Current Robotics元流首次披露融资：三轮数亿元，曹曦智元投了
投资方既有BV百度风投、高瓴、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本等知名市场化机构，也集结了智元、星海图、极壳科技等产业方。
身后创始人祝毅晨是一位95后，很早就带队做起VLA研究，期间发表了40余篇顶会论文，多年沉淀的技术路线凝聚为涵盖全身灵巧操作基模、数据采集设备及世界模型评估策略的整套基础设施，持续将真实人类行为化为人形能力。
“人形智能始于人。”沿着Current Robotics的理念，我们正在见证机器人开始从演示台走向千家万户。
95后大牛
迅速完成三轮融资
Current Robotics的历程始于祝毅晨。
95后，前美的集团具身智能部部长，国内最早发布VLA及世界模型的研究者。他曾带领团队最早提出扩散模型和VLM端到端的VLA范式（TinyVLA），并拓展了CoT策略（DiffusionVLA & DexVLA，发表至ICML和CoRL），最早提出世界模型用于具身策略评估（dWorldEval，发表至ICML Spotlight）。
Physical Intelligence的π0论文有且仅引用过一个中国团队的研究成果，正是祝毅晨团队完成的TinyVLA与ScaleDP工作。 此后，这些研究从VLA模型、人类示教数据逐步延伸至全身机器人学习，沉淀为Current Robotics的技术基础。
创业水到渠成。祝毅晨观察到，过去人形机器人要么聚焦让机器人更会“走”的全身运控，要么聚焦让机器人更会“拿”的手部操作，最终呈现出“先走过去、再停下来操作”的画面。但真实世界的任务往往不会如此简单，哪怕一个简单动作也面临手与身的稳定协同。
这需要 “全身灵巧操作”（ Loco-Dexterous Manipulation）。Current Robotics给出的方案是系统集成，将全身移动、姿态协调和手部精细交互放进同一个策略里训练。由此发布的全身灵巧操作模型Curr-0，让机器人能够在移动过程中持续调整自身动作。目前公开的五类任务由一套共享权重的策略完成，并通过语言指令进行区分。
机器人抱着物体穿过门框并放至特定位置
有了模型，更多落地细节问题接踵而来——首先是 数据 ，Current Robotics自研了全身外骨骼数据采集系统，将采集场景从实验室拓展到工厂、办公室、家庭等更真实的环境中。其次是更快的 评测与迭代 ，探索使用世界模型评估真实机器人策略。
至今，公司专注于Loco-Dexterous Manipulation，已形成覆盖数据采集、模型训练、基于世界模型的评估与后训练的全链路技术能力，旨在提升机器人在不同任务与环境中的移动操控和能力泛化。
这一点在具身智能普遍缺实用性、缺数据、缺泛化的当下十分稀缺。因此Current Robotics刚成立就迎来知名市场化机构的集体下注，青睐程度不言而喻。更为罕见的是产业方联手，资金之外，更重要的意义是产业协调。
投资界获悉，Current Robotics已加入星海图发起的亦数智能数据生态联盟，将共同构建从数据采集、标注到应用的完整链路。此外，公司亦是智元旗下的具身智能数据平台觅蜂科技的战略合作伙伴。
给资金、给订单、给生态，这样的投资方式在具身智能时代尤为鲜明。毕竟，有场景才能形成数据飞轮，才能用更低的成本、更短的时间让机器人具备在真实世界中稳定工作的能力。
打造具身智能基础设施
从一开始，Current Robotics就聚焦在现有具身智能技术路线的空白。
譬如要点燃一盘蚊香，一个自然的想法是机器人先走到对应位置，然后停下来操作。对应的技术方案便是，将移动策略和操作策略分开训练，最后用系统工程拼接起来。这一思路在工厂流水线可以成立，但一旦进入家庭等真实场景，移动和操作之间会产生明显裂缝。
这并不难理解：即使机器人站在原地完成桌面任务，腰部和下肢仍然需要根据上半身动作进行调整。只采用“拼接”方法，一旦身体有所倾斜，手部施力方式被破坏，机器人就会显得笨拙。
Current Robotics发布的 全身灵巧操作基模Curr-0 正是为了协调而生——通过导航移动、全身平衡和灵巧手的全耦合实现手脚协同。从撕茶包、清理桌面垃圾到抱着物体穿过门框，这些难以被简单拆成“走”和“做”两个阶段的精细化任务，在Current Robotics的方案中有着不俗的表现。
模型之后，数据来源也需要同步更新。主流的第 一人称采集能够覆盖丰富的环境和行为，但无法准确还原人体运动状态及接触力等物理交互信息；本体遥操作采集精度更高，但受设备与成本限制更难规模化。
能否高效采集到同时反映环境、身体运动和物理交互的数据？基于此，Current Robotics自研 全身数据采集设备 ，通过头戴式设备、数据手套、全身外骨骼、肌电设备，记录人在真实场景中的第 一视角视觉、双手与全身动作、全身受力，整个过程不需要先部署一台机器人。如此一来，数据采集场景直接延伸到人类真实任务当中，不仅成本和适用性都更优，也能支持人形机器人大脑所需要的真实数据。
HumanEx可穿戴系统
最后则是评测和后训练环节。传统真机评估依赖机器人、场地及人工重置，测试的硬件、时间和场景复现成本比较高。尤其是在接触状态连续变化的任务里，失败后的环境状态很难精确回到上一刻，这会直接影响模型迭代效率。
基于此，Current Robotics 很早便开始探索用世界模型承接机器人策略评测。团队先后提出 WorldEval、dWorldEval，将机器人策略放进生成的未来世界中执行，通过预测任务进程评估策略表现；随后在 Hi-WM（Human-in-the-World-Model，发表于RSS 2026 Robot World Models Workshop） 中进一步加入人工接管，当策略出现错误或不确定情况时，人类可以直接介入纠正，并将新的交互轨迹继续用于后训练。
本周发布的 CurrentWorld-0 ，进一步把 Current Robotics 此前围绕世界模型展开的策略评测与后训练工作，推向了更完整的交互环境。团队将其定义为 交互式世界仿真器（Interactive World Simulator） ，并首次把 跨本体、多视角和力-触觉预测 整合进统一框架。
机器人一旦更换本体，动作空间和控制方式也会随之变化。不同机器人本来就很难共享同一套低层控制表示，CurrentWorld-0 却很好地保留了这些差异，让不同机器人平台按照各自的方式行动，再从跨平台交互中学习可以共享的环境动力学。
本体差异解决以后，新的问题又落到了“怎么看”上。真实机器人往往同时依赖头部、腕部和第三视角，同一次任务在不同机位里的画面差别很大，但背后的物体状态、机器人姿态和任务进程不能因此各走各的。一个视角里物体已经被推走，其他视角也要同步发生变化；即使中途被遮挡，后续状态也必须延续前面已经发生的交互。
而当机器人真正和物体发生接触，RGB 很快就会暴露出局限。抓取是否稳定、末端受力如何变化、物体是否出现滑动趋势，并不总能从画面里直接判断。CurrentWorld-0 因此进一步把力觉和触觉纳入预测，让接触过程中视觉难以覆盖的物理反馈也能随着动作持续变化。
从叠袜子、整理抱枕，到削黄瓜、开瓶倒酒，CurrentWorld-0 处理的也不局限于刚体操作，柔性物体、流体以及复杂接触都融入了生成环境。到了策略评测阶段，模型还要持续响应机器人实际执行的动作：如果 policy 已经抓偏，后续状态就不能被视频先验重新带回常见的成功轨迹，原本应该暴露的失败记录需要被保留下来，而不应该被“纠正”。
这也是 CurrentWorld-0 能够用于策略比较的基础。机器人策略可以先在生成环境中运行、比较并暴露 failure mode，再将结果与真机表现进行对照。团队公布的结果显示，其中不同 policy 的相对表现能够较好对应真实机器人测试，真机执行中的主要失败模式也能在生成环境中得到复现。
评测之后，这些失败经验还可以继续被利用。当策略运行到容易出错的位置，人类可以中途接管；即使同一个中间状态，也能够被保存、回滚，再从此处尝试不同的恢复方式。由此产生的 corrective trajectories 还可以继续用于 policy post-training ，让一次评测中暴露的问题进一步转化为下一轮训练数据。
到这里，CurrentWorld-0 已经形成一条相对完整的模型测评和后训练采集链路：策略先在生成环境中接受验证，问题暴露出来后，再通过人类纠正补充新的交互经验，并继续进入后训练。