两个清北00后，盯上王兴兴犯难的“最后几毫米”

清北两位 00 后创业，两个月两轮融资，他们将创业方向瞄准了机器人灵巧手这一领域。

近日，成立仅两个月的机本智能（ManuPrax Robotics）连续完成两轮融资，融资金额近千万美元（约人民币 6700 万）。Alphaist Partners、耀途资本先后领投，接力天使及某零部件产业方实控人跟投。

这家今年 9 月才完成注册的公司，并不满足于只做一双更灵活的手，而是把更多精力放在了灵巧操作模型上。它希望借助算法、数据和工程化能力，让机器人真正具备精细操作能力。

这一选择，也折射出灵巧手行业竞争重心的变化。随着越来越多企业涌入硬件赛道，单靠机械结构和自由度，已经很难一招制胜。灵巧手的下一轮较量，或许不再只是比谁的手更灵活，而是要看机器人能否真正完成复杂、精细的操作。

王兴兴在 11 月 4 日的 2026 年世界互联网大会乌镇峰会上，也谈到了物理 AI 的对齐难题。他认为，物理 AI 的核心挑战在于模型与物理世界的对齐，最大的问题仍是 “最后几毫米” 没有解决好。“让模型抓取物品或者简单搬运，目前成功率可以做得非常高。但涉及到细微操作，把一个手机给拆了、让它穿针引线，这么精密的一件事情，目前的成功率还是相对低的。它对物理世界最后的接触和触觉的部分做得不是特别好，就是 AI 模型的输入输出和真实世界的对齐还是差了那么一点点。”

卷机器人的 “小脑”

灵巧手虽小，却是机器人迈向精细操作的一道关隘。

人类可以轻松完成拧瓶盖、拿取易碎物品、旋转零件等动作，手指会根据物体的形状、重量和接触状态，随时调整位置与力度。对机器人来说，这些看似简单的动作，却需要机械结构、传感器、控制系统和算法共同配合。

长期以来，自由度、驱动方式、负载能力、精度和成本，都是灵巧手企业需要权衡的硬件指标。

但随着应用场景不断拓展，硬件参数已不足以说明一只手的实际操作能力。面对不同形状、材质和摆放状态的物体，它能否自主调整动作、控制力度，并在出现意外时及时修正，才更接近真实场景里的需求。

机本智能选择从这里切入。与主要围绕机械结构和驱动方式展开竞争的传统思路不同，公司把重点放在灵巧操作的底层算法上，希望建立一套能够适配不同硬件的操作模型平台。

在团队看来，机器人完成任务大致可分为两层：上层理解指令、识别环境并制定计划，底层把目标转化为具体动作。比如让机器人拿桌上的杯子，上层负责找到杯子、确定目标；真正执行时，手指从什么角度接近、怎样调整指尖位置和力度、杯子滑动后如何补救，则要靠更精细的动作控制。

这正是机本智能所说的 “小脑”，它负责具体动作的协调执行，根据实际接触状态不断调整，让机器人不仅理解任务，还能把任务稳定完成。

为了让 “小脑” 具备这种能力，公司将强化学习作为重要技术路线。模仿学习主要依赖人类示范，强化学习则让模型通过不断探索和试错积累经验，逐步找到有效的操作方式。

这条路线的吸引力在于，现实世界中的物体形状、材质、重量和摆放方式千差万别，单靠有限的人类演示，很难覆盖所有可能情况。如果模型能够通过交互学习积累经验，就有机会减少对人工逐一示范的依赖。

当然，强化学习也有自己的难题。现实中的摩擦、形变、接触状态和传感器误差，都可能影响最终效果。如何建立有效的奖励机制、提高训练效率，以及缩小仿真与真实环境之间的差距，都是这条路线需要解决的问题。

目前，机本智能正在探索将仿真数据、真人演示和生成的交互轨迹结合起来，构建训练数据体系。能否持续积累有效数据、让模型随训练规模提升，是这家年轻公司技术路线能否成立的关键考验。

把灵巧手竞争拉到算法层

机本智能选择从软件能力入局，与两位创始人的研究经历有着直接关系。

公司 CEO 李浦豪出生于 2001 年，是清华大学自动化系本硕博，早在 2021 年便开始围绕灵巧手和灵巧操作开展研究，在相关领域发表了多篇论文。CTO 陈泽源出生于 2000 年，拥有北京大学硕士背景，曾参与 ClutterDexGrasp、CADGrasp 等灵巧操作研究，也有在 Amazon FAR、智元和京东的研究经历。

两人都曾在北京通用人工智能研究院开展研究，机本智能也是该研究院官方支持的创业项目。

在李浦豪看来，灵巧操作真正稀缺的，不是让机械手完成某个特定动作，而是让它具备接近人类的操作能力。这需要算法、数据和工程化能力共同支撑。

不过，研究能力能否转化为产品能力，仍是另一回事。实验室里完成的操作，到了实际场景中，可能因为物体材质、接触位置或外部干扰而出现偏差。如何让模型具备足够的泛化能力，并在不同设备上稳定运行，将直接影响它的应用价值。

针对模型在不同硬件上的泛化与适配，机本智能希望走平台化路线。操作模型适配不同厂商的灵巧手，上层承接多模态大模型的任务指令，下层适配不同灵巧手设备，为机器人提供可复用的操作能力。公司未来客户不一定局限于灵巧手制造商，还可能包括机器人整机企业、具身模型团队和科研机构。

但平台化并不意味着商业化更容易，硬件产品的价值相对直观，客户可以比较价格、负载、自由度和可靠性；而操作模型的价值，需要通过实际任务来体现。模型能否完成过去难以实现的操作？相比客户已有方案，能否提高成功率、降低训练成本？这些才是客户愿意为软件付费的关键。

因此，机本智能也没有完全排除软硬件结合的路径。团队希望在保持模型平台化方向的同时，通过自研硬件或与硬件厂商合作，加快技术验证，获得更多真实场景中的数据和反馈。

连续两轮融资为团队提供了研发资源，但灵巧操作模型能否真正适配不同硬件，能否在复杂环境中保持稳定表现，以及客户是否愿意为这项能力付费，仍需要时间验证。

当机器人行业的竞争从整机延伸到核心部件，灵巧手也正在从单纯的硬件产品，走向软硬件协同的系统能力。

两个 00 后选择从操作模型切入，试图让机器人不仅拥有一双灵巧的手，还能真正用这双手完成任务。至于这条路线能否建立起长期优势，最终还是要看技术能否走出实验室，在真实场景中形成可复用、可交付的操作能力。