鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

星动纪元完成近5亿元A轮融资!通用具身技术突破驱动商业化落地,产品批量交付全球科技巨头!

编程导航
编程导航
2025-07-08 12:30
阅读 134
编程导航
2025-07-08 12:30
阅读 134

2025年7月7日,星动纪元宣布完成近5亿元A轮融资。本轮融资由鼎晖VGC和海尔资本联合领投,厚雪资本、华映资本、襄禾资本、丰立智能等知名财务机构及产业资本跟投,老股东清流资本、清控基金等机构持续加码。华兴资本担任本轮独家财务顾问。本轮融资将用于人形机器人软硬技术的研发与量产落地,推动“模型-本体-场景数据”闭环飞轮高速运转。

星动纪元成立于2023年8月,是清华大学唯一持股的具身智能企业。从成立起便坚持软硬一体的技术路线,致力于打造物理世界中的通用智能体、交付通用生产力,从而实现机器人赋能千行百业、走进千家万户的愿景。

物理世界以人为中心构建,因此,星动纪元从第一性原理出发,力求让机器人在物理世界中有的学、学得快、做得多:

在模型侧,让机器人像人一样“看懂世界,自主行动”。提出融合理解与生成的VLA模型ERA-42,将视觉、理解、预测、行动等功能统一到一个端到端的模型中。

在本体侧,打造“像人类一样有力&灵活的身体”。自研人形机器人在性能上逼近人类身体,并作为与物理世界交互的“通用接口”,将可用数据从真机数据扩展至互联网视频数据,解决了数据稀缺的瓶颈。

模型和本体的研发突破,使得星动纪元实现了一个模型控制全身灵巧操作,真正构建了物理世界AI的闭环飞轮。

技术突破已转化为高质量商业成果,全球市值TOP10的科技巨头中,9家为星动纪元客户。目前,星动纪元已经实现了产品批量交付,今年已累计交付超200台产品,另有上百个订单在量产交付中;订单中50%以上来自海外客户,快速领跑具身智能技术出海。此外,公司在工业物流、连锁零售等高价值场景快速推进落地,汇集了海尔智家、联想、北自科技等各行业头部客户。

本轮领投方鼎晖VGC高级合伙人郭其志表示:“星动纪元实现了‘端到端具身大模型+自研人形本体+全身灵巧操作’的三角闭环。公司持续探索全球最新研究方向,将训练数据扩展至互联网视频数据,解决数据稀缺瓶颈。期待继续见证公司不断突破技术上限,推动具身智能赋能千行百业。”

海尔资本张思思表示:“星动纪元已完成产品的多元布局,取得了开发者市场首选,工业物流与零售行业的加速落地。海尔已和公司展开连锁零售落地合作,并将提供产业链配套和多场景应用的全方位支持。”

华映资本创始管理合伙人季薇表示:“公司是世界范围内非常稀缺的既有大脑架构级创新能力,又有硬件底层研发实力的团队,这来自于创始人陈建宇博士软硬结合的复合背景。相信公司可以穿越周期,成为行业领导者。”

襄禾资本创始合伙人汤和松表示:“我们相信通用机器人的巨大市场潜力,星动纪元拥有通用机器人的全栈自研能力,包括模型算法、硬件本体和核心零部件,创始人陈建宇是行业中为数不多同时精通算法和硬件的稀缺人才,期待看到公司在后续发展中给行业带来更多突破性成果。”

构建物理世界AI的闭环飞轮

 【模型-本体-场景数据】


用统一架构解耦复杂性、以数据规模兑换智能度,星动纪元构建了物理世界AI “模型-本体-场景数据”飞轮的正向循环——VLA模型的架构创新、叠加高性能人形机器人本体给产品带来的竞争优势,让公司赢得了海内外客户的一致认可;产品下沉至场景落地时,同步建立数据生态,数据壁垒及数据闭环也将进一步反哺模型及产品,助力能力提升。

【模型突破】

让机器人“看懂世界,自主行动”


以“让机器人有的学、学得快、做得多”为目标,不断开拓及引领模型新范式,持续突破VLA模型能力上限:

  • 赋予机器像人类的认知能力:2023年,推出全球首篇结合大语言模型与人形机器人的算法框架DoReMi。

  • 像人一样“实时做”并“深思考”:2024年H1,发表HiRT论文,首次提出机器人快慢系统VLA架构。该架构发表后,行业内头部机构Physical Intelligence (Pi0),Figure AI的Helix,NVIDIA的Groot N1等均陆续发布类似架构的VLA模型。

  • 解决数据稀缺瓶颈:2024年H2,首个融合世界模型的VLA算法框架PAD以及VPP,让机器人从互联网视频数据中,学习物理世界规律。同时,星动纪元还首创提出了使用强化学习训练具身大模型的算法框架iRe-VLA。


星动纪元具身大模型ERA-42是上述一切的总和。目前的ERA-42是集视觉、理解、预测、行动为一体的模型;实现同一个端到端VLA模型控制高自由度人形机器人的全身灵巧操作,语音命令即可完成上百种复杂操作,包括柔性物品分拣、扫码,使用螺钉枪、移液器等。

【本体突破】

打造“像人类一样有力&灵活的身体”


  • 形态决定数据规模:利用人类数据,是解决数据稀缺的唯一解。星动纪元坚持人形机器人是与物理世界交互的“通用接口”,将有效数据从真机数据扩展至互联网海量视频数据。

  • 性能决定场景上限:产品星动STAR1兼具大运动能力与精细操作。实测最高跑步速度达3.6 m/s,打破全球人形机器人跑步速度记录;机器人全身55个自由度,搭载灵巧手星动XHAND1,能完成上千个灵巧动作,单手可拎起24 kg重物。

    星动STAR1突破了全尺寸人形机器人的性能天花板,既能适应路况不同的室内外环境、也可适配全场景各类复杂工况需求,在2025年CES上被英伟达选为全球14强人形机器人之一,在2025年摩根士丹利人形机器人产业报告中被列为全球16强人形机器人之一。

  • 硬件通用化、模块化,像搭建乐高一样开发产品:全栈自研核心零部件,包括关节模组、灵巧手、电机、减速器、控制器等。实现供应链的垂直整合及稳定可控,为产品的高质量高效交付提供了保障。


面向多样的场景需求,星动纪元可低成本、高效地构建任意形态的机器人产品,新发布的轮式人形机器人星动Q5便是一例,其大部分核心零部件均与星动STAR1共享。

【商业转化】

产品批量交付全球科技巨头

物流、零售行业率先布局


星动纪元引领的技术及创新的产品,已实现高质量商业回报快速增长:

  • 今年已交付超200台产品,另有上百订单量产交付中。

  • 全球TOP10市值科技巨头,9家为星动纪元客户。不仅企业,星动纪元产品已成为全球开发者市场首选,助力包括MIT、Stanford、UC Berkeley、字节跳动机器人实验室等产出顶尖研究成果,并推动科技果实从实验室到应用场的落地。

  • 率先布局业务出海。星动纪元的出海业务发展迅猛,自年初布局以来,海外市场收入占比已超过50%。

  • 锚定大产值行业、高价值场景,物流与零售场景率先布局。与北自科技开展战略合作,探索人形机器人在物流领域通用场景的应用潜力,目前已具备在复杂工业场景物流(搬运、分拣、扫码等)中落地的技术积累和实力。同时,星动纪元携手海尔智家、联想及世纪金源,重构零售服务体验。


在实现具身智能走入千行百业、走进千家万户的征途中,星动纪元将以“勇踏未至之境”的技术信仰,和“深耕千行百业”的价值取向不断行进;推动机器人成为科技进步的助推器、各行各业的生产力及能真正服务于人的好伙伴。

原文链接: 星动纪元完成近5亿元A轮融资!通用具身技术突破驱动商业化落地,产品批量交付全球科技巨头!
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手