作者 | 邱曉芬

編輯 | 袁斯來

硬氪獲悉，「憶生科技」（TranscEngram）完成數億元天使輪融資，本輪投資方陣容橫跨產業資本與國資平臺，包括正大旗下中生制藥、浦東創投、張江科投、張江高科、弘信電子、云暉資本、沃肯資本、金舵資本等。

「憶生科技」致力于從科學第一性原理出發，用"感知—預測—交互"閉環構建機器人"大腦+小腦"統一系統，探索下一代可解釋自主智能（Autonomous Intelligence）。

本輪融資資金將主要用于可解釋具身控制大模型與物理世界模型的研發、多模態全人形動作交互數據和算法訓練管線的建設、頂尖人才團隊的擴充，以及深圳前海和上海張江研發中心與產業化基地的建設，加速推動可自我糾錯、持續進化的具身智能大腦與小腦系統走向商業化應用。

「憶生科技」（TranscEngram）由全球頂級人工智能專家、香港大學計算與數據科學學院創始院長馬毅教授與高盛華教授和楊言超教授一起于2023年9月創立。馬毅是計算機視覺領域最高榮譽「馬爾獎（David Marr Prize）」得主，也是IEEE、ACM、SIAM三料Fellow，擁有二十余年視覺感知與智能系統的理論積淀。并與邵逸夫獎得主Emmanuel Candes 以及圖靈獎得主Yann LeCun等全球頂尖學者長期保持深度合作，共同探索下一代人工智能形態。

在馬毅教授看來，當前大模型本質上是擁有龐大靜態知識的“百科全書”。它們在封閉世界中完成開環訓練，由于缺乏物理世界的自我驗證與糾錯機制，導致“知其然不知其所以然”，進而產生幻覺。真正的智能不應止步于此。

他認為，「憶生科技」推動機器人邁向 AI 2.0 時代的核心邏輯在于：要像生命一樣，在“感知—預測—交互”的閉環反饋中學習。以人類為例，眼、腦、手早已實現高度協調統一——視覺獲取記憶用于預測，雙手通過交互完成任務。

（圖源/企業）

為此，憶生科技構建了“大腦+小腦”的統一架構，賦予機器人同樣的閉環能力：

大腦的“視覺記憶”：模仿人眼，獲取并理解外部環境的物理模型（空間與幾何關系），進行復雜推理；

小腦的“肌肉記憶”：模仿人手，通過運動控制獲取并改善本體模型，生成高頻、穩定的運動控制策略。

（圖源/企業）

這一架構徹底突破了靜態知識在動態環境中的“不自知”局限。「憶生科技」聯合創始人楊言超介紹，依托白盒可解釋的網絡結構，機器人能從海量數據中自動提煉交互概念，摒棄了對人工打標和固定任務列表的依賴，實現自我演進與增量學習。

在實際效能上，該架構展現了顯著的代際優勢——相較傳統VLA模型，憶生科技基于記憶的生成式小腦架構在多任務平均表現上提升3倍以上，且能用單一模型高質量完成多項任務，成功率超95%。

更重要的是，其核心記憶機制并不與機器人本體強耦合，能捕捉任務背后的物理與語義結構，實現跨本體（如夾爪、靈巧手、不同臂展）的技能遷移。

這正是突破產業瓶頸的關鍵。過去，傳統機器人依賴固定編程，一旦場景或工具變化，就必須重新調參、重訓。而「憶生科技」通過記憶機制承載了任務背后的空間與時間結構，讓機器人完成“看—記—做—學”的閉環，從而擺脫了對海量標注數據的依賴，真正具備了舉一反三的泛化能力。

楊言超表示，在面對陌生設備或新任務時，機器人通過觀察人類演示即可索引相關技能、生成執行策略，進而完成所演示的任務。這不僅極大降低了部署成本，也讓機器人具備了應對真實世界無限任務的進化潛力。

在商業化層面，「憶生科技」不局限于模型交付，而是搭建了覆蓋全鏈路的四大產品矩陣：

1、EngramTeleOp智能真機遙操數據采集系統：

人機合一：采用先進的"生成式小腦"規律映射，代替死記硬背的點對點標定，延遲控制在10ms以內，實現"如影隨形"的絲滑操控，保證采集數據干凈平滑。

跨本體與跨地域：操作員只需5分鐘部署即可上手教機器人，支持一人駕馭多種結構不同的本體。同時支持千公里公網超低延遲遙操（如上海跨地域實時遙控深圳真機）。

2、EngramEgo執行者視角運動數據采集系統：

該系統基于執行者第一視角，通過低成本輕量化穿戴設備，在非實驗室真實場景中高效獲取包含重心轉移、軀干借力等隱性常識的高質量全人形姿態數據，擴展到真實物理世界的每一個場景。

3、EngramControl智能運動記憶控制系統：

將采集和演示數據提煉為可復用的”動作規律記憶"，減少重復編程，使機器人具備"觀察一遍即可學會"的零樣本泛化潛力。

4、EngramNav環境記憶與導航系統：

賦予機器人記住環境物體、位置與空間布局的能力，支持大尺度非結構化越障與精準空間移動。

目前，憶生科技正重點推進兩大應用路徑——

高端酒店服務場景：切入高數字化、長工時的標準化環節，覆蓋制卡、洗衣房洗疊、衣物配送、客房整理等服務閉環；

高端制造柔性裝配場景：深耕航空航天等領域，解決傳統產線換型難的痛點，提升質量控制與協作效率。

「憶生科技」已在上海、深圳、北京、四川布局研發與數據中心，并與智元、傅立葉、銀河通用等頭部機器人企業完成適配合作。

馬毅教授表示，具身智能正從“熱鬧”向“扎實”轉型，憶生科技將以基礎原理創新與真實數據閉環為雙輪驅動，為物理世界自主智能時代提供堅實、可信賴的通用技術底座。

以下是硬氪對「憶生科技」聯合創始人楊言超、石志儒的采訪節選：

硬氪：你們的記憶系統大概由哪些部分構成？

楊言超：我們定義的記憶系統包括兩部分：視覺記憶和肌肉記憶。視覺記憶是關于空間的記憶，刻畫環境中的幾何與物體結構；肌肉記憶是關于時間的記憶，刻畫交互中的軌跡與時序結構。

硬氪：這套記憶系統在真實場景驗證了嗎？效果怎么樣？

楊言超：我們已經在實際場景中進行驗證，模型的規模化和產品化也是我們正在推進的事情。從效果上看，基于記憶的生成式小腦架構，相比目前的VLA架構，在多任務學習場景下有明顯優勢，在多任務平均表現上，相比現有VLA模型有3倍以上提升；例如一個模型同時處理咖啡制作、疊衣、沏茶等任務時，可以不更換模型，并達到95%以上的成功率。

硬氪：你們的世界模型為什么強調"基于記憶"？它和別人的世界模型有什么不同？

楊言超：目前世界模型的版本很多，如果只做三維重建或視頻生成，往往缺少記憶和持續學習能力。我們的不同之處在于，我們強調世界模型必須建立在記憶機制之上：有記憶，才能積累經驗；能預測，才能理解交互后果；能持續學習，才能不斷適應變化的環境和任務。

我們專注的是物理世界交互，所以不會在像素級別做過度建模，而是在基于記憶的層面做世界模型，讓機器人能夠理解環境、記住經驗、預測結果，并持續學習新任務。

硬氪：你們這套記憶系統未來只能用在機器人上嗎？

楊言超：不是。這套基于記憶的世界模型可以用在任何自主學習系統上，包括機器狗、其他需要與物理世界交互的自主系統。只要系統需要感知環境、積累經驗、預測結果并持續改進，我們的記憶系統和世界模型就有應用空間。

硬氪：你們現在比較明確的商業化場景是什么？商業化進展怎么樣？

石志儒：我們重點關注數字化程度較高、需要長時間工作、可以被機器人替代的人力場景。比如酒店整體服務：目前酒店仍需要人做清潔、前臺服務和配送，配送環節已經有物流機器人在解決，但更完整的無人化自助酒店還在發展中，包括前臺服務、洗衣房洗衣、物品遞送、客房內輕量整理和清潔等。

酒店環境相對可控，適合智能體部署和驗證，所以我們會從洗衣、疊衣、衣物配送、前臺接待、制卡、基礎客戶服務這些場景入手，逐步打造自己的場景閉環。

我們也在探索工業生產中安全質量要求較高的場景，比如航空航天領域的飛行器制造。飛機、火箭、衛星制造通常有較好的數字化模型和"脈動工廠"等信息化系統，適合我們的大小腦解決方案落地。

這類場景不只是為了替代人力，更重要的是提升柔性生產和質量控制能力。當工具、步驟或場景發生變化時，傳統編程式產線和協作機器臂往往需要重新部署，而我們希望用具身智能算法和記憶體，讓機器人更快部署、更自然地與人協作。

硬氪：你們現在有哪些硬件合作伙伴和客戶？

石志儒：我們的定位是通用具身智能底座與技能服務商，這決定了我們擁有極其開放和包容的生態合作圈。

由于我們自研了EngramMotorNeuron（跨本體控制轉譯引擎），能夠將小腦所學習的能力進行跨異構本體的高效重定向。在深圳、北京等地，我們也已與銀河通用、跨維智能等多家一線具身智能與運控上游企業，完成了“帶記憶”的運動控制和靈巧操作適配，驗證了我們跨異構本體技能遷移的通用性。

我們目前正與部分頭部制造型企業開展深度的場景落地合作，例如擁有空客（Airbus）背景的飛機零部件制造商，共同探索在高端制造“脈動工廠”信息化系統下，將“大腦+小腦”方案嵌入到現有的協作機械臂和生產流程中，實現高柔性的敏捷裝配。

除了上海總部和深圳研發基地外，我們在四川專門布局了一個前沿數據研發中心。四川中心的核心戰略目標是聚焦靈巧手、觸覺傳感的高頻力觸覺反饋，重點攻堅精細化靈巧操作，并大規模開展靈巧手交互數據集的采集與自適應應用適配。這為我們未來全場景、長時序復合任務的“技能訂閱（Skill Service）”源源不斷地供給最頂尖的技能儲備。

首頁圖源 | 企業供圖

排版｜范馨雅

歡迎交流