成立半年估值超40亿，红杉、IDG、宁德时代重注一家“清华系”
（来源：VCA创投社）
2026年，具身智能赛道正在以惊人的速度制造独角兽。
从年初尚无一家200亿估值企业，到年中已有5家突破200亿。在这条赛道上，一家成立仅半年的公司，凭借“清华系”的学术基因和“通用物理智能”的宏大叙事，在天使轮便拿下40亿估值，随后又在A轮吸引红杉、 宁德时代 、 蚂蚁集团 等顶级机构集体重注。
这家公司就是自然意志。
2026年7月， 北京自然意志科技完成天使轮融资， 蚂蚁集团、宁德时代、 红杉中国、 凯辉基金、五源资本和华控电科等6家新机构入场。
加上之前 IDG资本、真格基金、峰瑞资本、顺为资本（小米系）和华方资本 等参与的投资，这家成立仅半年的公司背后的资本已经覆盖了顶级VC、产业资本与互联网巨头，成为今年具身智能赛道最受关注的初创企业。
从清华助理教授到40亿“黑马”掌舵人
2026年1月8日，北京自然意志科技有限公司正式注册成立。彼时，没人能预料到这家公司会在短短几个月内成为资本市场最炙手可热的标的。
公司核心创始人、实控人为 丁宁 ，现任清华大学电子工程系助理教授、博士生导师，是国内具身智能与大模型对齐领域的青年学术领军人物。丁宁拥有完整的顶尖理工科求学与科研履历，本科毕业于华中科技大学，2018年进入清华大学计算机科学与技术系攻读博士学位，师从郑海涛、刘知远两位清华知名AI领域教授；博士毕业后留校开展博士后研究，合作导师为周伯文教授，长期深耕人工智能底层算法、通用智能推理、强化学习核心领域。2025年正式入职清华电子工程系担任教职，持续深耕学术研究与技术产业化落地。
自然意志创始人 丁宁
学术层面，丁宁成果丰硕、行业认可度极高，长期聚焦通用智能、专业推理算法与智能系统研发，主攻大模型高效对齐、物理世界智能决策、强化学习优化等核心方向。其研究成果多次刊发于ICLR、NeurIPS、ICML、ACL等AI领域顶会顶刊，谷歌学术总引用量超7000次。其中 2023年发表于《Nature Machine Intelligence》的封面论文，聚焦大模型高效学习领域，引用量突破1000次，位列该刊年度最高引论文梯队。 同时，丁宁是国内知名开源AI社区OpenBMB核心贡献者，主导的多项开源算法成果在GitHub斩获超25000星标，技术落地性与行业影响力突出。
公司法定代表人为王旭佩，核心负责公司整体运营、资本对接与产业落地，与丁宁形成“技术研发+商业化运营”的黄金搭档。
投资人评价丁宁时用了两个词： “infra做得好”、“情商很高，收放自如” ——既有科学家的钻研能力和技术上的扎实基础架构能力，又有作为一名创业者的商业敏锐度。团队成员还包括来自清华C3I的博士生李昊展，研究方向涵盖VLA、RL in LLM等领域。
公司成立不到半年、尚无商业化落地，却获得40亿估值——资本买的不是丁宁过去的论文，而是他背后代表的团队能把“通用物理智能”从实验室搬到产业中的能力。
自然意志的定位是通用物理智能，即给具身智能做“大脑”。
传统 机器人 公司做的是“控制执行”——写好代码，让机器人按照指令按部就班地执行。而自然意志要解决的是一个更底层的问题：如何让AI像人一样理解物理世界的基本规律，并在此基础上自主判断、推理及决策。
这个问题的难度在于：让AI写文章、写代码已经是常规操作，但让AI真的理解和预判一枚鸡蛋放在桌边会发生什么，对当前的大模型而言仍是难题。市面上绝大多数人形机器人还停留在遥控操作或执行固定脚本的阶段，一旦遇到预设程序之外的物理场景，它们就会“不知所措”。
自然意志要解决的正是这个问题：让AI理解物理世界的基本规律，并完成自主推理与决策。这并非在现有机器人身上另外加一个更智能的模块，而是从底层重新定义AI与物理世界交互的方式。
当前国内具身智能赛道多数企业陷入“硬件内卷”困境，扎堆研发人形机器人、四足机器人整机，面临产能投入大、迭代周期长、同质化竞争严重、盈利难度高的痛点。自然意志从创立之初便确立 去硬件、重算法、强赋能 的差异化产品路径，精准规避红海竞争，聚焦产业链最核心、最高壁垒的具身智能“大脑”环节。
公司核心产品并非机器人硬件设备，而是一套 通用物理智能操作系统与具身大脑算法体系 ，核心功能是为各类工业机器人、家用服务机器人、特种智能终端、自动驾驶设备提供通用感知、智能决策、自主规划、实时控制的全栈算法解决方案。产品核心解决行业核心痛点：传统机器人依赖预设程序，无法适配复杂动态物理场景、泛化能力差、人机交互低效、场景适配成本高。
自然意志采用行业前沿且落地性极强的 世界模型+即时强化学习 双核心技术路线，区别于传统机器人的规则化编程、通用大模型的纯文本训练路线，完美适配物理世界动态交互需求。其核心技术体系依托创始人丁宁多年学术积累，拥有完全自主知识产权，形成深厚技术护城河。
其一，自研高效大模型对齐体系。依托丁宁主导的Ultra系列数据驱动对齐方案，解决传统大模型在物理场景中推理不准、决策滞后、适配性差的问题，大幅提升AI模型对物理世界规则的理解能力，让模型能够精准识别环境、预判动态变化。其二，创新强化学习算法，落地Implicit PRM、PRIME密集奖励强化学习方案，搭配TTRL测试时强化学习技术，让智能体能够在真实场景中实时试错、自主迭代，无需大量人工标注数据，大幅降低场景适配成本，提升机器人自主决策与动态适配能力。
相较于行业主流技术路线，自然意志的技术核心优势在于 强通用性、高迭代效率、低落地成本 。 传统机器人算法为场景定制化开发，一套算法仅适配单一设备、单一场景，复用性极低；通用大模型擅长文本、图像交互，缺乏物理空间感知与运动控制能力。而自然意志的具身大脑技术，打通了“感知-理解-决策-控制-迭代”全链路，能够适配多品类硬件、多类复杂物理场景，真正实现了AI从“认知智能”向“物理智能”的跨越，完全契合产业智能化升级的核心需求。
复旦工程师的十二年造芯路
如果说2024-2025年是具身智能的“躯体竞赛年”，那么2026年的赛点已经转移。过去两年，行业的目光几乎全部聚焦于人形机器人的四肢——从宇树到智元，机器人在跳舞、跑马拉松、翻跟头上不断刷新技术上限。但具身智能面临着一个更深层的矛盾： “身体”越来越强，“脑子”却还没跟上。
2026年上半年，国内具身智能赛道融资总额约438亿元。其中，以具身大脑为核心业务的大脑派公司吸纳了222.53亿元，占比高达50.8%；而机器人本体整机公司同期融资仅56亿元，占比12.8%。大脑赛道的体量是第二名的近4倍。
具身智能的"大脑"技术路线目前整体可以分为四条：
模块化分层路线： 用传统深度学习实现感知，用机器人学习算法训练运动技能，通过人工编程实现感知与运控的模块化组合。这一路线门槛相对较低，但泛化能力差。
分层大模型路线（LLM/VLM作为"大脑"）： 用大语言模型或视觉语言模型作为"大脑"进行任务推理和规划，通过API调用相应的动作策略。代表玩家如Physical Intelligence的π0.5采用VLM结合VLA的双系统架构。
端到端VLA路线： 将视觉、语言和动作统一到一个学习框架，根据视觉观测和自然语言指令，端到端地输出动作。这是目前最火的路线，占大脑赛道42%的融资。
世界模型路线： 通过动力学建模和未来观察进行行为预演和动作预测，以指导VLA动作策略学习。英伟达Cosmos、蚂蚁灵波LingBot-World、无界动力MWA都在这一方向布局，占大脑赛道27%的融资。
类脑架构VLA： 2026年成为新的技术热点。智平方发布的NeuroVLA借鉴人脑"皮层-小脑-脊髓"三级体系，试图通过仿生学重构大脑架构。
行业正从单一的VLA讨论，走向VLA与世界模型融合的多模态架构。正如一位从业者所言：“不用太纠结技术路线，现在整个具身大脑非常不成熟，要解决的问题还有很多。”
行业公认，要实现通用自主能力，具身大模型 至少需要千万小时级别的真实交互数据 。 但截至2026年初， 全球合规可用的真机数据加上无本体有效数据，加起来只有约50万小时，缺口超过99% 。
这个缺口不是多派人去采数据就能快速填上的。数据匮乏直接制约了模型的泛化能力。
另外，当前大部分"大脑派"公司仍处于"融资—研发—再融资"的循环中，离真正意义上的规模化营收还有距离。估值200亿的智平方、估值200亿的千寻智能，都还需要用产业订单来验证模型价值。
具身智能"大脑"赛道正处于"从0到1"的尾声和"从1到10"的开端。
一位清华助理教授带着超万次引用的学术成果和25000星标的开源影响力，在半年内吸引IDG、红杉、真格、宁德时代、蚂蚁集团等顶级机构轮番下注，估值突破40亿元。
但这仅仅是开始。
真正决定它能否撑起40亿乃至更高估值的关键，不是论文引用数，而是
能否按时发布可用模型、能否与头部机器人厂商达成合作、能否在至少一个垂直场景跑通商业化闭环 。 这三点做到了，40亿只是起点。