当人形机器人逐渐走出实验室，进入工厂、商业空间和家庭等真实环境，行业关注的问题也在变化。
自由度越来越高，任务越来越复杂，机器人研发对数据、模型和评测的要求也随之上升。训练数据要覆盖更完整的身体运动，基础模型要同时处理移动、平衡和精细操作，策略更新之后，还要尽快验证效果、找到问题，并把新的经验重新带回训练。人形机器人能否持续提升能力，越来越取决于这些环节能否高效衔接。
创业邦获悉，人形智能公司 Current Robotics（元流）首次对外披露融资进展，公司已先后完成种子轮、天使轮、Pre-A轮融资，累计融资数亿元人民币。
公司投资方包括 BV百度风投、高瓴创投、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本等财务投资机构，以及智元机器人、星海图、极壳科技等产业方。
Current Robotics表示，融资资金将主要用于推进人类全身数据规模化采集，并重点投入全身灵巧操作基模、交互式世界模型等核心技术研发。
创始人兼CEO 祝毅晨，是前美的集团具身智能部部长，毕业于多伦多大学，作为国内最早布局VLA及机器人世界模型的研究者，已发表40余篇顶会论文，学术引用超过5,200次。曾提出全球首个VLM加扩散模型的VLA范式，并率先将VLA拓展至CoT，于2025年发表的WorldEval 最早提出将世界模型用于具身策略评估，相关论文入选ICML/CoRL/CVPR等。Physical Intelligence的π0论文唯一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。
Current Robotics团队长期关注的，是如何把数据构建、基础模型训练、world simulator评测与后训练纳入同一套持续迭代机制，让真实经验、策略执行与反馈纠正能够不断回流到下一轮模型更新中。
人形机器人需要什么样的数据？
人的很多动作，看起来由双手完成，真正执行起来却会牵动整副身体。
伸手取物时，头部会随着目标改变位置，躯干会调整姿态，下肢负责维持平衡；抱起物体开始移动以后，双臂、腰部和腿部又会持续配合。
到了高自由度人形机器人，这些信息很难再被排除在训练数据之外。
Current Robotics为此开发了 HumanEx人类数据采集系统。
HumanEx由第一视角采集设备、手部定位设备、全身外骨骼及灵巧手数据采集设备组成，可以同步获取第一视角视觉、头部位姿、手部动作和全身运动等信息。
【HumanEx可穿戴系统】
采集者可以直接在真实环境中完成任务，不需要提前把机器人部署到现场。办公室、工厂、家庭中原本就在发生的工作和生活行为，都可以被记录下来。
目前，Current Robotics已经积累21,000小时人类行为数据，其中包括2,800小时全身数据，并用于Curr-0及后续全身灵巧操作模型训练。
随着机器人本体越来越接近人的身体形态，人类行为数据的价值也被重新放大。过去容易被忽略的头部、躯干和下肢动作，现在都可能成为模型理解全身协同的一部分。
这些经验被记录下来之后，下一步就是让机器人真正学会怎么使用自己的身体。
70+自由度，怎么让整副身体一起工作？
真实环境本身就围绕人的身体设计。
门框、楼梯、桌椅、工具以及大量工作空间，都天然适配人的尺度。人形机器人拥有双足、双臂和灵巧手以后，可以直接进入这些场景，同时也要处理更高维的控制问题。
抱着物体穿门就是一个很直观的例子。
机器人抱着物体穿过门框并放至特定位置
机器人往前移动时，双臂需要继续稳定物体，腰部跟着改变姿态，双腿还要维持平衡。点线香看起来只是手上的精细动作，实际执行时，上半身位置和下肢稳定同样会影响末端轨迹。
围绕 Loco-Dexterous Manipulation（全身灵巧操控），Current Robotics推出全身灵巧操作基模 Curr-0。
Curr-0运行于70+自由度人形机器人平台，将20自由度以上灵巧手的操作与全身运动放进统一策略，并基于大规模真实世界数据进行端到端训练。
目前公开的五类任务由同一套共享权重策略完成，通过语言指令区分。机器人已经可以完成撕茶包、给文件盖章、点线香、清理桌面垃圾，以及抱物穿门并完成放置等任务。
【Curr-0中，机器人泡茶、点香、盖章和清理垃圾】
在Demo里，人们往往以为最有难度的地方是机器人展示的每个动作，其实真正难处理的地方往往发生在动作和动作之间。
身体向前一点，手和目标之间的相对位置就发生变化；手伸得更远，腰和腿又要跟着调整。模型需要不断协调身体各部分，让动作始终围绕当前任务展开。
Curr-0解决的是模型怎么学。随着policy不断更新，研发中的另一个问题也会变得越来越重要：新的版本到底强在哪里，哪些任务已经稳定，哪些地方仍然容易出错。
Current Robotics把这部分工作继续交给了世界模型。
CurrentWorld-0：让policy进入一个可以交互的生成世界
本周，Current Robotics最新发布 CurrentWorld-0。
团队将其定义为交互式世界仿真器（Interactive World Simulator），也是全球首个在统一框架中整合跨本体（Cross-Embodiment）、多视角（Multi-View）和力-触觉（Force-Tactile）预测的世界模型。
现在的机器人视频已经能生成得很逼真，但真正拿来评测policy，难点不在画面。
【CurrentWorld-0中画面均为模型生成】
Policy每一步都会根据当前观察做动作，世界模型再把动作带进后续状态。前面发生什么，后面就得接着发生什么。
这时候，视频模型原本很强的先验反而可能出问题。机器人已经抓偏，模型还是有可能顺着更常见的成功结果继续生成，最后让物体跟着夹爪移动。画面看起来很顺，policy真正犯的错却没留下来。
Current Robotics此前在 dWorldEval 里研究过这个问题。到了CurrentWorld-0，动作对后续状态的影响会被保留下来。抓偏了，后面的世界就沿着这次偏差继续走；已经失败，也不会被生成结果重新拉回成功。
除此之外，world simulator还得适应不同机器人。
每种本体都有自己的动作空间和控制方式。CurrentWorld-0保留各自的 Action Subspace，同时学习不同机器人和环境交互时能够共享的环境变化规律。机器人的控制方式可以不同，但杯子被推以后怎么动、工具接触物体以后状态怎么变，这些规律本身并不会因为换了一台机器人就完全改变。
机器人换了，本体上的相机位置和观察方式也会跟着变，这就继续带出了多视角的一致性问题。CurrentWorld-0同时预测头部、腕部和第三视角。几个机位看到的是不同画面，记录的却是同一段交互。一个视角中的物体已经发生移动，其他视角也要同步更新；中间发生遮挡，重新出现时，物体状态还要接上前面的动作。
这些画面随后还会被policy继续读取。一处视角逐渐偏掉，误差很快就会进入后面的动作，交互越长，对状态一致性的要求越高。
【CurrentWorld-0中机器人叠袜子的多视角画面】
而对于削黄瓜、拿薯片这样的富接触任务，单看RGB又少了一部分信息。
夹爪有没有夹稳，工具到底有没有碰到目标，末端受力怎样变化，都可能直接影响policy下一步动作。
CurrentWorld-0因而把视觉、力觉和触觉放进同一次预测。
【CurrentWorld-0同时预测未来画面、力觉信号与触觉反馈】
不仅如此，在CurrentWorld-0中，Policy运行到容易出错的位置后，人类可以直接接管；因而机器人的中间状态可以被保存、回滚，再从同一个位置尝试不同的纠正动作，由此得到多条 corrective trajectories，用于 policy post-training。
【CurrentWorld-0 中人类操作员介入训练】
这延续了Current Robotics此前 WorldEval、dWorldEval和Hi-WM（Human-in-the-World-Model，发表于RSS 2026 Robot World Models Workshop）的研究。策略在生成环境里运行，问题真正出现以后，人工可以直接从具体状态介入，纠正过程中产生的新轨迹随后重新进入训练。
机器人最终仍然要回到真实环境中接受验证。CurrentWorld-0增加的是策略进入真实测试前后能够展开的工作：更多版本可以提前运行，具体问题可以被定位，人工纠正产生的数据也能继续进入后续训练。
这样一来，世界模型参与的就不只是一轮评测。Policy在哪里暴露问题，新的训练数据就可以从哪里继续产生，下一轮模型更新也由此获得更有针对性的输入。
具身智能下一阶段，拼的是人形智能的迭代能力
Current Robotics已经将数据采集、全身模型训练、世界模型评测和后训练纳入同一套持续迭代机制。HumanEx持续提供真实人类全身数据，Curr-0学习高自由度机器人的全身策略，CurrentWorld-0则进一步把策略运行中暴露的问题重新带回训练。
随着数据规模、本体类型和任务复杂度不断增加，研发效率会越来越取决于这套机制能否持续扩展。新的机器人平台会带来新的动作空间，新的真实场景也会不断产生此前没有出现过的数据和failure case。
本轮融资后，Current Robotics将继续扩大人类全身数据规模，并持续投入全身灵巧操作基模和交互式世界模型。目前，公司已加入星海图发起的亦数智能数据生态联盟，同时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，更多机器人平台和真实任务也将进入研发体系。
人形机器人最终面对的是一个持续变化的物理世界。一次Demo能够验证阶段性能力，真正进入应用以后，模型还要不断吸收新的场景、任务和失败经验，并将这些变化转化为下一轮能力提升。
对Current Robotics而言，真正需要持续加快的，是机器人从真实世界中获取经验、形成能力，再通过反馈不断演进的速度。
查看更多项目信息，请前往「睿兽分析」。
