人形智能公司Current Robotics（元流）近日首次对外披露融资进展，宣布已完成种子轮、天使轮及Pre-A轮融资，累计融资金额达数亿元级别。本轮投资方阵容涵盖BV百度风投、高瓴、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本等多家知名市场化投资机构，同时也有智元、星海图、极壳科技等产业链上下游企业参与其中。
值得注意的是，这家备受资本青睐的初创公司背后站着一位95后创始人——祝毅晨。这位年轻的技术领军人物早在多年前便带队深耕VLA（视觉-语言-动作）研究，期间累计发表40余篇顶级会议论文。多年积累的技术路线已沉淀为一套完整的基础设施，涵盖全身灵巧操作基模、数据采集设备以及基于世界模型的策略评估体系，持续将真实人类行为转化为人形机器人的核心能力。
围绕"人形智能始于人"这一核心理念，Current Robotics正在推动机器人从实验室演示台走向千家万户的真实生活场景。
年轻技术大牛快速完成三轮融资
Current Robotics的创业故事始于祝毅晨。这位95后创业者此前担任美的集团具身智能部部长，是国内最早发布VLA及世界模型的研究者之一。他带领团队最早提出扩散模型与VLM端到端结合的VLA范式（TinyVLA），并拓展了CoT策略（DiffusionVLA & DexVLA，发表于ICML和CoRL），同时最早提出将世界模型用于具身策略评估（dWorldEval，发表于ICML Spotlight）。
一个颇具分量的佐证是，Physical Intelligence的π0论文中仅引用过一个中国团队的研究成果，正是祝毅晨团队完成的TinyVLA与ScaleDP工作。这些前沿研究从VLA模型、人类示教数据逐步延伸至全身机器人学习领域，最终沉淀为Current Robotics坚实的技术底座。
创业对于祝毅晨而言水到渠成。他观察到，过去人形机器人领域存在明显分野：一部分团队聚焦于让机器人更会"走"的全身运动控制，另一部分则专注让机器人更会"拿"的手部操作，最终呈现出的画面往往是"先走过去、再停下来操作"。然而真实世界的任务远非如此简单，即便是看似简单的动作也需要手与身体的稳定协同配合，这恰恰指向了"全身灵巧操作"（Loco-Dexterous Manipulation）这一技术方向。
Current Robotics给出的解决方案是系统集成——将全身移动、姿态协调和手部精细交互纳入同一个策略框架中进行联合训练。基于此发布的全身灵巧操作模型Curr-0，使机器人能够在移动过程中持续动态调整自身动作。目前公开的五类任务均由一套共享权重的策略完成，并通过语言指令进行任务区分，例如机器人可抱着物体穿过门框并精准放置到指定位置。
有了模型，更多落地层面的细节问题接踵而至。首先是数据层面，Current Robotics自主研发了全身外骨骼数据采集系统，将数据采集场景从实验室拓展到工厂、办公室、家庭等更贴近真实应用的环境。其次是更高效的评测与迭代，团队探索使用世界模型来评估真实机器人策略的表现。
截至目前，Current Robotics专注于Loco-Dexterous Manipulation方向，已构建起覆盖数据采集、模型训练、基于世界模型的评估与后训练的全链路技术能力，核心目标是提升机器人在多样化任务与环境中的移动操控能力和泛化水平。这一技术布局在具身智能普遍面临实用性不足、数据匮乏、泛化能力弱的当下显得尤为稀缺。
正因如此，Current Robotics甫一成立便获得知名市场化机构的集体下注，资本青睐程度不言而喻。更罕见的是产业链企业的联手参与——除了资金支持，产业协同的意义更为深远。据悉，Current Robotics已加入由星海图发起的亦数智能数据生态联盟，将共同构建从数据采集、标注到应用落地的完整链路。同时，公司也是智元旗下具身智能数据平台觅蜂科技的战略合作伙伴。
给资金、给订单、给生态——这种投资方式在具身智能时代尤为鲜明。毕竟，只有拥有真实场景才能形成数据飞轮，才能以更低的成本和更短的时间让机器人具备在真实世界中稳定工作的能力。
打造具身智能全栈基础设施
从一开始，Current Robotics就精准聚焦于现有具身智能技术路线的空白地带。以点燃一盘蚊香为例，一个直觉性的方案是让机器人先走到目标位置，然后停下来进行操作。对应的技术路径便是将移动策略和操作策略分开训练，最后通过系统工程手段进行拼接组合。
这种思路在工厂流水线场景中或许可以成立，但一旦进入家庭等真实环境，移动与操作之间的割裂便会暴露无遗。原因不难理解：即使机器人站在原地完成桌面任务，腰部和下肢仍然需要根据上半身的动作进行实时调整。如果仅仅采用"拼接"方法，一旦身体产生倾斜，手部的施力方式就会被破坏，机器人整体表现就会显得笨拙生硬。
Current Robotics发布的全身灵巧操作基模Curr-0正是为协调而生——通过导航移动、全身平衡和灵巧手的全耦合实现手脚协同。从撕茶包、清理桌面垃圾到抱着物体穿过门框，这些难以被简单拆解为"走"和"做"两个阶段的精细化任务，在Current Robotics的技术方案中均展现出优异表现。
模型之外，数据来源同样需要同步革新。目前主流的第一人称数据采集方案虽能覆盖丰富的环境和行为，但无法精确还原人体运动状态及接触力等物理交互信息；本体遥操作采集方案精度更高，却受限于设备与成本难以实现规模化。如何高效采集到同时反映环境信息、身体运动和物理交互的多维数据？
基于这一核心痛点，Current Robotics自主研发了全身数据采集设备，通过头戴式设备、数据手套、全身外骨骼和肌电设备的组合，记录人在真实场景中的第一视角视觉、双手与全身动作以及全身受力情况，整个过程无需预先部署一台机器人。如此一来，数据采集场景可直接延伸至人类真实任务之中，不仅成本和适用性显著优化，也能为人形机器人"大脑"的训练提供高质量的真实数据支撑。
最后则是评测与后训练环节。传统真机评估依赖机器人、场地及人工重置，测试的硬件成本、时间成本和场景复现成本都相对较高。尤其在接触状态连续变化的任务中，失败后的环境状态很难精确恢复到上一时刻，这会直接拖慢模型迭代效率。针对这一难题，Current Robotics很早便开始探索用世界模型承接机器人策略评测工作。
团队先后提出WorldEval、dWorldEval方案，将机器人策略放入生成的未来世界中执行，通过预测任务进程来评估策略表现；随后在Hi-WM（Human-in-the-World-Model，发表于RSS 2026 Robot World Models Workshop）中进一步引入人工接管机制——当策略出现错误或不确定情况时，人类可以直接介入纠正，并将新的交互轨迹继续用于后续训练。
本周发布的CurrentWorld-0，进一步将Current Robotics此前围绕世界模型展开的策略评测与后训练工作推向了更完整的交互环境。团队将其定义为交互式世界仿真器（Interactive World Simulator），并首次将跨本体、多视角和力-触觉预测整合进统一框架。机器人一旦更换本体，动作空间和控制方式也会随之改变，不同机器人很难共享同一套底层控制表示。CurrentWorld-0巧妙保留了这些差异，让不同机器人平台按照各自方式行动，再从跨平台交互中学习可共享的环境动力学规律。
本体差异解决之后，新的挑战落在了"怎么看"的问题上。真实机器人往往同时依赖头部视角、腕部视角和第三视角，同一次任务在不同机位下的画面差异显著，但背后的物体状态、机器人姿态和任务进程必须保持一致。一个视角中物体已被推走，其他视角也需要同步更新；即使中途出现遮挡，后续状态也必须延续此前已经发生的交互。
而当机器人真正与物体发生物理接触时，RGB视觉信息很快就会暴露其局限性。抓取是否稳定、末端受力如何变化、物体是否出现滑动趋势——这些问题并不总能从画面中直接判断。CurrentWorld-0因此进一步将力觉和触觉纳入预测范围，让接触过程中视觉难以覆盖的物理反馈也能随着动作持续演化。从叠袜子、整理抱枕，到削黄瓜、开瓶倒酒，CurrentWorld-0处理的对象并不局限于刚体操作，柔性物体、流体以及复杂接触场景都已被融入生成环境。
到了策略评测阶段，模型还需要持续响应机器人实际执行的动作：如果策略已经抓偏，后续状态就不能被视频先验重新带回常见的成功轨迹，原本应当暴露的失败记录需要被保留下来，而不应被"纠正"。这正是CurrentWorld-0能够用于策略对比的基础——机器人策略可以先在生成环境中运行、比较并暴露失败模式，再将结果与真机表现进行对照验证。团队公布的结果显示，不同策略的相对表现能够较好地对应真实机器人测试结果，真机执行中的主要失败模式也能在生成环境中得到有效复现。
评测之后，这些失败经验还可以继续被充分利用。当策略运行到容易出错的位置，人类可以中途接管；即使同一个中间状态，也能够被保存、回滚，并从此处尝试不同的恢复方式。由此产生的纠正轨迹（corrective trajectories）还可以继续用于策略后训练，让一次评测中暴露的问题进一步转化为下一轮训练数据。
至此，CurrentWorld-0已经形成一条相对完整的模型评测和后训练采集链路：策略先在生成环境中接受验证，问题暴露后通过人类纠正补充新的交互经验，并继续进入后训练环节。由此，Current Robotics已逐步构建起围绕全身灵巧操作的数据、模型与评测体系——真实数据提供物理经验，模型负责将这些经验转化为移动与操作能力，世界模型则承担策略验证、失败纠正和后训练的持续迭代职能，推动机器人能力不断进化。
迈向真实世界的关键一跃
"机器人什么时候能真正干活？"如行业所见，具身智能正在褪去讲故事的外衣，进入比拼落地的"交答卷"阶段。无论Demo多么漂亮、表演多么华丽，最终都要回归真实任务场景的检验，而这远比概念模型更复杂、更粗糙。一方面，传统固定工位式操作只触及体力劳动的很小一部分，大多数真实任务需要在空间之间移动完成；另一方面，机器人面对的是连续、复杂、不可穷尽的真实世界，背后的训练和迭代工作量不可估量，亟需一套高效简洁的数据采集与处理方式。
从HumanEx、Curr-0到CurrentWorld-0，Current Robotics正在将真实人类经验、机器人能力学习和后续评测迭代紧密连接，实现全栈闭环：前端采集真实行为，中间形成全身灵巧操作能力，策略随后进入世界模型接受验证，失败附近产生的新数据再继续回流训练。更深层的战略思考在于"以终为始"——市场正在用真金白银投票，具身智能的行业红利只属于那些能够真正落地、创造真实产业价值的玩家。
期间，行业竞争已从打造本体延伸到争夺数据与基础设施。谁能率先建立起数据及下一代模型的进化壁垒，谁才能在新一轮行业迭代中占据先机。对此，Current Robotics给出了极具终局视野的答案——先假设数据无限大，再基于人类智能的真实运作方式来设计方案。于是，导航、身体平衡与手部动作可以全耦合，localization融入端到端框架，数据采集也能在真实工作流中捕捉到更加丰富的细节。
《了不起的盖茨比》书中的结尾广为人知："于是我们奋力向前，逆水行舟，不停地被浪潮推回过去。"这正是Current Robotics名字的灵感来源——克服现有技术的局限性，逆流而上，在人类经验与人形机器人之间搭建桥梁。正如公司logo灵感取自列奥纳多·达·芬奇的《维特鲁威人》——一个将人体视为运动、比例和设计尺度的永恒象征。
毕竟，人形智能的源头仍然是人。借由可穿戴设备采集数据、模拟人体运动打造基模、结合人工接管评估与后训练，Current Robotics所做的正是通过硬件、数据管线和模型闭环，持续将真实人类行为转化为更强的人形能力。其可穿戴采集系统捕捉到一种名为"附带人类行为"的信号——即人在真实环境中执行真实任务时，自然涌现的、自由的、与任务相邻的物理行为。这些难以仿真、无法用语言指令描述的物理先验，永远无法脱离原始的人类演示，展现出人机协同过程中人类智能的独特价值。
"无意识行为在humanoid中相当重要。它足够拟人化，能带来更大的情绪价值，往往会超越单纯的功能性。"祝毅晨曾如此分享。好比机器人两手抱物、用身体把门顶开——简单的类人行为因生动而精彩。这一幕或许已经不再遥远。"从最真实的人类智能中长出，最后回归真实的生活世界"，一幅人机和谐共生的蓝图正在我们眼前徐徐展开。