近日，人形智能公司Current Robotics（元流）已先后完成种子轮、天使轮及Pre-A 轮融资，累计融资金额达数亿元人民币。

投资方包括BV百度风投、高瓴创投、绿洲资本、Monolith砺思资本、前海方舟、复星创富、钧山资本等市场化投资机构，以及智元机器人、星海图、极壳科技等产业方。

融资资金将主要用于推进人类全身数据的规模化采集，并重点投入全身灵巧操作基模、交互式世界模型等核心技术研发。

过去几年，行业更关心机器人能不能走、能不能抓，能不能完成一段足够吸引眼球的演示。如今，当人形机器人真正走向家庭、工厂和商业空间，问题开始变得更加现实：能力如何复制到更多任务，模型如何适配不同本体，一套策略又该如何被规模化评估和迭代？

Current Robotics同时获得市场化机构和多家产业方支持，正是这一趋势的缩影——行业竞争正在从机器人的规模化制造，进一步走向机器人能力的规模化增长。

创始人兼CEO 祝毅晨，是前美的集团具身智能部部长，毕业于多伦多大学，作为国内最早布局VLA及机器人世界模型的研究者，已发表40余篇顶会论文，学术引用超过5,200次。国内最早发布VLM加扩散模型的VLA范式，并率先将VLA拓展至CoT，于2025年发表的WorldEval 最早提出将世界模型用于具身策略评估，相关论文入选ICML/CoRL/CVPR等。Physical Intelligence的π0论文唯一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。

从早期的VLA模型、人类示教数据，到动作生成、全身机器人学习和世界模型评测，团队研究边界一直沿着同一条路径扩展：如何让机器人理解真实任务，并将人类经验转化为可以持续增长的行动能力。

目前国内行业普遍将人形机器人的移动与操作分开处理：一套策略负责走到目标位置，另一套策略负责停下来抓取或操作。一旦这种方案进入真实的人类活动空间，移动与操作之间很容易出现断层。

对此，Current Robotics推出全身灵巧操作基模Curr-0。模型运行于70+自由度的人形机器人平台，与20自由度以上的灵巧手纳入统一策略，实现移动、平衡、身体协调和手部精细操作的联合学习，可以最完美地融入人类生活。

泡茶——拴系运动下的细粒度双手协调。

盖章——双手协调、手指间协调与工具使用。

点香——细长物体对齐与带动作的工具使用。

清理垃圾——单手多物抓取，结合移动与全身平衡。

从撕开茶包、整理桌面，到抱着物体穿过门框，Curr-0证明的并不只是机器人能够完成某几个Demo，而是随着真实数据和任务类型不断增加，同一个模型能够吸收更多经验，形成可以迁移和复用的全身能力。

这是具身智能Scaling 的第一道关卡：让数据规模的增长真正转化为机器人能力规模的增长。

为了能够高效采集同时反映环境、身体运动和物理交互的数据，Current Robotics自研了HumanEx人类数据采集系统，通过头戴式设备、数据手套、全身外骨骼、肌电设备，采集人在真实环境中的第一视角视觉、双手与全身动作以及受力信息，获取更接近人类自然行为的全身交互数据。

【HumanEx可穿戴系统】

当机器人能力开始扩展，如何能够验证？

传统真机评测依赖机器人、场地和人工重置。每次测试都需要承担硬件损耗和时间成本，同一个物理状态也很难被精确复现。一旦操作失败，环境往往无法回到完全相同的上一刻。

这意味着，模型可以快速训练，真实世界中的评测和纠错却很难以同样速度扩展。

Current Robotics本周发布的CurrentWorld-0，瞄准的正是机器人评测。不同于此前同赛道出现的世界模型，例如1X 的 1X World Model、Physical Intelligence 的 Ctrl-World 和 SC3-Eval、DeepMind 的 WorldGym，以及英伟达的 Cosmos Predict。这是首次将跨本体、多视角和力触预测整合进同一个世界仿真器中，并同时用于模拟、学习，以及与人类和机器人模型交互。

跨本体使得双臂夹爪、移动机器人和配备灵巧手的双足人形机器人，保留各自不同的动作空间和控制方式的同时，学习物理环境中可以共享的变化规律。

多视角意味着，机器人头部、腕部和第三视角所观察到的任务进程必须保持一致。即使物体一度被遮挡，模型仍要延续此前已经发生的交互，不能让不同画面生成互相矛盾的结果。

力觉和触觉则进一步补充了RGB视觉难以描述的物理状态。机器人是否抓稳、末端受力如何变化，这些信息不能从画面中直接判断，却会决定任务最终能否成功。

从叠袜子、整理抱枕，到削黄瓜、开瓶倒酒，CurrentWorld-0覆盖的对象不再局限于刚体，还包括柔性物体、流体甚至复杂接触过程。

更重要的是，CurrentWorld-0不止步于生成“看起来合理”的未来视频，而是持续响应机器人实际执行的动作。如果策略已经抓偏，模型不会将后续画面自动带回成功轨迹，让失败得以保留。

当机器人进入潜在失败状态，CurrentWorld-0还能把问题接回后训练。人类可以直接接管，通过遥操作完成纠正；同一个中间状态还可以被保存、回滚，再尝试不同的恢复方式。由此产生的纠错轨迹能够继续用于策略后训练，让评测不再是训练的终点，而是下一轮训练数据的入口。

这跨越了具身智能Scaling 的第二道关卡：不仅扩大模型训练的规模，也扩大验证、纠错和迭代的规模。

从Curr-0到CurrentWorld-0，Current Robotics正在搭建一套围绕具身智能Scaling的全栈技术体系并形成一条完整的循环：

真实经验→ 模型学习 → 世界模型评测 → 暴露失败 → 人类纠正 → 新数据 → 再训练。

HumanEx负责从真实环境中采集人类全身行为；Curr-0将这些经验转化为机器人的全身灵巧操作能力；CurrentWorld-0则让策略进入可反复验证的生成环境，并在失败附近获得人类传授新的纠错数据，继续回流后训练。

人的身体结构、人类长期积累的行为经验，以及那些难以被语言描述的自然动作，构成了人形机器人最重要的智能来源。Current Robotics想做的，是在人类经验与机器能力之间建立一条可以不断扩展的路径。

Current Robotics一直坚持的理念——人形智能始于人。

从真实的人类行为中获得经验，在统一的模型中形成能力，再到同一个世界里反复演练和进化。

这才是具身智能真正开始Scaling的时刻。