給宇樹做“大腦”的具身智能公司，融資數(shù)億元，紅杉中國投了

文｜富充

編輯｜蘇建勛

在我們訪談具身智能公司“中科第五紀”期間，兩件事情先后發(fā)生。

第一件事，是2026年1月，中科第五紀獲得宇樹科技“核心生態(tài)合作伙伴”稱號。在To B及工業(yè)場景，中科第五紀目前作為宇樹機器人的“大腦”模型供應商。

第二件事，是中科第五紀在近期接連完成Pre-A及Pre-A+輪融資，兩筆交易在一個月之內完成，規(guī)模達數(shù)億元。其中，Pre-A輪由紅杉中國領投，東方富海跟投；Pre-A+輪由芯能創(chuàng)投、優(yōu)山資本聯(lián)合領投，清控金信跟投。

中科第五紀創(chuàng)始人兼CEO劉年豐認為，兩件事之間存在關聯(lián)，核心邏輯是一級市場對機器人的認知更務實了。

“去年，投資人更傾向通用的具身智能敘事，比如偏好‘既能搬箱子、又能收拾桌子、還能疊衣服’的機器人。但現(xiàn)在則更看重能不能先扎進垂類場景，并且讓客戶愿意復購。這關系到商業(yè)化能力，也關系到能不能用數(shù)據(jù)飛輪突破真機數(shù)據(jù)不足的瓶頸。”劉年豐對《智能涌現(xiàn)》介紹。

中科第五紀與宇樹的合作，正是這種“身體+大腦”分工的落地。自2025年起，雙方就已逐漸展開在電力巡檢、工業(yè)等場景的測試驗證和落地。

△采用中科第五紀“具身大腦”的宇樹機器人正在展示工業(yè)場景的搬運工作，圖片：采訪人提供

除了以“宇樹大腦供應商”的角色進入場景，中科第五紀也面向行業(yè)客戶直接提供完整的機器人解決方案。

在位于北京的辦公室，我們見到了中科第五紀為一家頭部央企客戶定制的機器人。這款紅色涂裝的機器人，即將進入零售門店承擔貨品銷售，未來還將進入加油站給汽車加油。此外，為行業(yè)客戶的檢測、搬運訂單也已逐步推進中。

中科第五紀創(chuàng)建于2024年9月，成立一年出頭便拿下宇樹等多家知名企業(yè)客戶。提及接訂單的方法論，劉年豐說，現(xiàn)在找客戶不難，難的是供給——“每次拿大訂單都要PK眾多對手，給客戶的場景做POC，經過數(shù)輪可靠性、魯棒性和穩(wěn)定性的測試，通過的才能留下。”

劉年豐透露，現(xiàn)在看似很多具身智能公司進了場景，但真能把活干好的不多。“比如工廠里搬運料箱，光線一變、料箱外觀、尺寸有所不同，機器人就認不出來，導致任務失敗，”他說。

這種“認得出、干得了”的能力，來自中科第五紀的技術團隊。

算法層面，團隊核心成員均來自中科院自動化所。除劉年豐外，聯(lián)創(chuàng)及算法總監(jiān)劉京、青年首席科學家黃巖均為譚鐵牛院士的博士生，深耕人工智能與多模態(tài)智能領域，畢業(yè)后曾就職于微軟、華為等企業(yè)；聯(lián)創(chuàng)曹恩華為中科院自動化所碩士，曾任阿里達摩院算法專家。

團隊自研的超少樣本具身操作大模型“FAM系列”用“二次預訓練”和“熱力圖對齊”，讓模型在執(zhí)行任務時更聚焦局部關鍵點。比如，搬運料箱時優(yōu)先關注把手，而不是依賴堆大量不同顏色、新舊程度的料箱圖片去“記住外觀”。

劉年豐稱，這套方法使機器人只需最少3到5條真機示范數(shù)據(jù)即可完成新任務學習，基礎任務成功率可達97%。

中科第五紀的硬件能力則來自清華大學團隊。清華大學長聘教授孫富春擔任中科第五紀聯(lián)合創(chuàng)始人兼首席科學家，其師生團隊為公司提供硬件和運控能力的支撐。

以下是劉年豐的采訪實錄，對話經作者整理：

△中科第五紀輪式雙臂機器人，圖片：采訪人提供

從“通用的大腦”到“在垂類真干活的大腦”

智能涌現(xiàn)：成為宇樹“核心生態(tài)合作伙伴”意味著什么？

劉年豐：成為宇樹“核心生態(tài)合作伙伴”，意味著我們的具身智能模型能夠與宇樹的高性能機器人平臺深度融合。宇樹機器人在運動控制和硬件設計上具備領先優(yōu)勢，出貨量持續(xù)增長。作為生態(tài)伙伴，我們將自研的具身大腦集成至宇樹整機，賦予其執(zhí)行復雜任務的能力。這種模式下，可使機器人更快地進入工業(yè)、巡檢等實際作業(yè)場景，宇樹的規(guī)模化出貨也帶動了我們的業(yè)務落地。

智能涌現(xiàn)：在具身智能大腦上有優(yōu)勢的公司也有好多家，為什么是中科第五紀成為宇樹的模型供應方？

劉年豐：宇樹的合作，也是PK掉了非常多頭部的具身企業(yè)的。

宇樹之前接觸過不少頭部大腦公司和高校研究機構，有很多模型能力也不錯。我們之所以能勝出，核心原因有兩個，一是我們的大腦能力扎實，尤其是通過小數(shù)據(jù)量樣本快速學習的能力；二是我們具備快速交付落地的執(zhí)行力，同時團隊也擁有豐富的產品經驗。

智能涌現(xiàn)：你說幫宇樹做電力巡檢，但行業(yè)內一些公司已經進入這個場景了，你們的優(yōu)勢或者差異化在哪里？

劉年豐：傳統(tǒng)的巡檢只能“看”，發(fā)現(xiàn)問題后還得派人去解決。我們的目標是巡檢加操作——巡檢到點位后，直接完成操作，比如掏鑰匙開柜門、按開關、拔插頭。

傳統(tǒng)的電力巡檢用的是四足狗，但這些操作需要類人的構型。在最近的電力智能巡檢大賽中，我們的機器人實現(xiàn)了跨站室遷移成功率90%、新柜型示教少于10次、末端定位精度±15mm的嚴苛指標，驗證了落地可行性。

智能涌現(xiàn)：給狗加個手不能解決這個問題嗎？

劉年豐：不太行，主要有兩層理由。

第一個就是馬斯克講的就是我們人類的世界是field for human beings。有很多的設備，它是按照人的身高。電力設備是按人的身高設計的，狗形態(tài)的機器人很難夠到2米高的電柜。

第二個問題在于，狗加雙臂是一個非標的構型，我覺得我們做機器人公司，一定要杜絕按照非標的構型思路。因為非標意味著無法放量——今天臂長要1.5米，明天要2米；今天精度0.1毫米，明天要1毫米——這樣就會量上不去，成本降不下來，算法也無法復用。

行業(yè)應該先“收斂”到標準硬件構型，比如至少上半身雙臂可以達到共識。再解決不同負載、節(jié)拍的泛化問題，而不是總用新構型解決問題。

智能涌現(xiàn)：無論是面向宇樹還是整機客戶，其實中科第五紀提供的確定性都圍繞著“進入場景”的能力，投資人現(xiàn)階段Buy In的也是這一點嗎？

劉年豐：是的，之前行業(yè)可能追求的是一個“既能搬箱子、又能收拾桌子、還能疊衣服”的通用模型。

但比起一個遙遠而終極的通用智能，我們一直堅持做要能夠在垂類、具體任務中落地的模型，比如至少能把工廠搬料箱這個問題真正解決。今年一級市場也意識到了這一點的重要性。

技術核心：小數(shù)據(jù)量樣本、高數(shù)據(jù)使用效率

智能涌現(xiàn)：包括中科第五紀在內，最近采訪的多家具身智能公司都說自己的機器人在工業(yè)場景搬箱子。但你提到，即使這個看似簡單的任務，真能做好的企業(yè)也不是很多，所以從模型能力來看，具身機器人搬箱子的難點是什么？

劉年豐：看似搬箱子是一個單調重復的工作，但其實有多個難點。

第一是泛化：料箱顏色、尺寸、新舊程度都不同，能不能用同一個模型穩(wěn)定完成識別、抓取與搬運。第二是導航：搬起之后從A點到B點怎么走，路徑規(guī)劃、避障，途中被打斷后能不能續(xù)做。第三是策略理解：比如“從面前100個箱子里搬走50個”，機器人能不能理解數(shù)量、以及該選擇哪50個箱子，到目的地怎么碼放，以及放下后要不要把物體取出等等，每個環(huán)節(jié)都存在問題。

這些看起來是搬箱子，背后其實是一整套復雜的任務規(guī)劃與執(zhí)行。

智能涌現(xiàn)：剛才你說到料箱的泛化性，感覺箱子已經是外觀比較簡單的物體了，為什么光照變了，具身智能模型的辨認就變難了？

劉年豐：最本質的原因就是因為，我們現(xiàn)在具身模型主流使用的VLA，是沿襲的動態(tài)模型沿襲了大語言模型——對整張圖片做全局信息映射。

舉個例子，比如拍一張有三瓶礦泉水的照片，白天和晚上光線不同，整張圖片的色溫、亮度都變了，模型可能就不認識了。

問題在于，具身智能沒有大模型那樣的數(shù)據(jù)體量去覆蓋所有光照變化。但換個思路，如果模型能關注局部信息——比如只鎖定每瓶水的外觀特征，而不關心背景、光線、桌子顏色——就能避免被全局變化干擾。這正是我們做“熱力圖”的出發(fā)點：讓模型聚焦操作對象本身，而不是整個畫面。

智能涌現(xiàn)：具體講講中科第五紀的模型是如何提高泛化性的？

劉年豐：操作的核心是操作對象，但以前的主流模型太關注全局信息。我們的思路是：通過多個二維熱力圖，把要操作的對象位置自適應地學習出來，讓模型意識到什么是最需要響應的操作對象。

△中科第五紀FAM模型圖，圖片：采訪人提供

熱力圖可以理解為一張“重點標記圖”——圖像中顏色越深的區(qū)域，代表模型應該越關注。比如指令是讓機器人開辦公室門，它會重點盯著門把手，而不是整扇門——不管門是木門、玻璃門還是什么顏色，只要把手在那兒，它就知道怎么操作。回到工廠搬料箱的場景也一樣，模型關注的是把手，不是整個料箱，更不是整個視野里的工廠。

這是通過“二次預訓練”實現(xiàn)的，第一次預訓練，我們讓模型知道各個物體是什么；第二次預訓練，我們通過“熱力圖”讓模型重點關注操作對象，讓模型學會分辨“什么才是當前任務最重要的東西”。

智能涌現(xiàn)：所以你之前說拿到宇樹訂單的原因之一在于，F(xiàn)AM模型能通過小數(shù)據(jù)量樣本，快速實現(xiàn)新任務學習，正是因為你們的技術方法比較節(jié)省數(shù)據(jù)？

劉年豐：是的，當前真機數(shù)據(jù)不足是行業(yè)共識。

我們的解決方法之一是通過“二次預訓練”提高模型對重點操作對象的關注，可以提高數(shù)據(jù)使用效率，節(jié)省大量預訓練數(shù)據(jù)。

此外，我們重視進入場景，也是因為可以通過真干活的數(shù)據(jù)飛輪，把真機數(shù)據(jù)轉起來。

商業(yè)化展望：“復購”很關鍵

智能涌現(xiàn)：具身智能行業(yè)從去年下半年開始，就非常注重“商業(yè)化落地”，但你指出今年更考驗的是“復購”？

劉年豐：對。2025年，我們看到很多機器人看似進入干活場景，其實還是在POC（概念驗證）。到了2026年，考驗的是復購，像搬箱子這樣的場景，要在2026年被徹底解決。

智能涌現(xiàn)：今年徹底解決搬箱子這個任務之后，那在工業(yè)場景里，下一個被具身智能企業(yè)集中探索，且可能被解決的工作是什么？

劉年豐：有挺多的，比如移動分揀，這是一種更精細的搬箱子。需要把箱子里面的某些特定的東西，拿到特定的位置去。這一大類任務，無論是橫向（跨客戶）還是縱向（跨場景）看，都有極強的泛化空間。

智能涌現(xiàn)：你們的商業(yè)模式是怎樣的？如何收費？

劉年豐：面向本體公司，我們交付大腦，并按照一個機器人對應一個license收費，現(xiàn)階段會根據(jù)場景和任務的復雜度判斷費用。

而面向終端場景客戶，我們交付自研的輪式機器人，按照整臺機器人收費。而未來隨著供應鏈愈加成熟，整機的價格會進一步下探，客戶也會看到更好的ROI數(shù)據(jù)。

智能涌現(xiàn)：中科第五紀既給客戶出“軟”的部分，也自己做軟硬一體的機器人。所以最后公司的商業(yè)模式究竟會更偏向哪條路？

劉年豐：我們的最終定位是軟硬一體的公司，我們也認為具身智能在“腦”不在“型”。可以參考蘋果，最核心的競爭力不是攝像頭、不是主板，而是操作系統(tǒng)和生態(tài)。這條路雖然難，但也是我們想走的路。