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

星尘智能完成数亿元A++轮融资 国科投资与蚂蚁集团联合领投,加速绳驱AI机器人规模化落地 | 融资速递

编程导航
编程导航
2025-11-18 15:13
阅读 0
编程导航
2025-11-18 15:13
阅读 0

2025年11月18日,深圳 - 绳驱AI机器人公司星尘智能(Astribot)完成数亿元A++轮融资,由国科投资和蚂蚁集团联合领投,Bloom Advance Capital、时代伯乐(金马游乐产业基金管理人)、南山战新投等知名财务机构及产业资本跟投,老股东锦秋基金继续追投。

今年4月,星尘智能宣布连续完成数亿元A轮及A+轮融资,由锦秋基金、蚂蚁集团领投、多位老股东跟投。一年内,老股东蚂蚁集团已经连续领投星尘智能多轮融资,老股东锦秋基金持续追投。华兴资本担任本轮独家财务顾问。

本轮融资将重点用于研发人才梯队建设、绳驱本体的规模化制造准备、多场景解决方案深化与产业化能力提升,进一步推动具身智能的工程化与商业化落地。

全球首个量产绳驱AI机器人,构建领先“本体-遥操-模型”具身智能全栈平台

星尘智能是绳驱AI机器人的定义者,也是全球首个实现绳驱AI机器人量产的公司,其产品采用独特的绳驱传动设计,模拟人类肌腱的丝滑运动与精密力控特性,让机器人刚柔并济,同时具备高拟人表现力、高动态响应与高交互安全等先天操作优势,特别适合需要复杂灵巧操作和人机交互协作的场景——这是传统刚性机器人难以胜任的。

星尘智能自创立起就提出了 Design for AI 的软硬件底层架构,并坚信这是 AI 时代人形机器人的底层范式:绳驱能像“肌腱”一样发力,低摩擦、高跟随、连续力域,不会像传统刚性传动在齿隙、摩擦、冲击中丢失关键力控信息,让AI能获取连续力学数据并学习人的施力逻辑;而绳子的天然弹性缓冲,让机器人“不伤人、不伤己、不伤环境”,可在真实世界高频试错、持续进化。

围绕“绳驱”优势,公司已构建“顶尖本体-领先遥操-高效模型”具身智能全栈平台,并于今年10月IROS顶会上展示升级后平台:包括新发布的半身商用机器人 Astribot S1-U、经过跨国/跨省成功验证的超远程数字分身遥操作系统,及针对商业服务场景更新DuoCore全身VLA模型。

值得一提的是,今年6月星尘智能还率先攻克了绳驱量产难关,实现多个月批量稳定交付,这比OpenAI投资的绳驱机器人公司 1X 至少领先一个周期。

高价值场景加速部署,科研、商业、文旅与工业多点开花

在商业化方面,基于“顶尖本体-领先遥操-高效模型”的组合拳,星尘智能已获得数千台订单,在科研、文旅文娱、商业服务、工业物流等高价值场景多点开花。

首个机器人MART在粤揭幕 具身智能赋能文旅文娱场景

11月15日,公司与金马游乐(300756)达成战略合作,联合推出新一代文旅文娱机器人系列产品,这是国内人形机器人在文旅文娱、商业服务领域最早一批规模化订单。全球首个由绳驱AI机器人全自主运营的零售服务店 “机器人MART” 随即在中山落地,“AI 主理人”可全自主完成语音接待、下单支付、小食制作、饮料售卖、抓送商品等一系列复杂操作,方案可复制到景区、机场、商业综合体、街区等。9月2日,星尘智能还与全球最大控制器系统厂商仙工智能签约,为当时国内最早一批工业领域规模化订单。

星尘智能还与字节跳动、腾讯、百度、央视、京东等多行业的头部客户合作,推动绳驱AI机器人在多场景加速落地。

同时,公司积极构建开放科研生态,与 Physical Intelligence、MIT、清华大学、香港大学、字节跳动AI Lab等国内外顶尖团队合作,产出具身智能技术成果,加速科研成果的工程化验证。

星尘智能创始人兼 CEO 来杰表示:“具身智能的发展需要AI+机器人、软件+硬件协同发展。星尘从第一天就坚持全栈自研,围绕‘本体—遥操—模型’三个方向长期积累。开放场景的规模化部署才是真正检验机器人能力与工程化体系的时候,我们希望在接下来的几年里,让 AI 机器人真正进入现实世界,成为稳定可靠的新质生产力节点。”

国科投资(全称:中国科技产业投资管理有限公司)董事总经理周晓峰表示:“星尘智能是市场稀缺的具备量产绳驱本体能力的具身智能企业,全球领先,国内唯一。无论是其Whole-Body Manipulation的VLA模型,还是在机器人的动态性、柔顺度和同步性上都独树一帜,非常契合具身智能落地家庭或商业场景的需求。公司团队具备机器人+AI复合背景,行业经验丰富,长期合作默契。我们看好星尘智能‘仰望星空、脚踏实地’的研发与产品理念,期待来总、戴总带领团队奔赴具身智能的星辰大海。”

锦秋基金合伙人臧天宇表示:“锦秋已连续多轮支持星尘,非常看好团队基于全球领先的高拟人度、高柔性绳驱机器人平台,持续推进L2和L4两套方案的场景落地,加速建立真实场景的数据闭环,形成“本体优化—数据积累—算法进化—产业落地”的正向循环。锦秋也将持续支持星尘的发展,在商业合作、供应链建设与全球化布局等关键环节提供助力。”

前麦格理集团私募投资大中华区主管,Bloom Advance Capital管理合伙人杜鹤群博士表示:星尘智能作为全球首个量产绳驱具身智能公司,以类肌腱创新绳驱技术“材料+算法”为核,突破刚性传动局限,真正将人类能力放大在具身智能本体。通过独创“本体-数据-模型”全栈架构,以真实交互数据反哺全身VLA模型DuoCore-Whole Body进行优化,在工业,文娱,医疗等多场景推动了具身智能与真实物理世界深度融合。星尘团队具备极强的“深度思考+产业理解+快速迭代执行”能力,将绳驱具身智能技术和客户真实需求紧密结合。Bloom Advance将持续坚定在全球出海,产业合作等多维度支持公司发展。

原文链接: 星尘智能完成数亿元A++轮融资 国科投资与蚂蚁集团联合领投,加速绳驱AI机器人规模化落地 | 融资速递
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
🔥 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