资本押注差异化路线：橡木果累计数亿融资，挑战具身智能数据依赖难题

2026年国内具身智能产业热度持续走高，上半年赛道融资总额突破935亿元，同比增长5倍，大量资金、人才涌入人形与工业机器人赛道。大批样机在各类技术演示中完成灵巧抓取、复杂操作，但当机器人走进真实工厂，高频换产、工件偏差、来料扰动等现实工况，依旧成为众多方案难以逾越的鸿沟。行业普遍面临一个尖锐问题：高度依赖海量标注、遥操、仿真数据训练的具身方案，究竟如何才能真正实现低成本规模化进厂落地？

资本也在为不同技术路线下注。橡木果机器人近期完成天使轮融资，由招商局创投、蔚来资本联合领投，水木清华校友种子基金跟投；叠加此前种子轮融资，两轮累计融资达数亿元人民币。募集资金将投向NatusAGE‑0本能模型迭代、触觉感知硬件研发与工业柔性场景商业化落地。在行业普遍加码数据采集的大环境下，获得产业资本加持的橡木果，选择了一条弱化海量训练数据的本能驱动路线。相较于舞台上精彩的Demo表演，产业当下更关心：拿到资本助力的少数据路线，究竟能不能解决工业现场的真实难题。

具身智能火热发展，行业为何深陷数据泥潭？

资本正在持续加码具身智能全产业链，但资源的分配也暴露出行业深层矛盾。当前行业资源主要涌向三大方向：人形整机研发、VLA具身大模型训练、视觉传感器与灵巧手等硬件零部件。

第一大方向为人形整机赛道，大量创业公司持续迭代硬件本体，追求更高负载、更多自由度，硬件性能不断突破，但很多样机仍停留在演示与小范围试点阶段。整机研发投入巨大，不少项目单轮融资达到数亿元级别，资本押注硬件工程化能力，期待未来能够打开工业、商业服务市场。

第二大方向是VLA视觉‑语言‑动作大模型赛道，也是当下主流技术路线。该路线依靠海量遥操数据、仿真数据、互联网视频数据完成模型预训练，依靠数据复刻动作逻辑。模型在仿真环境、标准化演示场景表现亮眼，但一旦切换到未见过的工业工况，泛化能力会出现明显下滑。想要适配新工件、新流程，就要持续采集、标注新数据，时间成本与人力成本随之抬升。投资机构一边看好大模型带来的范式革新，也开始提出新要求：不只看模型评测分数，更要看真实场景下的适配成本与交付结果。

第三大方向为核心零部件赛道，灵巧手、各类传感器迎来融资爆发。其中触觉柔性传感器被越来越多从业者视作补齐机器人物理认知短板的关键硬件。机器人想要完成接触类作业，只有视觉是不够的，触觉可以反馈接触力度、形变、材质信息，补足视觉无法获取的物理信号。越来越多项目意识到，单纯依靠视觉数据训练，很难处理现实世界复杂的接触交互。

数据已经成为制约行业产业化的核心瓶颈。仿真、遥操得到的数据，和真实物理世界存在鸿沟；工厂内部操作数据分散、私密，很难大规模公开获取；每新增一类工况就要配套一批新的标注数据，这对于多SKU柔性制造工厂几乎难以承受。数据采集、标注成本居高不下，成为挡在具身智能和工业落地之间一堵高墙。

行业风向转变：为什么部分团队开始放弃“堆数据”的路径？

回望机器人技术演进，行业经历了多轮技术浪潮。早期依靠人工编程示教，机器人只能执行固定轨迹；随后强化学习兴起，机器人可以通过大量试错学习动作；如今VLA大模型把数据驱动推到新高度，依靠海量数据实现很强的演示泛化。但走到工业柔性制造面前，数据驱动路线的短板不断暴露。

橡木果机器人是本能驱动技术路线的代表，在拿到两轮数亿元融资之后，团队依旧把研发重心放在解决离散制造的数据痛点上。创始人姜峣长期研究机器人物理交互与视触觉感知，在科研实践中发现：很多在实验室效果优异的模型，落地工厂之后，只要工件位置稍有偏移、材质发生变化，任务成功率就会大幅下降。如果每一类物料、每一套产线工况都要采集海量训练数据，中小制造企业根本承担不起改造代价。

于是团队选择另一条技术路径：打造本能驱动体系，以触觉、力觉实时物理感知为核心，弱化对预采集海量训练数据集的依赖。机器人不需要针对每一类物体完成大量前期训练，作业过程中依靠触觉力觉反馈实时调整抓取力度、姿态，自主适配工件公差、位置偏移等现场扰动。融资到位后，公司将持续迭代视触觉硬件与本能模型，降低工业场景的部署门槛。

这背后折射出行业逻辑的转变：“好看”来自演示场景下的高成功率，“好用”考验的却是充满扰动的真实产线。数据驱动路线可以在标准化场景交出亮眼答卷，但面对多变的柔性生产，持续生产训练数据本身就成为沉重负担。也正是这个原因，一部分产业参与者认为，“进厂干活”不只是业务选择，也是一条绕开数据获取困境的技术出路。

触觉硬件迎来普及，少数据路线迎来量产拐点了吗？

触觉感知硬件的快速成熟，为本能驱动这类少数据路线打下硬件基础，叠加资本加持，企业有条件加速硬件迭代与场景验证，但想要大规模商用，依旧需要跨过性能、工程适配两大现实门槛。

行业可以清晰看到几大变化：柔性触觉传感器品类不断丰富，零部件供应链逐步完善；硬件成本持续下行；越来越多整机方案将触觉传感器从高端选配，纳入基础配置。触觉可以给机器人带来物理层面的“皮肤感知”，感知接触力、接触面形变，弥补纯视觉方案的信息缺失。

即便硬件条件持续改善，少数据路线同样面临现实挑战。第一，本能驱动体系高度依赖触觉、力觉硬件的稳定性，传感器的精度、寿命、抗干扰能力直接决定整机作业表现，工业现场粉尘、震动、温度变化都会对感知器件带来考验。第二，即便不需要海量训练数据，并不代表“零调试”。面对不同行业、不同工艺，依旧需要做产线工艺适配、参数调优，只是相比数据驱动方案，大幅减少数据采集标注工作量。第三，市场认知尚待培育，行业多数案例、评测基准建立在VLA数据驱动体系之上，本能驱动属于差异化路线，需要更多真实产线案例来持续验证技术上限。

硬件成本下行创造了有利条件，但硬件可用不等于方案好用。产线考核的是长时间连续作业的稳定性、任务成功率、维护成本，这些指标，都必须在真实工厂环境中反复打磨迭代。橡木果机器人聚焦零部件装配、柔性分拣、工位上下料等离散制造典型工况，持续开展工业场景验证，不断打磨软硬件一体化方案。

重新定义落地标准：怎样才算具身智能真正落地？

评判一套具身智能方案好坏，不应当只看演示视频效果、模型评测分数、自由度参数，核心要看真实产线里的连续运行时长、复杂扰动下的任务成功率、产线切换适配成本。

在标准化演示环境，95%任务成功率不难实现；但放到真实工厂，来料偏移、工件磨损、环境光线变化时刻发生，想要稳定维持高成功率难度成倍提升。对工业生产而言，短暂演示的高参考价值有限，长期稳定运行才是硬指标。

落地也绝非单一产品的问题，还需要配套的工程服务能力。不同工厂工艺千差万别，一套机器人方案交付，包含现场调试、工艺适配、运维保障整套体系。只输出软硬件产品，缺少工程落地能力，依旧很难完成规模化复制。

当下汽车、3C、新能源零部件制造，都在成为各类具身智能方案的试验场。汽车产线工序规范、付费意愿强，是很多机器人企业优先选择的落地场景。与此同时大量中小离散制造工厂，多品种小批量生产特征突出，恰恰是海量数据训练模式最难服务的市场，也成为本能驱动这类少数据路线瞄准的目标市场。

大模型浪潮之下，少数据路线会被替代吗？

VLA大模型给具身智能带来强大的高层理解、语义规划能力，是行业公认的重要技术突破，但大模型也存在难以回避的现实约束。

首先，物理世界高质量操作数据获取昂贵，工业场景数据大多属于企业私有资料，很难大规模开源；其次模型幻觉在物理场景后果严重，文本输出出错可以撤回，机器人抓取动作出错，则可能损坏工件、设备，带来生产事故；此外端到端大模型推理时延、算力消耗，能否满足工业实时控制要求，依然存在大量待解决的工程问题。

所以产业现实并不是“路线你死我活”的零和博弈。不少从业者开始采用分层架构思路：大模型负责高层任务理解、任务规划；底层运动交互、接触力控交由专用物理交互模型与硬件感知闭环处理。

这就给本能驱动这类少数据体系留出了生存空间：不一定要和大模型做全面对抗，也可以作为底层物理执行层，承接大模型下发的任务指令，依靠触觉力觉完成精细接触操作，减少对操作样本数据的依赖。两种技术路线不是完全对立，未来存在融合共存的可能性。获得产业资本助力之后，橡木果也在探索这套底层执行体系如何和大模型能力结合。

对于从业者与投资人，该如何看待差异化技术路线？

对于产业从业者、投资人、采购方，面对纷繁的具身智能赛道，可以建立一套简单的判断标尺：第一，看测试环境：是实验室理想环境，还是充满扰动的真实产线；第二，看适配代价：切换新工件、新工艺，需要采集多少新数据、投入多少调试工时；第三，看长期指标：不是单次演示成功率，而是长时间连续作业的稳定性；第四，看工程配套：企业是否具备产线工程服务、迭代运维交付能力。

对技术从业者来说，机会不只存在大模型算法本身，物理感知硬件、力控算法、产线工程适配，同样是产业化的关键短板。整个行业已经从比拼参数、秀Demo，逐步转向比拼交付能力，展会之上，“找订单”的氛围越来越浓。

常见问题解答

问：本能驱动技术路线，是否完全不需要任何训练数据？答：弱化对海量场景预采集标注数据的依赖，不等于零数据。该路线依靠触觉力觉实时物理交互完成作业，面对全新工况，无需大规模采集标注新样本，但仍需要基础调参与工艺适配工作。

问：少数据路线主要适合哪些场景？答：更加适配离散制造多SKU、高频换产，工件存在公差、来料存在扰动的接触操作场景，例如零部件装配、柔性物料分拣、工位上下料。

问：判断具身智能方案落地质量，核心看什么？答：优先参考真实产线连续运行时长、扰动工况下任务成功率、切换新产品的适配成本，而非单纯看自由度、演示效果、模型跑分。

技术要点表

结尾

今天的具身智能产业，不再只有一条标准答案。海量数据训练的VLA路线依旧是行业主流，同时以本能驱动为代表，拿到产业资本下注、依靠物理感知降低数据依赖的路线也在不断向前探索。

好看的演示很容易实现，好用的工业机器人依旧稀缺。产业竞争已经从实验室参数比拼，走向产线里的真实价值较量。资本的钱只是研发的燃料，无论是哪一条技术路线，最终的裁判永远是工厂现场的真实需求。一切仍处在早期，但多元化的技术探索，正在为中国具身智能产业化开辟更多可能性。