为什么叫这个名字
Scaling Law · Humanoid Foundation Model
基于 Scaling Law 的
通用人形基座模型
Agent · VLA · WBC 三层一体 ——
打通数字智能与物理智能的唯一路径。
推进机器人革命，迈向二型文明
FOUNDED
2025.12
TEAM
10 + N Agents
RAISE
2 亿 RMB
STAGE
Angel++
THE CORE BOTTLENECK · 问题
具身智能的核心瓶颈——缺一颗大脑
硬件已较为成熟，但行业缺乏通用大脑。
02 · PROBLEM
ROOT CAUSE · DATA & MODEL
01
数据与模型没有真正 Scale 起来
LLM 靠互联网文本实现 Scaling Law；
具身数据至今没真正 Scale ——
数据成本高、规模小、多样性严重不足，没有可规模化的数据引擎。
COST/UNIT
HIGH
COVERAGE
LOW
SCALING LAW
N/A
TWO AXES · 具身缺乏两个维度的 SCALING
AXIS 01 · PRETRAIN SCALING
在 Pretrain 阶段，具身缺的不是算法，是能 scale 的数据引擎。
AXIS 02 · POST-TRAINING SCALING
在 Post-train 阶段，具身缺的是 test-time scaling。
CORE THESIS · 核心判断
大模型的范式，会在具身智能上完整复现
LLM 用八年 scale 了七个数量级 —— 具身智能今天大致还在 GPT-2 的位置，曲线才刚刚开始。
03 · CORE THESIS
TRAINING COMPUTE · LLM vs EMBODIED AI · 对数轴
SOURCE · Epoch AI notable models dataset · GPT-3 / GPT-3.5 ≈ 3×10²³ / GPT-4 ≈ 2×10²⁵ FLOPs 等公开估计 · 2026 前沿为量级外推示意
OUR ANSWER · 我们的答案
Computer Use Agent 已经证明：Digital AI Agent 和 Physical AI Agent 可以复用同一套技术栈。
机器人不是另一条完全不同的路，而是把输入输出接口从 screen / keyboard 换成 camera / joints。
所以我们不是从零发明一套 robot stack，而是在同一套 VLA + RL 范式上做物理落地。
THREE-LAYER UNIFIED STACK · 架构
Agent 驱动的三层一体架构
L1 MetaBot · L2 VLA · L3 WBC —— 不是三个模块，是一颗完整大脑的组成框架。
04 · ARCHITECTURE
STACK OVERVIEW
数字智能 ⇋ 物理智能
Computer Use Agent 先证明了这件事：两边复用同一套栈，只是接口不同。
L1 · AGENT
ALWAYS-ON
MetaBot · Agent 层
顶层调度，打通数字世界与物理世界
Agent 顶层调度：任务规划 · 多步推理 · 错误恢复
L2 · VLA
2–10 Hz
VLA · 视觉语言大脑
Humanoid Foundation Model · 感知与决策
DreamVPT + IDM · In-Context RL · 预训练 → 后训练 → RL
L3 · WBC
50–500 Hz
WBC · 运动小脑
Whole-Body Controller · 执行层
Isaac Gym RL · 带感知适配全地形
KEY INSIGHT
L2 与 L3 通过 latent space 连接 —— 决策与控制无缝衔接；CUA 证明这套结构在数字世界先跑通过。
LAYER 01 · DIGITAL ↔ PHYSICAL AGENT
Computer Use Agent
和机器人是同一套栈
先把这件事讲清楚：Digital AI Agent 和 Physical AI Agent 不是两套系统，只是同一套 VLA + RL 栈换了身体。
05 · CUA
SAME STACK · SAME PLAYBOOK
不是两条路，是同一条路的两个落点
Computer Use Agent 和 Humanoid Robot，本质上是同一个问题的两种形态。 架构层面都靠 VLA，训练层面都走 预训练 → 后训练 → RL，差别只在身体和数据。
AXIS
DIGITAL AI AGENT
PHYSICAL AI AGENT
Input
屏幕 / GUI 像素
第一视角 / 物理环境
Output
键盘 / 鼠标
关节 / 力矩
Backbone
VLA
VLA
Pretrain
录屏数据 + IDM 标注
合成视频 + DreamVPT + IDM
Post-train
SFT / 指令对齐
SFT / 指令对齐
RL
环境 RL · App / Web 任务
环境 RL · 物理任务
In-Context
现场学新网页 / 新工具
现场学新物体 / 新场景
▲
这就是为什么我们可以把 Computer Use Agent 的方法论直接迁移到机器人。
不是换赛道，是换身体。
LAYER 02 · VLA · 视觉语言大脑
L2 · VLA · Humanoid Foundation Model 核心
感知与决策，2–10 Hz —— 视频预训练 → 后训练 → RL，与大模型完全同一套范式。
06 · L2 · VLA
DREAMVPT · 数据引擎
视频是物理世界
唯一可规模化的数据
物理世界的数据天然稀缺，视频是少数能被大规模复制、编辑、生成的数据形态。
DATA MIX · NEW
1%real
99%synthetic
真机数据只做种子，每一帧都能被乘以 100×，甚至 1000×、10000×
▲
同范式已经跑通过一遍：Flood 是 Kimi Computer Use Agent 的作者。点击看详情
DreamVPT —— 把“做梦”的视频变成训练数据
机器人数据不够，那就让它做梦 —— 合成视频 × 大规模仿真，把稀缺真机视频放大成可训练的数据流。
合成数据提升语言模型能力这件事，LLM 侧已经被充分验证，我们是在把这条已验证范式迁移到物理世界。
DreamVPT Data Pipeline
①
真机数据
稀少但精确
~1% 体量
~1% 体量
→
②
视频生成
Seedance 2.0 等 SOTA
合成 1st / 3rd person
合成 1st / 3rd person
→
③
IDM 反标
真机 + 仿真数据训出 IDM
预测合成 video 的 action
预测合成 video 的 action
→
④
VLA 预训练
1% + 99%
统一进 VLA Brain
统一进 VLA Brain
DREAMVPT · EVIDENCE
合成数据预训练：真机端到端成功率 0% → 75%
同一验证集、同一训练配置、同一台 G1：五组实验唯一变量是预训练数据来源。Seedance + IDM 合成数据预训练整体优于仅真机预训练；「合成 → 真机」串行预训练效果最好。曲线为 36k 步微调训练过程（log 坐标），来自实验看板。
| 实验 | 预训练数据 | Pick | 端到端成功率端到端 | 细粒度均分细粒度 |
|---|---|---|---|---|
| EXP3 · 串行 | 合成 (Seedance+IDM) → 真机 | 90% | 75% | 8.5 / 10 |
| EXP1 · 仅合成 | Seedance+IDM 合成视频 | 50% | 40% | 5.3 / 10 |
| EXP4 · 混合 | 合成 + 真机混合 | 50% | 40% | 5.3 / 10 |
| EXP2 · 仅真机 | 真机数据 | 20% | 10% | 3.0 / 10 |
| EXP0 · 基线 | 无预训练 | 30% | 0% | 2.2 / 10 |
2026-09-10 · Unitree G1 真机公平测试 · 任务：货架取瓶 → 放入小车 · 每组 n=10 · 仅计完全自主 · 细粒度评分 = 到架 1 + 抓取 3 + 收臂 1 + 转身 1 + 至车 2 + 放置 2（满分 10）
EXP0 无预训练EXP1 仅合成EXP2 仅真机EXP3 合成→真机EXP4 混合
EXP0 无预训练EXP1 仅合成EXP2 仅真机EXP3 合成→真机EXP4 混合
同样的真机任务，数据来源改变了结果。
串行预训练 EXP3 端到端 75%、细粒度 8.5/10；仅合成 EXP1（40%）整体优于仅真机 EXP2（10%）；无预训练 EXP0 无法完成全流程（0%）。
串行预训练 EXP3 端到端 75%、细粒度 8.5/10；仅合成 EXP1（40%）整体优于仅真机 EXP2（10%）；无预训练 EXP0 无法完成全流程（0%）。
▶
DEMO VIDEOS · 点击展开
真机遥操 + 合成视频 + IDM 反标 + VLA end-to-end 全链路验证
▲
顶层稀缺数据不再是瓶颈，而是种子；视频是唯一能把这个种子规模化的形式。
LAYER 03 · WBC · 运动小脑
L3 · WBC · 带感知的全身运动小脑
Whole-Body Controller，50–500 Hz —— Isaac Gym 仿真 RL，带感知适配全地形。
07 · L3 · WBC
CORE PROJECT · 运动小脑
带感知的全身运控
支持全地形行走与全身动作跟踪 —— 全身一体控制。
TRAINING · ISAAC GYM
大规模仿真 RL 独立训练
Isaac Gym 独立训练、单独达到最优状态 —— 经 latent space 与 L2 无缝衔接。
PRINCIPLE · 组合泛化底座
先把小脑打到天花板
人闭眼也能走路、平衡、抓东西 —— 先把“会动”打到天花板，再让大脑接管。
DEMO · 类月球地貌全地形行走 —— ISAAC GYM 仿真 RL
▶
DEMO VIDEOS · 点击展开
H2 全身运控 · 深蹲 / 舞蹈 / 遥操 / 爬楼梯 · 1x 实时无加速
团队过往经验支撑
▸Flood 在启元世界是国内最早一批用 Isaac Gym 做大规模运控强化学习的人，正是运动小脑的核心技术源头。
▸运控负责人：南大 PhD · 四足机器人自然步态成果发表于 Nature Communications、登上 CCTV；另有头部人形公司核心运控。
▸大模型 + 机器人运控，全栈从这里闭环 —— 两者都真做过的团队，具身赛道几乎没有第二家。
FUTURE THESIS · 长上下文与在线学习
In-Context RL
先让 trajectory 进入 context
我们要做的不是把所有能力硬塞进一个 policy，而是先构建 long-context trajectory，激活 in-context learning，再往上做 RL。
08 · FUTURE
STEP 01 · LONG CONTEXT
把整段 trajectory 记进去
视觉、思考、动作、结果都回灌到上下文里，让模型看到完整轨迹，而不是碎片。
STEP 02 · ICL
激活 in-context learning
让模型在上下文里自适应新任务、新场景、新约束，这就是长上下文真正的价值。
STEP 03 · RL
再做在线强化学习
有了 trajectory 和 ICL，RL 才能真正把能力往前推，形成可持续的 test-time scaling。
GENERAL FOUNDATION · 通用人形基础模型
科学 benchmark
比 demo 更重要
通用人形基础模型 的 benchmark 要像 LLM 一样可复现、可比较、可区分能力边界。
09 · GENERAL
PRINCIPLE 01
可复现
输入、动作、成功条件、随机种子都要清楚。
PRINCIPLE 02
无泄漏
训练集、验证集、测试集要分开，不能靠记忆刷分。
PRINCIPLE 03
能区分能力
要有 hard cases、长尾 case 和 failure case，不然 benchmark 没意义。
PRINCIPLE 04
贴近真实分布
最好能对应真实业务和私有场景，benchmark 才能变成产品判断。
PUBLIC BENCHMARKS · 全量覆盖
DOMAIN 01
室内操作
家居 · 办公 · 实验室的抓取、放置与工具使用
DOMAIN 02
室外移动
复杂地形 · 长距离自主导航
DOMAIN 03
双手协作
对称/非对称双手 · 装配 · 搬运 · 交接
DOMAIN 04
长程任务
多步规划 · 错误恢复 · 工具链调用
DOMAIN 05
人机协作
自然语言 · 协同作业 · 意图推断
DOMAIN 06
泛化能力
新物体 · 新场景 · zero-shot 迁移
SCENARIOS · 应用场景
模型能力涌现 · 短期寻找适配场景，中长期高价值
模型能力会持续涌现，场景选择也随之进化；短期先寻找与当前模型能力最适配、能快速验证价值的落地场景，再向更高价值、更复杂的任务扩展。
10 · SCENARIOS
GOLDMAN SACHS · 2035
$38B
全球人形机器人市场预测 —— 较一年前的预测上调 6 倍。
MORGAN STANLEY · 2050
$5T · 10亿台
继汽车之后最大的硬件品类。
政策 · 工信部 2027
国家级赛道
《人形机器人创新发展指导意见》—— 2027 年达到世界先进水平。
NEAR-TERM · 短期场景 · 能力适配优先
SCENE 01
通用家居
家庭操作、整理与陪护
SCENE 02
通用工业
柔性产线 · 搬运装配 · 巡检维护
SCENE 03
实验室
重复性实验操作与数据采集
SCENE 04
农业
开放环境采摘、巡检与作业
SCENE 05
零售
货架整理、补货与店内服务
SCENE 06
高危场景
核电、化工、消防等危险环境替人作业
LONG-TERM VISION · 中长期愿景
VISION 01
人形宇航员
空间站巡检 · 月面/火星基地建设 · 科学载荷部署
宇航员是人类最贵的职业 —— 培养成本数亿，但月面任务 ≈ 通用人形的 baseline 能力：贵的不是任务，是承担任务的"人"。
中美太空竞赛 + 2030 登月议程 —— 唯一可规模化的劳动力就是人形机器人。中国必须有自己的机器人送上月球。
VISION 02
机器人硬件工程师
机器人测机器人 —— 机器人自研迭代的前提
上电充电、加载模型、推送权重、搀扶检修 —— 自我迭代闭环成立：24×7 自测自训，新模型直发另一台机器人。
大模型早就用上一代优化下一代 —— 这条路径在物理世界复现，RL 迭代从季度级压到周级。
VISION 03 · 终极目标
机器人实验员 · AutoResearch
完全的自主科研 —— 提出假设、设计实验、操作仪器、分析数据、撰写论文，7×24 不间断
科学进步的瓶颈从来不是算力，而是能做实验的"人"的数量与速度。实验员机器人把这个约束解除 —— 科研吞吐量不再受限于人类作息，假设-验证闭环以机器速度运转。
硬件工程师让机器人自我迭代，实验员让科学自我加速 —— 两条线合流，就是自我强化的技术爆炸。
ROADMAP × BUSINESS MODEL · 路线图与商业模式
模型领先 → 垂直整合
Phase 1 极致聚焦模型层，Phase 2 硬件自研走向量产 —— 先快后重，专注高效。
11 · ROADMAP
PHASE 01 · MODEL-FIRST
2026 H2 — 2027 · 模型层占得先机
2026 · H2
技术验证
DreamVPT + IDM + WBC
~100h 真机种子
核心 PoC 跑通
~100h 真机种子
核心 PoC 跑通
2027 · H1
开源发布
10 万小时级合成数据
模型开源 · arXiv 论文
对标 Kimi 开源路线
模型开源 · arXiv 论文
对标 Kimi 开源路线
2027 · H1
模拟登月 Demo
类月球地貌
Demo 视频发布
Demo 视频发布
2027
模型 SOTA
VLA benchmark 领先
数据飞轮全速运转
奠定模型领先地位
数据飞轮全速运转
奠定模型领先地位
PHASE 02 · VERTICAL INTEGRATION
2028 H1 起 · 硬件自研 · 整机量产
2028 · H1
启动硬件自研
组建本体团队 · 供应链布局
自研路线确立
自研路线确立
2028
GPT-4 时刻
具身 GPT-4 时刻
整机原型 v1
整机原型 v1
2029
整机量产
XVI 自研本体下线
高价值场景自营 RaaS
大规模数据飞轮启动
高价值场景自营 RaaS
大规模数据飞轮启动
2030
规模落地
机器人走进大街小巷
高价值场景优先
高价值场景优先
CORE TEAM · MetaBot / RSI 实践
全栈团队 · 大模型 × Agent × 运动小脑
具身赛道最稀缺的不是单点能力，而是大模型、Agent、运控都真做过的团队。
13 · TEAM
FOUNDER & CEO
宋鸿涌
FLOOD SUNG
▸前月之暗面（Moonshot AI）后训练 / RL 负责人 —— 团队 2–3 人 → 70+
▸启元世界物理动画 —— 运动小脑核心技术源头，国内最早用 Isaac Gym 做大规模运控强化学习
▸大模型 · Agent · 运动小脑 · 机器人硬件 全栈经验
→ 点击查看完整履历
RESEARCH DENSITY · 科研密度
团队累计发表顶会 / 顶刊论文 120+ 篇，Google Scholar 引用 18,400+。代表性工作：
▸Relation Network（CVPR 2018）· 小样本学习经典工作
▸Kimi k1.5 / K2 / K2.5 / Kimi-VL · 旗舰大模型核心研发
▸MoBA（NeurIPS）· 长上下文稀疏注意力
▸Nature Communications · 四足机器人自然步态学习
▸InternVLA-N1 / LLaVA-3D / EmbodiedScan / DexGraspNet 2.0 · 具身相关代表工作
CORE TEAM · 核心成员
VP
YH · 技术 VP —— 前月之暗面后训练长文本负责人 / 字节 Seed 研究员，Kimi 长文本、Kimi k1.5 核心贡献，参与 MoBA 和 Computer Use Agent 项目。
NAV
WZC · 人形导航 —— 上海 AI Lab 博后，InternVLA-N1 一作，多篇 VLN 核心工作，国内机器人导航最强之一。
WBC
FHQ · 人形运控负责人 —— 南大 PhD，四足机器人自然步态成果发表于 Nature Communications，登上 CCTV。
WBC
QM · 人形运控 —— 某头部人形机器人公司核心运控，机器人马拉松领队。
META BOT · RSI PRACTICE
10 + N
HUMAN + AGENTS
MetaBot 驱动的 Agent-Native 组织，每天用同一套流程自我迭代；这就是我们自己的 RSI 实践。
闭环很简单：目标设定 → Agents 执行与协作 → 更新 Memory / Skills → 下一轮更强。组织本身就是试验场。
MULTI-AGENT INFRA · MetaBot
整个公司，都是为 Agent 设计的
CORE SYSTEM
MetaMemory
共享记忆，沉淀上下文与组织经验。
Skill Hub
共享技能，让能力可复用、可组合。
Agent Bus
连接 Agents，完成协作、分发与结果传递。
T5T
持续追踪任务与项目状态，让执行形成闭环。
人类意图 → Agent Bus → Agents 执行 → MetaMemory / Skill Hub / T5T 沉淀 → 下一轮更强
四个核心系统把整个公司连接成一个 Multi-Agent 系统。人类设定目标并做关键判断，Agents 执行、协作、沉淀和迭代；随着系统变强，human-in-the-loop 会越来越少。
THE RAISE · 融资需求
融资需求
12 · FUNDING
ROUND · 天使++轮
Angel++
RAISE AMOUNT
¥2亿
ALLOCATION · 资金用途
100%
WHY NOW · 为什么现在
现在做 Humanoid Foundation Model 的窗口刚刚打开：本体成熟、大模型方法论成熟、WBC 也已经进入可以独立解决的阶段。
这轮钱不是为了慢慢试，而是为了把模型、数据和人才一口气拉到能打的状态。