9月21日，亿欧EqualOcean获悉，具身智能通用大脑研发商方奇科技（北京）有限公司近日完成千万级天使轮融资，本轮融资由启迪之星创投等机构投资。
本轮融资资金将主要用于核心技术研发与研发团队扩充，并加速相关技术在典型场景中的验证和商业化落地。按照方奇科技的规划，公司希望进一步沉淀可持续学习、可跨本体迁移的机器人“通用技能操作系统”。
方奇科技成立于2026年。与当前不少从人形机器人整机切入的创业公司不同，方奇没有把主要精力放在造机器人本体上，而是选择进入另一层竞争——机器人的“大脑”。
这也对应着具身智能行业正在面对的一个问题：当机器人已经越来越能走、能跑、能完成单点动作后，如何让它在真实环境中理解任务、连续工作，并把已经学会的能力迁移到不同的机器人身上？
这是方奇希望解决的问题。
01
不造整机，方奇为什么选择做“机器人大脑”？
过去两年，人形机器人最容易被外界感知的进步，大多来自“身体”：关节自由度增加、灵巧手越来越灵活，整机价格持续下降，跑步、翻滚等运动能力也不断刷新。
但具身智能并不只有本体。
在我们此前对具身智能产业生态的梳理中，机器人本体之外，通用大脑、数据训练与迭代、硬件与控制系统，同样构成整个产业的重要环节。通用大脑进一步涉及基础大模型、视觉-语言-动作模型（VLA）、世界模型、任务规划等不同能力。
这张图也能解释方奇的位置：它并不属于典型的机器人本体公司，而是试图站在本体之上，提供一套能够被不同机器人调用的“大脑”和技能。
这种分工并非方奇一家公司的设想。
2026年7月，Google DeepMind发布Gemini Robotics 2，将机器人智能进一步拆分成不同层次：Gemini Robotics ER 2主要负责理解物理世界和复杂的多步骤任务规划，相当于高层“大脑”；具体的运动执行则进一步交给VLA模型完成；其端侧VLA模型则强调对新机器人本体的快速适配。Google表示，Gemini Robotics On-Device 2可以通过数小时数据适配新的机器人本体。
NVIDIA 的 Isaac GR00T 则更接近一套全栈式机器人开发平台：它把机器人基础模型、真实与合成数据、仿真环境、中间件和端侧推理整合在同一套开发体系中，并明确强调“跨本体”（cross-embodiment）能力。目前最新的 GR00T N1.7 使用双臂、半人形、人形机器人等多种机器人数据进行训练，同时引入人类第一视角视频，并可通过后训练适配新的机器人本体、任务和环境。
从这些头部厂商的最新技术路线来看，具身智能“大脑”正在显现出两个共同趋势：一是从“单一模型包打天下”转向高层推理规划与底层动作执行之间的能力分工；二是从服务单一本体，转向追求跨本体的能力泛化。
背后的逻辑并不复杂：如果每换一款机器人、一个场景，就要重新采集数据、重新训练模型，具身智能的研发成本和部署周期就很难真正降下来。
方奇科技瞄准的，正是其中“跨本体泛化”这一问题。
方奇科技成立于2026年，定位具身智能通用大脑研发。团队核心成员均来自清华大学，覆盖世界模型、VLA 算法、云原生系统、产业商业化全链路，兼具前沿科研积累与真实场景落地经验。
创始人王心舟博士介绍，本轮融资后，公司一方面会持续迭代云原生具身大脑核心技术，扩充顶尖研发人才；另一方面将加速产品在标杆场景的试点验证，沉淀可跨本体复用的通用技能库。短期打磨可落地的生产力工具，长期目标是打造面向物理世界的具身智能基础设施，让机器人拥有自主学习、持续成长的能力。
02
不同机器人，怎么共用一套“大脑”？
这件事并不容易。
人形机器人、轮式机器人、机械臂之间的身体结构差异明显；即便都是机械臂，不同自由度、臂长和夹爪结构，也意味着同一个动作无法直接复制。
方奇科技将自己的解决方案概括为“一脑多形”。
方奇科技方面介绍，其思路并不是直接让A机器人的动作迁移到B机器人，而是先找到一个中间层——人的动作。
机器人完成的动作首先被抽象成人类动作表达，再由这套相对统一的表达映射到不同机器人本体。换句话说，方奇希望把“机器人A→机器人B”的直接迁移，变成“机器人A→人的通用动作表达→机器人B”。
王心舟将其比作一台虚拟的机器人“公版机”。
不同机器人仍然需要针对本体做适配，并不是接入模型即可使用。但方奇科技方面表示，相比从头开发一套机器人的动作能力，通过这套方法进行本体适配所需周期能够明显缩短，目前部分项目的算法适配周期约为半个月。
在这套架构下面，方奇又提出“语义化世界模型+图灵学习”。
其中，语义化世界模型试图把视觉、语言和物理状态组织在统一的三维语义空间中，使机器人不仅识别物体，也能够理解环境以及动作可能产生的结果；“图灵学习”则包含课程学习、任务学习、实践和反思等环节，希望让机器人从人类数据和真实作业过程中持续学习。
数据也因此成为这套路线的重要变量。
传统机器人训练中，大量动作数据来自遥操作：人控制机器人完成任务，再将这段轨迹用于模型训练。这种方式的优势是动作数据与机器人高度匹配，但也意味着数据很容易与特定本体绑定。
英伟达目前采用的机器人训练数据同样是混合体系：底层大量利用互联网视频和人类视频，中间加入合成数据，在最接近机器人执行的一层再使用真实机器人遥操作数据。其最新GR00T模型也在持续增加不同机器人本体的数据覆盖。
方奇的选择与这一趋势有相似之处，但更加激进地希望降低对遥操作的依赖。
亿欧EqualOcean从方奇科技了解到，目前其训练数据以开源数据、自主清洗的人类视频、第一视角数据和合成数据为主，遥操作数据主要用于本体动作对齐。其核心判断是：如果机器人学习过度依赖某一个具体本体产生的动作数据，那么硬件一旦变化，数据资产的复用效率也会下降。
因此，对方奇来说，“一脑多形”最终要验证的并不是一个概念，而是一个很具体的指标：换一款机器人之后，已有的数据和技能到底还能复用多少。
03
从立体清洁起步，方奇怎么做商业化？
技术路线之外，另一件更现实的事是：一个机器人大脑公司怎么赚钱？
方奇目前主要面向两类客户。
一类是已经拥有机器人硬件，但缺少完整具身智能开发能力的本体厂商。方奇为其提供大脑和具体技能；另一类则是物业等直接拥有业务需求的垂直行业客户。
对于第二类客户，如果对方没有自己的机器人本体，方奇也会采购和集成第三方硬件，再叠加自己的软件和技能，以整套方案完成交付。
公司目前选择的第一个重点场景，是“立体清洁”。
这个选择看上去并不性感，但背后有很明确的技术考虑。
卫生间、商业空间等清洁任务同时涉及移动、抓取、擦拭、识别异形物体等多种操作，而且真实现场高度非标准化：垃圾出现在哪里、水渍是什么形状、物品如何摆放，每次任务都可能不同。
它因此比很多固定工业动作更考验机器人对环境的理解和连续任务能力。
另一方面，清洁任务对于节拍和单次成功率又不像工业产线那样严苛。擦拭第一次没有完成，可以再次执行；物品第一次没有抓稳，也允许机器人纠正动作。
复杂度足够高，同时又允许一定程度的试错，这成为方奇将清洁作为首个“练兵场”的原因。
方奇科技方面介绍，其目的并不是只做一台清洁机器人，而是希望借助这一场景训练抓取、擦拭、移动等基础技能，再逐步复用到酒店、零售和其他商业服务场景。
目前，方奇已经与优地机器人、江苏龙寰等展开合作。
其中一个案例来自酒店配送机器人。
国内配送机器人通常可以通过梯控系统直接与电梯联动，但进入海外市场后，不同建筑和电梯系统接口并不统一。如果机器人能够像人一样识别电梯按钮并直接完成按键，就可以降低对外部梯控系统的依赖。
方奇科技方面介绍，目前其正在与优地机器人探索“机器人自主按电梯”这一能力，希望让机器人在无法接入梯控系统的场景下，也能够像人一样完成电梯按钮操作。
这个案例虽然很小，却恰好反映了具身智能商业化中的一个真实问题：客户最终购买的往往不是“一个更大的模型”，而是一项原来机器人做不了、现在能够完成的具体工作。
04
赛道加速分化，具身智能企业靠什么留下来？
2026年，具身智能行业讨论的重点正在从“机器人能不能完成一个动作”，进一步转向“能不能在真实环境中持续完成工作”。
这一变化也开始出现在政策端。
今年工信部、国务院国资委启动的人形机器人与具身智能实景实训专项行动，就把重点放在真实岗位技能包、可复制的整机解决方案、复杂及异常工况下的泛化和容错、高质量真实场景数据，以及长时间连续作业能力上。
这意味着，实验室Demo仍然重要，但它已经很难单独回答商业化问题。
机器人进入真正的物业、酒店、零售或者工业现场后，需要面对的是长序列任务、人员和物品随时变化的环境，以及大量训练时没有出现过的异常情况。
方奇也还有自己的技术问题需要继续解决。
王心舟认为，目前团队已经能够把人类的视频、示范等信息进一步转换为机器人可学习的技能；但如何把一台机器人已经掌握的技能，再抽象成与具体硬件无关的信息，并稳定迁移给另一款机器人，仍然是“一脑多形”真正需要突破的环节。
按照方奇科技目前的规划，公司希望在2026年底完成商业服务可用样机，2027年进一步完善技能学习、沉淀和分发体系，并逐步推进真实场景中的规模化部署。
本轮融资之后，方奇下一阶段的重点，也将从搭建技术框架进一步转向验证这套框架在更多机器人和更多客户现场中的可复用性。
因为对于一家把“通用”写进定位的机器人大脑公司来说，真正决定这门生意能不能成立的，并不是一台机器人完成了一次多复杂的动作；而是同一种能力，换一台机器人、换一个客户、换一个场景之后，能否继续被复用。
联系作者
