远见网一、起手的种子轮融资就达到了10.5亿美元
如果要问2026年的风险投资人，除了“具身智能”还在看什么？那么最热门的答案，一定是“世界模型”。
在硅谷，Meta前首席科学家杨立昆下场创业成立的AMI Labs，起手的种子轮融资就达到了10.5亿美元。
世界模型的主要奠基者之一，皮特·弗洛伦斯创办Generalist AI，种子轮也直接飙升到了4亿美元。
李飞飞创办的World Labs，更是成立仅仅2年就以82亿美元的天价，成功卖给了AMD。
为了形容世界模型的凶猛，硅谷开始流行用“椰子轮”来代替“种子轮”的称呼。
国内也是同样的热闹。
根据投中嘉川CVSource数据显示，截至2026年10月10日，世界模型赛道的融资事件达到88起，其中亿元级别以上的融资事件超过50起。
含金量直接拉满。
1、广州云蝶科技股份有限公司（以下简称“
据投中网获悉，广州云蝶科技股份有限公司（以下简称“云蝶科技”）宣布完成数亿元B+轮系列融资。
本轮由StellarS Capital、亚洲联合基建（00711.HK）、长浙投资等知名机构和个人联合投资。
云蝶科技对投中网表示，本轮资金将主要用于具身智能核心技术迭代与真实场景规模化落地，重点提升机器人持续工作的可靠性、跨场景部署效率及长期服务能力。
而这里的“核心技术”，关键词则是“世界模型”与“系统级大脑”。
云蝶科技认为想要真正实现服务于真实世界的智能体，模型必须在真实任务中获得“感知-动作-结果-接管”闭环数据。
而实现这个闭环的关键，就是构建“环境增强的世界模型”，让机器人先在具体任务中持续提升成功率、稳定性和失败恢复能力，再向相邻任务与场景逐步泛化。
而这个提供真实服务的智能体，则必须由一个“系统级大脑”来统筹调度。
然而如果将云蝶科技的故事具体展开，你会发现他们其实是整个“世界模型创业潮”故事里，一个横截面丰富的“例外”。
二、云蝶科技的产品进入了酒店与医疗
1、云蝶科技的产品进入了酒店与医疗
首先是时间。云蝶科技成立于2019年，距离GPT时刻还有3年，距离杨立昆下场创业成立的AMI Labs还有5年。
并且在此之前，云蝶科技的产品已经进入了酒店、医疗、体检康养等高价值场景，2025年营收已经超过了数亿元。
一家营收稳定、有已验证商业场景的团队，为什么要尝试开发“世界模型”？“世界模型”能够为已有的成绩单带来什么？
2、WING Air已经实现交付
这不禁让人好奇。
然后是生意。云蝶的产品名单里，除了RoboForge系统级具身大脑，还有WING机器人家族。
其中，WING Air已经实现交付，可通过更换末端工具适配清洁、巡检等任务；
三、则分别面向复杂服务操作
1、则分别面向复杂服务操作
另外两款产品，则分别面向复杂服务操作，以及能量补给和数据调度。
可以说，云蝶其实很难被放进一个熟悉的分类里。它有模型，也有机器人；有科研团队，也有客户和交付经验；
它进入了一个正在快速变化的新赛道，但公司本身已经走过7年。
为什么会有这样的选择？已有的机器人会为模型研发提供便利，还是让技术路线受到更多约束？
过去积累的行业客户，能够成为新业务的起点吗？一家公司同时推进模型、本体和场景交付，又准备把精力集中在哪里？
云蝶还给自己的路线加上了一个修饰：“环境增强”。这也是我在了解它时，最想继续追问的地方。
世界模型公司都在强调对真实世界的理解，云蝶为什么认为还需要特别强调“环境”？
它所说的更优解，究竟要用什么结果来证明？
这些好奇，需要云蝶自己来回答。在本轮融资完成之际，我和云蝶科技联合创始人、联席总裁余澜展开了一场对话。以下是对话节选：
投中网：最近我们聊了很多世界模型创业者，经常会问他们：最初接触世界模型的契机是什么？
这个问题同样适用于云蝶。
云蝶成立的2019年，大模型和世界模型都还没有像今天这样受到广泛关注，距离AlphaGo在2016年击败李世石也只过去了3年。
当时大众对人工智能的印象，更多还是下棋、模拟人类行为。
所以我很好奇，一家成立多年的公司，如今为什么用世界模型来定义自己？
余澜：如果用一句话概括，云蝶是在解决产业真实业务需求的过程中，逐步发现世界模型是我们需要的一项技术能力。
2019年创业时，我们主要做产业数字化和智能化，依托视觉识别、数据治理、智能系统等技术，帮助客户理解和管理现实业务。
进入大模型时代后，我们开始做垂直大模型和行业智能体，手上的工具进一步升级。
AI从识别信息，发展到理解业务、辅助决策，以及执行数字世界中的任务。
但在长期服务客户的过程中，我们发现了一个明确的趋势：企业需要的是能够完成一整套工作的智能系统。
比如酒店服务、物业巡检、康养场景中的辅助工作，这些任务同时发生在数字世界和物理世界。
AI不仅要知道当前发生了什么，还要理解空间、任务，以及人员、物品和任务之间的关系，并预测采取一个动作后，环境会发生什么变化。
这就涉及世界模型要解决的核心问题。
我们做智能体、具身智能，就是要把智能能力转化成能够在产业中采取行动、作出决策的能力。
技术路线也是从这里逐步形成的。
2025年开始，我们加强了世界模型和具身智能的研究，今年又提出“具身环境智能”范式，发布了RoboForge系统级具身大脑。
2、我还注意到一个数据是
这个变化有一条连续的技术演进路线：在匹配产业需求的过程中，我们过去让现实世界数字化，现在让数字智能进入现实世界。
投中网：我还注意到一个数据是，2025年云蝶的营收已经有数亿元。
放在机器人或具身智能领域，这是一个很亮眼的数字，但话句话说就意味着从2019年到2025年的6年时间里，在没有大规模引入世界模型的情况下，云蝶已经发展得很顺利。
这也会让人好奇，世界模型到底能带来多大的改变？
余澜：过去，我们更多服务于数字世界。
无论是行业大模型、企业智能体，还是早期的AI管理系统，主要都在数字流程中处理信息、知识和业务。
进入具身智能赛道后，我们面对的复杂性提高了一个数量级。
比如机器人在酒店里完成送物、洗衣、整理房间等任务，它不仅要理解客户的指令，还要知道电梯在哪里、门有没有打开、通道里有没有人、物品是否送达。
如果途中遇到障碍，客户改变需求，或者执行失败，下一步该怎么办？
这些问题，很难仅靠给大模型增加知识，或做一次微调就全部解决。
第一，对现实世界的理解和预测能力。
面对酒店里的复杂长程任务，智能系统要识别当前状态，还要预测执行不同动作、采取不同策略，会带来什么结果，差异在哪里，为后续任务规划和策略选择提供依据；
第二，训练效率和泛化能力。让真实机器人在真实环境、真实任务中训练，成本很高，失败也可能带来安全风险。
世界模型可以用于生成训练场景，尤其是大量长尾数据，比如不常见的情况，以及物体位置、光线、遮挡发生变化的情况，作为真机数据的补充；
第三，把具体项目中的经验转化成可复用的系统能力。以前做一个客户项目，往往需要大量个性化实施。
未来，我们希望在同类场景中学到的空间认知、任务经验和执行策略，能够迁移到相似场景，提高泛化能力。
这也是我们和一些从实验室起步的具身智能公司的区别。一些公司先在实验室里研究技术、训练基础技能，再找应用场景。
我们已经积累了很多真实产业场景，基于多年的B端资源和项目经验，反过来定义模型需要学习什么。
投中网：用最直白、最通俗的话解释一下，什么叫“环境增强”？它和大家普遍说的“去真实场景拿数据”有什么区别？
余澜：过去，具身智能行业很大程度上遵循一条路径：先采集机器人操作数据、人类示教数据或仿真数据，训练或微调模型，再把模型部署到真实场景中。
这条路线本身没有问题，但目前机器人的智能水平还不够高，很难在高度复杂、不断变化、甚至无法充分观测的真实世界中，持续、规模化地部署。
这个前提就会让整个链路会出现一个断点。大模型训练有3个要素：数据、算力和算法。
如果缺少足够的数据，就很难实现智能能力的涌现。云蝶提出“环境增强”，就是希望打通这个链路。
我们认为，可以让环境本身成为智能系统的一部分，和机器人共同承担任务与场景的复杂性。
第一个阶段是环境约束和环境标准化。现在机器人还不够聪明，无法适应所有环境和任务，那能不能通过适度调整和设计，让空间、工作流程更加标准化？
我们选择连锁酒店、标准化物业等场景，因为这些空间天然具有一定的重复性和标准化基础。
四、也就是人机协同的方式
1、也就是人机协同的方式
同时，我们会按照真实场景1∶1复刻训练场。
从空间设计、硬件、软装，到IT系统，都尽量与真实场景一致，让机器人训练和交付时面对同样的环境，提高部署成功率。
在真实部署中，我们也会采用Human-in-the-loop，也就是人机协同的方式，明确哪些行为、流程由人完成，哪些由机器人完成。
目标是让机器人先以更高的成功率，在真实场景中持续、规模化地部署。
第二个阶段是让环境成为数据的一部分。现在很多模型训练主要依赖机器人本体的视角，比如本体传感器采集的信息。
但我们也可以对环境进行建模，从第三方视角观察机器人与环境的交互，补充本体视角中被遮挡的信息。
我们把这个视角称为“上帝视角”。
还有一类很重要的数据，是环境中的属性数据。
2、本体视角数据与系统属性数据
让机器人在一个空间里执行任务，如果它连有哪些物品、物品放在哪里、是不是放在抽屉里都不知道，就很难高效完成任务。
本体视角数据、第三方视角数据和系统属性数据，可以共同构成智能空间的数据底座。
第三个阶段是让环境变得更聪明，我们称为“环境智能体化”。
比如让机器人去2楼拿两瓶水回来，它接到指令后，可以先和环境中的智能体通信。台账智能体告诉它，水在201房间；
再调度201房间的摄像头，由摄像头中的智能体判断水的具体位置；
调度智能体安排2楼的机器人取水，再交给配送机器人送达。
配送过程中，还要进行路径优化和电梯调度。整个过程通过异构多智能体协作完成。
随着模型进化，机器人的单体大脑和系统级大脑都可以持续进化，提高复杂任务的执行成功率。
通过环境增强，让环境适配不同智能水平的机器人，甚至参与决策，目标就是提高机器人在
