1. 首頁 > 生活百科 > >

前智源團隊創業，聯想、智譜AI投了一家人形機器人大模型公司｜硬氪首發

ai創業人工智能聯想機器人

前智源團隊創業，聯想、智譜AI投了一家人形機器人大模型公司｜硬氪首發

文章圖片


作者｜黃楠
編輯｜袁斯來
硬氪獲悉 ， 北京智在無界科技有限公司（以下簡稱「智在無界」 ， 英文為BeingBeyond）近日完成數千萬元融資 ， 聯想之星領投 ， 智譜Z基金、燕緣創投、彬復資本跟投 ， 勢能資本擔任獨家財務顧問 。 資金將用于加大核心技術研發投入 ， 加速現有模型迭代與產業化驗證 ， 以持續提升技術壁壘與產品競爭力 。
「智在無界」成立于2025年1月 ， 專注人形機器人通用大模型的研發與應用 。 創始人盧宗青是北京大學計算機學院長聘副教授 ， 曾任智源研究院多模態交互研究中心負責人 ， 負責過首個國家自然科學基金委原創探索計劃通用智能體項目；多位核心成員均來自智源研究院 ， 在強化學習、計算機視覺、機器人控制和多模態等領域有豐富的技術研發積累和應用落地經驗 。
【前智源團隊創業，聯想、智譜AI投了一家人形機器人大模型公司｜硬氪首發】當前 ， 數據規模與泛化能力是制約具身大腦性能提升的核心矛盾 。 一方面 ， 具身智能機器人要實現高度擬人化的行動與決策能力 ， 依賴海量且多樣化的數據進行深度訓練 。 這些數據覆蓋了日常瑣碎操作、復雜環境交互等各類場景 ， 數據規模呈指數級攀升態勢 。 然而 ， 數據采集過程仍面臨技術、資源等多重門檻 ， 依賴大量人力且難度大 ， 存儲成本更是隨著數據量激增而迅速攀升 。
另一方面 ， 即便有海量的數據支持 ， 機器人在未知環境中要靈活應對新任務、新物體與新干擾 ， 仍依賴于強大的泛化能力 。 然而 ， 現有模型面對存在顯著差異的場景時 ， 表現差強人意 ， 難以將所學知識有效遷移至新情境 ， 實際應用中適應性欠佳 。
因此 ， 如何在有限數據規模下提升泛化能力 ， 成為具身大腦突破性能瓶頸、邁向實用化的關鍵挑戰 。
「智在無界」所使用的預訓練數據（圖源/企業）
面向人形機器人的操作和運動兩大核心能力 ， 「智在無界」將其通用大模型系統分為具身多模態大語言模型、多模態姿態大模型和運動模型三層 ， 并搭建了自學習具身智能體框架 。
盧宗青告訴硬氪 ， 區別于其他模型 ， 「智在無界」的預訓練數據來自互聯網端的人類運動和手部操作視頻 ， 通過解析這些自然場景下的動作序列 ， 構建機器人運動操作能力的預訓練基礎 。 這種以公開視頻數據為驅動的技術路線 ， 突破了傳統方案對機器人真機數據的強依賴 ， 可實現從 “人類行為示范” 到 “機器人動作生成” 的跨模態遷移 。
具體而言 ， 「智在無界」提出了多模態姿態模型 ， 通過互聯網上豐富的視頻資源 ， 包括如行走、舞蹈等人體全身運動 ， 抓取物體、工具使用等第一人稱視角的手部精細操作數據 ， 能夠為模型提供豐富且多元的動作樣本 。 通過這些視頻-動作數據 ， 模型可學習到各種動作在不同環境下的表現形式 ， 能依據實時的環境信息與任務要求 ， 實現具有泛化性的端到端運動操作 。
在具身多模態大語言模型方面 ， 「智在無界」自主研發了Video Tokenizer技術 ， 其強調時空環境的理解與推理能力 ， 尤其是針對第一人稱視角視頻內容的解析 。 通過將連續視頻流解構為兼具時間序列與空間語義的視覺token單元 ， 使得該模型能精準捕捉動作的時序邏輯 ， 比如伸手、抬升手臂到抓起物體的連貫過程 ， 并基于物體方位、肢體相對位置等空間特征理解物理世界和人類行為 。
目前 ， 雖然簡單的多模態大語言模型+運動操作策略已具備商業落地條件 ， 但受真實場景中的動態環境變化影響 ， 機器人的泛化能力難以適應 ， 如何讓人形機器人具備自主學習能力 ， 成為其實現商業化落地的關鍵突破點 。
為此 ， 「智在無界」提出Retriever-Actor-Critic框架 ， 通過對真實交互數據的RAG（檢索增強生成）與強化學習 ， 二者的協同應用 ， 不僅能提升模型的響應準確性與用戶體驗 ， 形成 “數據收集-模型優化-效果反饋” 的閉環 ， 使機器人具備了動態適應多變場景的能力 ， 為其規模化落地提供了可行的技術路徑 。
預訓練?后訓練架構（圖源/企業）
盧宗青指出 ， 基于互聯網視頻預訓練通用動作模型 ， 再通過后期適配訓練實現對不同機器人本體及場景的遷移 ， 「智在無界」的技術路徑可以避免因硬件迭代導致的數據浪費 ， 繼而有效解決真機數據稀缺與場景泛化的矛盾 。 目前 ， 公司正同頭部機器人廠商推進場景驗證合作 ， 以加快具身智能在更多領域的應用落地 。

投資方觀點：聯想之星合伙人高天垚表示 ， 當前具身大模型的技術路線還未收斂 ， 如缺乏統一的架構范式 ， BeingBeyond團隊的技術路線解決了訓練數據來源有限的問題 ， 同時采用模塊化打通大小腦的方式構建了一套完整的技術框架 ， 與國外相似技術路線的團隊相比具備全棧技術能力 ， 依托多模態大模型等自研大模型 ， 在解決具身大模型的任務與環境泛化性、跨本體等問題上有強有力的競爭力 ， 逐步實現“零樣本”泛化 ， 期待BeingBeyond團隊的產品在具有高潛力應用的場景落地 ， 實現商業閉環 。
智譜Z基金合伙人王璞表示 ， 作為智在無界的天使投資人 ， 我無比自豪地見證盧宗青教授及其團隊在通用人形機器人領域取得的里程碑式突破 。 從構建業界首個百萬規模的MotionLib數據集 ， 到開發端到端的Being-M0動作生成模型 ， 團隊不僅驗證了“大數據+大模型”在具身智能中的規模效應 ， 更實現了跨平臺動作遷移的技術閉環 。 這項創新將文本指令轉化為機器人精細動作的能力 ， 不僅突破了傳統方法的局限 ， 還為機器人走進千家萬戶鋪平了道路 。 我堅信 ， 智在無界將持續引領具身智能的迭代——從靈巧操作到全身運動控制 ， 推動機器人從實驗室走向日常生活 。 我們將與智在無界攜手 ， 同大家一道共同迎接一個由通用機器人賦能的新時代 。

    推薦閱讀