文章核心观点 - 云蝶科技完成数亿元B+轮系列融资，由StellarS Capital、亚洲联合基建（00711.HK）、长浙投资、图灵量子等联合投资，资金主要用于具身智能核心技术迭代与真实场景规模化落地 [4] - 云蝶科技是世界模型创业潮中一个横截面丰富的“例外”，成立于2019年，已有稳定营收和已验证商业场景，却选择切入世界模型赛道 [6] - 公司提出“环境增强的世界模型”与“系统级大脑”作为核心技术方向，强调模型必须在真实任务中获得“感知-动作-结果-接管”闭环数据 [4] - 公司同时推进模型、本体和场景交付，形成闭环，但战略重点围绕真实场景和任务，建立能够持续优化的具身智能系统 [23] 世界模型行业融资热度 - 硅谷方面，Meta前首席科学家杨立昆创办AMI Labs，种子轮融资达10.5亿美元 [3] - 世界模型主要奠基者之一皮特·弗洛伦斯创办Generalist AI，种子轮融资达4亿美元 [3] - 李飞飞创办的World Labs成立仅2年，以82亿美元卖给AMD [3] - 国内方面，截至2026年10月10日，世界模型赛道融资事件达88起，其中亿元级别以上融资事件超过50起 [3] 云蝶科技融资与业务概况 - 云蝶科技宣布完成数亿元B+轮系列融资 [4] - 本轮资金主要用于具身智能核心技术迭代与真实场景规模化落地，重点提升机器人持续工作的可靠性、跨场景部署效率及长期服务能力 [4] - 公司成立于2019年，产品已进入酒店、医疗、体检康养等高价值场景，2025年营收超过数亿元 [6] - 产品名单包括RoboForge系统级具身大脑和WING机器人家族，其中WING Air已实现交付，可通过更换末端工具适配清洁、巡检等任务 [6] - 另外两款产品分别面向复杂服务操作，以及能量补给和数据调度 [6] 公司技术演进路线 - 2019年创业时主要做产业数字化和智能化，依托视觉识别、数据治理、智能系统等技术 [9] - 进入大模型时代后，开始做垂直大模型和行业智能体 [9] - 2025年开始加强世界模型和具身智能研究，提出“具身环境智能”范式，发布RoboForge系统级具身大脑 [9] - 技术演进路线为：过去让现实世界数字化，现在让数字智能进入现实世界 [10] 世界模型需提升的三种能力 - 第一，对现实世界的理解和预测能力，识别当前状态并预测不同动作和策略带来的结果差异 [11] - 第二，训练效率和泛化能力，世界模型可用于生成训练场景，尤其是大量长尾数据，作为真机数据的补充 [12] - 第三，把具体项目中的经验转化成可复用的系统能力，将同类场景中学到的空间认知、任务经验和执行策略迁移到相似场景 [12] “环境增强”的三个阶段 - 第一个阶段是环境约束和环境标准化，选择连锁酒店、标准化物业等具有重复性和标准化基础的场景，按照真实场景1∶1复刻训练场 [16] - 在真实部署中采用Human-in-the-loop人机协同方式，明确哪些行为、流程由人完成，哪些由机器人完成 [17] - 第二个阶段是让环境成为数据的一部分，包括本体视角数据、第三方视角数据（“上帝视角”）和系统属性数据，共同构成智能空间的数据底座 [17][18] - 第三个阶段是让环境变得更聪明，即“环境智能体化”，通过异构多智能体协作完成复杂任务，如台账智能体、调度智能体、配送机器人等协同 [18] - 通过环境增强，让环境适配不同智能水平的机器人，甚至参与决策，目标提高机器人在真实场景中持续、规模化部署的能力 [18] 公司发展节奏与2025年转折 - 2025年之前核心任务是找到真实场景的市场需求，建立产品、客户和交付体系，让公司具备独立发展和自我造血的能力 [20] - 2025年前后看到AI出现新机会：大模型和智能体技术不断发展，AI从理解信息走向执行任务；具身智能成为连接数字世界和物理世界的重要方向 [21] - 2025年开始系统投入具身智能研发，与高校共建联合实验室，布局世界模型、多智能体协同和强化学习 [21] - 2025年与北京大学开展具身智能联合研究，今年发布“1+2+N”真实世界具身智能联合研究计划 [21] 本体制造战略 - 2025年已有小批量非人形机器人业务，如轮式巡检机器人；今年开始更大规模做轮式双臂机器人 [23] - 公司涉及模型、系统级平台和具身本体，形成闭环，但不会把核心零部件、整机、模型全部自己做 [23] - 战略重点围绕真实场景和任务，建立能够持续优化的具身智能系统；模型能力和系统级大脑是最核心能力 [23] - 本体定义为“任务型本体”，要求符合实际岗位需求，把模型和系统能力转化成可靠、经济的物理行动 [23] - 设计本体时倾向与产业链优秀企业合作，关键模块如通信底座和能源底座自主或联合研发，关节模组、谐波减速器等成熟部件与产业链企业合作 [24] - 先根据场景和岗位抽象出“任务簇”，再从任务簇中提炼基本能力，用这些能力定义本体参数 [25] 数据壁垒与竞争壁垒 - 行业里大量数采公司、数据公司强调数据优势，但需要区分“拥有数据”和“拥有持续产生高价值数据的能力” [29] - 高价值数据来自真实任务，如自动驾驶中大量车辆在真实道路上的持续运行，系统错误判断后驾驶员纠正产生反馈数据 [29] - 仿真和实验室数据有价值，但机器人需要真实道路上的验证和反馈，预先设计的标准动作很难覆盖真实运营中的突发情况 [30] - 云蝶关注机器人在真实环境里执行任务为什么成功、为什么失败，人工如何接管，人机如何协同，系统如何恢复 [31] - 竞争壁垒包括：理解行业的实际经验和业务规则；跑通标准任务后推广到大量相似单元；把真实场景变成持续产生系统能力提升所需数据的底座 [32] - 壁垒在于能否持续以更低成本、更高质量产生真实业务数据，并把数据转化成技术和产品优势 [32] 团队模式与融资用途 - 团队采用“双峰或多峰模式”：一端是行业老兵，积累大量B端场景资源，理解行业经验，能定义需求、定义问题并保证交付 [34] - 另一端是技术团队，背景复合，涉及空间感知和预测、VLA（视觉—语言—动作）模型、异构多智能体协作等多个技术栈 [34] - 本轮融资资金主要投向三个方面：把机器人投入更多场景积累更多数据；模型训练，包括算力投入；加强技术研发团队建设 [35] - 及格线是把现有系统级能力在某些场景、特定任务流中成功部署，让机器人在真实业务流程中持续作业、持续自我诊断、持续进化 [35] - 满分线是把这套模式复制到大量标准化作业单元中，如在成百上千家酒店中持续作业，承担复杂任务、复杂空间认知与感知、动作规划的工作 [36] - 达到满分线状态将持续产生大量数据，跑通规模化、持续运转的数据飞轮 [36]