大量重复性人力工作，行业长期存在自动化升级需求。目前 LiberAI已与美团开启后厨协作机器人联合测试，规划 2026 年底完成标准化备料、分装流程优化，目标单台机器人每日稳定完成数十盘菜品处理，作为人力补充缓解用工缺口，并非完全替代人工。顺为资本背后小米体系，则看重该技术在消费级家用机器人领域的应用前景。当前扫地机器人仅实现基础移动避障，缺少环境交互能力，无法自主处理拖把头卡顿、更换尘袋、避让突发障碍物等复杂场景。LiberAI 研发的物理世界模型，可以实时解析机器人自身与周边环境的力学交互，让设备从被动躲避障碍升级为主动预判、自主修正动作。硬件测试人员反馈：该模型能够提前预判短时间内设备碰撞风险，在接触障碍物前调整动力输出，动态响应能力优于当前市面主流商用机器人方案。产业端的核心诉求，不再是畅想远期机器人技术，而是寻找当下就能落地、具备实用价值的自动化方案。
PART 04
数据效率与实时纠错能力，能否构筑长期技术壁垒？
LiberAI 容易被市场忽略的核心优势，是兼顾低成本数据采集与动态动作纠错两大能力。传统机器人高精度交互数据采集依赖专业动捕设备与操作人员，综合采集成本高昂；而 LiberAI 的 UMI 采集方案搭配轻量化手套、便携摄像头，普通操作人员即可完成基础动作录制，省去专业动捕场地支出，单任务综合采集成本降低 80% 以上，团队半年内累计积累数万段双手交互操作视频，数据储备规模领先多数同阶段初创团队。但该方案存在固有短板：轻量化采集设备力觉采集精度有限，原始数据需专业人员筛选标注后，才能用于颠勺、精细抓取等高力控需求任务。
团队对动作纠错形成了独立技术思路：刘松铭表示，路径规划与记忆功能最终都是为了及时修正动作偏差，模型需要实时识别动作异常、调整姿态、预判后续影响。在机器人持锅颠勺测试中，若汤汁晃动出现泼溅趋势，模型可在百毫秒级识别锅体倾角异常，调整手腕力矩稳定设备，而非简单重复整套动作。这套能力依托 “设备状态 - 受力信息 - 运动轨迹” 联合建模实现，区别于事后依靠视觉画面修正的传统方案。行业实测数据显示，搭载实时动态纠错模块的机器人，复杂任务完成成功率明显高于传统方案，设备故障停机频次显著下降。在资本关心的模型规模化增长问题上，LiberAI 认为：当低成本数据采集与实时纠错能力形成正向循环，模型性能会随数据积累持续提升，这也是其和纯视觉、纯语言大模型路线最核心的差异化逻辑。LiberAI 本轮融资引发行业关注，本质并非市场幻想机器人全面替代人类，而是产业重新认可物理世界可量化、可建模的技术路线。当行业技术竞争重心从 “能不能做出演示效果” 转向 “稳不稳定、能不能小规模落地”，资本的投资逻辑也趋于务实。成立半年就实现技术产品、资本融资、产业试点三方同步验证，在国内硬科技初创企业中较为少见；其发展路径清晰定义产业痛点、可量化可复现的技术指标、学术与产业互补的团队架构、贴合线下需求的落地节奏。具身智能赛道竞争仍处于早期阶段，但 LiberAI 的实践证明：机器人产业突围，不靠概念宣传，依靠的是能够稳定完成剥香蕉、颠勺等精细操作的底层物理交互理解能力。
