近日，人形智能公司 Current Robotics（元流）首次对外披露融资进展：公司已先后完成种子轮、天使轮、Pre-A轮融资，累计融资数亿元人民币。
此前多轮融资中，公司获得 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、钧山资本等多家财务投资机构，以及智元机器人、星海图、极壳科技等产业方支持。
Current Robotics表示，融资资金将主要用于推进人类全身数据规模化采集，并重点投入全身灵巧操作基模、交互式世界仿真器等核心技术研发。
过去几年，人形机器人产业的进步首先体现在本体上。双足运动能力快速提升，灵巧手自由度持续增加，整机也逐渐进入70+自由度的控制空间。但当机器人真正进入开放环境，仅仅拥有更多自由度并不能直接转化为更强的任务能力。移动、身体平衡、双手操作、环境交互需要在同一个任务中持续协调，数据如何获取、模型如何训练、能力如何验证，也随之成为新的系统问题。
从VLA研究到全身机器人学习
Current Robotics目前的技术路线，来自团队多年围绕机器人学习、VLA和世界模型的研究积累。
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。曾提出全球首个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。
此后，这些研究逐渐延伸至人类示教数据、全身机器人学习和世界模型评估，并沉淀为Current Robotics当前围绕数据、模型和评估展开的技术路线。
CurrentWorld-0：世界模型开始走进机器人的“评测场”
几乎与此次融资披露同期，Current Robotics本周发布了新的机器人世界模型 CurrentWorld-0。
Current Robotics将CurrentWorld-0定义为交互式世界仿真器（Interactive World Simulator），也是全球首个在统一框架中整合跨本体（Cross-Embodiment）、多视角（Multi-View）和力-触觉（Force-Tactile）预测的世界模型。
相比生成一段足够逼真的机器人视频，这次发布更重要的一步，是让策略真正进入生成环境执行。
普通视频生成关注的是未来画面是否合理。到了机器人评测，策略会不断读取当前观察、输出动作，世界模型根据动作生成下一状态，新的观察再重新交给策略。前面产生的结果，会直接影响机器人下一步怎么做。
这时，动作能不能真正改变后面的世界就变得很重要。
比如机器人已经抓偏，生成模型却顺着更常见的成功轨迹继续往下补，最后还是把物体“拿”了起来。画面本身可能没有明显违和，原本应该被评测出来的错误却消失了。
Current Robotics此前在 dWorldEval 中已经研究过这类动作可控性（action controllability）问题。到了CurrentWorld-0，策略实际执行的动作会继续作用于后续状态。抓取位置错了，物体不会自行回到正确位置；任务已经失败，后面的世界也会沿着这个结果继续发展。
但同一套世界仿真器面对的，不会只有一种机器人。
不同本体有各自的动作空间和控制方式。CurrentWorld-0保留对应的 Action Subspace，再从不同机器人与环境的交互中学习可以共享的环境动力学。机器人怎么控制可以不同，动作落到环境之后，物体怎样移动、接触之后状态怎样变化，其中仍有可以跨本体学习的规律。
机器人在环境中移动时，观察也在持续改变。
真实任务里，策略同时依赖头部、腕部和第三视角。几个视角看到的内容不同，却对应同一段交互。一个视角里的物体已经被移动，其他视角也要同步变化；中途被遮挡，再次出现时，还要接得上此前发生的动作。
生成画面随后还要重新成为策略的输入。如果不同视角之间逐渐出现偏差，错误也会跟着进入后面的决策。
到了开瓶、削黄瓜这样的富接触任务，RGB能够提供的信息又有限。
夹持是否稳定、工具有没有真正接触物体、末端受力如何变化，都可能影响下一步操作。CurrentWorld-0进一步把视觉、力觉和触觉放进同一次预测，让接触发生以后产生的物理反馈，也能跟着机器人动作继续变化。
【CurrentWorld-0 同时预测未来画面、力觉信号与触觉反馈】
团队公布的实验结果显示，不同在CurrentWorld-0中的相对表现与真机测试能够较好对应，真实执行中出现的主要 failure mode 也可以在生成环境中复现。
这些failure还可以继续往下使用。
策略运行到容易出错的位置时，人可以直接接管。中间状态能够被保存、回滚，再从同一个位置尝试不同的纠正动作。围绕一次failure，可以继续获得多条 corrective trajectories，再用于策略post-training。
这也延续了Current Robotics此前 WorldEval、dWorldEval和Hi-WM（Human-in-the-World-Model，发表于RSS 2026 Robot World Models Workshop） 的工作。策略先在生成环境里跑，问题真正出现以后，人再从具体的failure state介入，纠正过程中产生的新轨迹继续进入训练。
机器人最终还是要回到真实环境中接受验证。CurrentWorld-0希望补充的，是两次真实测试之间原本很难反复展开的部分：让更多策略先进入生成环境执行，让failure更早暴露，其中有价值的纠正轨迹也能继续进入下一轮训练。
双足+灵巧手高自由度本体如何真正协同？
世界模型评的是策略，而策略本身也在变得越来越复杂。
当前机器人产品中，移动底盘搭配双指、三指夹爪仍是常见构型；与此同时，双足人形与高自由度灵巧手也成为多家头部机器人公司的重要研发方向。这种构型的优势与人类现有环境直接相关。
楼梯、门框、桌椅、工具和工作空间都围绕人的身体结构设计，拥有双足与高自由度双手的人形机器人，可以直接适配大量已经存在的物理空间和操作对象。
当前人形机器人整机自由度不断提升，高自由度灵巧手也逐渐成为重要配置。自由度增加之后，很多原本可以拆开的动作开始彼此牵连，控制难度会迅速增加。
以抱物穿门为例，机器人需要在移动过程中判断空间距离，持续调整身体姿态和重心，同时保持双臂稳定；点线香则要求机器人在全身稳定的基础上完成精细末端操作。即便是站在桌前完成任务，腰部和下肢也会随着上半身动作不断调整。
围绕 Loco-Dexterous Manipulation（全身灵巧操控），Current Robotics推出了全身灵巧操作基模 Curr-0，将双足人形机器人与20自由度以上灵巧手纳入同一模型中学习和推理。
Curr-0运行于70+自由度人形机器人平台，并将20自由度以上灵巧手的精细操作纳入统一策略，通过基于大规模真实世界数据进行端到端训练。通过共享权重策略完成多类任务，实现移动、身体协调与手部物理交互能力的统一学习。
目前公开的五类任务由同一套共享权重策略完成，并通过语言指令区分。机器人已经能够完成撕茶包、给文件盖章、点线香、清理桌面垃圾、抱物穿门等任务。
【机器人抱着物体穿过门框并放至特定位置】
这些任务的共同特征，是移动与操作持续耦合。随着机器人进入家庭、商业空间等开放环境，这类全身协同能力也会直接影响其能否完成真实任务。
高自由度人形，数据从哪里来？
高自由度模型对数据提出了完全不同的要求。
机器人需要学习的内容远超“手怎么动”。人在移动过程中如何调整重心，双手操作时躯干如何配合，接触物体之后身体如何根据受力自然修正，这些信息都会影响全身动作。
现有数据采集方式各有局限。第一视角视觉能够快速覆盖丰富环境和人类行为，却难以完整记录人体运动状态、接触力等物理信息；机器人本体遥操作可以获得精度较高的数据，但设备成本、机器人数量和部署条件限制了规模；仿真能够大量生成动作轨迹，对真实视觉、人类自然行为以及复杂物理交互的覆盖仍然有限。
Current Robotics推出人类数据采集系统，通过头戴式设备、数据手套、全身外骨骼、肌电设备等，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全身受力。
HumanEx 可穿戴系统
这套方案无需提前在采集场景中部署机器人，因此工厂、办公室、家庭等人类原本就在执行任务的环境都可以成为数据来源。
目前，Current Robotics已积累 21,000小时人类行为数据，其中包括2,800小时全身数据，用于支持Curr-0及后续全身灵巧操作基模训练。
对于人形机器人而言，这类数据的价值在于完整记录人在真实任务中的身体运动与物理交互。随着机器人本体自由度提高，只围绕机械臂和末端执行器建立的数据体系越来越难覆盖完整的训练需求，而人类长期在真实环境中形成的全身行为经验，为人形机器人提供了另一类可规模化的数据来源。
由此，Current Robotics的数据、模型和评估体系逐渐形成对应关系：HumanEx提供规模化真实人类数据，Curr-0负责全身灵巧操作模型训练，CurrentWorld-0 承担可规模化的验证环境。
人形智能竞争，越来越像一道系统题
当机器人进入开放世界，单项能力之间的边界会越来越模糊。
双足本体决定机器人如何进入人类空间，高自由度灵巧手影响精细操作能力；真实数据为模型提供物理经验，全身基模负责学习移动与操作之间的协调关系，世界模型则承担策略验证和持续迭代。
Current Robotics将HumanEx、Curr-0和CurrentWorld-0 放在同一体系中，也是基于这种系统化判断。真实人类行为被采集为训练数据，模型在高自由度人形机器人上学习全身能力，再通过世界模型持续评估和修正，数据、模型和评估由此形成连续闭环。
机器人最终要在真实环境里工作。数据如何持续增加，策略如何应对更复杂的身体和任务，模型更新之后又如何更快发现问题，这些事情会越来越紧密地发生在一起。
人形智能竞争，也因此越来越像一道系统题。