远见网一、当行业都在卷大脑与卷视频数据时
1、当行业都在卷大脑与卷视频数据时
当行业都在卷大脑、卷参数、卷视频数据时，有人选择补上那块最难、也最不像样的拼图。
机器人越来越像人了。它能识别物体、规划路径、复现复杂的肢体动作，这两年具身智能在视觉感知和运动控制上跑得飞快。
可一旦真的把它放进产线，面对布料滑移、零件卡滞、插装阻力这些「接触层面」的难题，它就会露怯——因为它看不见力。
用多大的力、摩擦系数是多少、遇到阻力是该加力还是调整角度，这些隐性的物理信息，纯靠眼睛看得见，却摸不着。
行业都在卷「大脑」、卷参数、卷视频数据，唯独「手感」这一环，鲜有人真正补上。
2、杭州具身大脑公司格物通智官宣完成近亿
10月18日，杭州具身大脑公司格物通智官宣完成近亿元天使轮融资。这家8月才注册成立的公司，两个月就拿到了钱，也正站在那道「手感」缺口上。
格物通智创始人兼CEO蔡佳，学术起点很高——西北工业大学航天学院博士，师从国家杰青黄攀峰院长，研究方向是太空机器人的在轨灵巧操作。
那是人类对「灵巧」要求最苛刻的领域：真空、失重、隔着遥远的通信时延，机器人要在不具备完整感知的条件下完成精细装卸。
之后他加入华为2012实验室及车BU 2030实验室，深度参与ADS 2.0到4.0核心技术研发、百万级量产交付和ADS 6.0预研，担任过百人团队主管，也担任过华为科学家委员会委员，拿过华为个人技术最高奖。
他同时是世界模型基础模型的负责人，积累了千万小时级数据治理与近万卡集群训练的系统性方法论。
二、太空操作机器人的灵巧与自动驾驶量产的工程化
1、构成了格物通智最硬的底色
太空操作机器人的灵巧、自动驾驶量产的工程化、世界模型的规模化——这三段经历叠在同一个人身上，构成了格物通智最硬的底色。
团队其余核心成员也多来自华为、理想、地平线、智元等头部企业，毕业于清华、浙大、上交、中科大、哈工大、西工大及南洋理工等顶尖高校。
为什么机器人总在「形似」层面打转？
蔡佳举了个拧瓶盖的例子：传统机器人学的是人手关节的运动轨迹，模仿手指每个时刻的位置。
但「这只是形似」，它不知道要用多大的力、螺纹有多紧，一旦换成不同材质的瓶盖、不同松紧的螺纹，模型就可能失效。
痛点的本质，是感知维度缺了一块。
触觉信号维度低，只有几十维，而一张图像有数百万维，要让两者在同一模型中融合，难度极大；
2、触觉数据采集成本高与速度慢
同时触觉数据采集成本高、速度慢，规模化长期是瓶颈。所以行业普遍绕开它，可绕开它，精细操作就始终做不扎实。
格物通智首创提出「物理反演世界模型」技术路线：让机器人从看得见的动作里，推断出接触、受力这些隐含物理信息，用于大规模预训练；
再结合真实力觉、触觉反馈校准，为动作数据补上可学习的「物理标签」。
三、机器人理解的不再只是动作的样子
1、机器人理解的不再只是动作的样子
由此，机器人理解的不再只是动作的样子，还有动作背后的力从哪来、往哪去。
数据侧，它走的是Real to Sim（真实到仿真）：用真实物理交互数据反向搭建仿真环境，并借此把互联网海量的第一、第三人称视频转化为可训练数据——让触觉数据获得和视觉数据同等规模的采集能力。
在这套世界模型之上，再叠加PSI物理自进化体系，形成「物理反演—规划执行—真实反馈—评估学习—验证部署」的迭代闭环，让机器人在持续作业中把「工龄」沉淀成能力。
格物通智没有一头扎进通用泛化的宏大叙事，而是先挑边界清晰、可量化验收的场景。
蔡佳把机器人进厂后的路拆成三步：Deploy——先放到客户产线，替客户完成一道具体工序；
2、已经落到了匹克身上
Learn——把作业中的成功经验、失败轨迹、异常恢复和人工纠正，转化为训练数据；
Generalize——把沉淀的操作能力，迁移到下一个工位、下一个任务、下一个本体。
把作业中的成功经验、失败轨迹、异常恢复和人工纠正，转化为训练数据。
第一步，已经落到了匹克身上。
本轮资方匹克投资，是国内头部运动科技产业集团，已与格物通智签订战略合作协议，围绕鞋履制造对「双柔+一高精」——柔性制造、柔性材料、亚毫米级精度——的要求，在企业初期拿下规模化订单，共同推动技术落地。
四、关键不在模型参数
1、关键不在模型参数
选择这些场景的逻辑很务实：工序相对固定、对精度要求高、招工难，自动化投入的回报算得清。
目前格物通智还在与纺织服装、光模块及汽车零部件客户推进联合创新PoC，预计2026年底完成首个PoC交付。
评价格物通智，关键不在模型参数，而在跨场景迁移能力。
柔性材料与精密装配的经验，能否复用到其他行业，决定了它是一家项目制公司，还是一家具身大脑平台公司。
这里有两个更值得盯的观察维度：一是真实数据的采集成本能否随规模下降——这决定了毛利的天花板；
2、从「会不会动」转向「有没有手感」
二是训练场里沉淀的力觉、触觉数据归谁所有、能否跨客户复用——这影响了这门生意的长期价值。
具身智能的竞争，正在从「会不会动」转向「有没有手感」。
而手感这件事，很难靠堆视频数据解决，必须回到力与触觉的真实反馈。
当所有人都盯着会翻跟头的机器人时，有人愿意把一台会干活的机器人，一道工序一道工序地送进产线。
这场仗不酷，但可能就是钱真正开始去的地方。
