橡木果机器人完成天使轮融资，用"本能驱动"另辟具身智能新路径
由招商局创投和蔚来资本领投，清华机械工程博士团队打造。以触觉为感知底座、自下而上构建操作能力，与主流 VLA 端到端路线完全差异化。
9 位
清华机械工程博士创始团队
近亿元
种子轮融资 · 2026 年 3 月
8 年
技术路线积累 · 2017→2025
由招商局创投和蔚来资本领投，清华机械工程博士团队打造。以触觉为感知底座、自下而上构建操作能力，与主流 VLA 端到端路线完全差异化。
2024 年底，姜峣作为发起人，与其他 8 位清华大学机械工程系博士共同成立橡木果机器人。他是清华机械工程博士、哈佛大学工程与应用科学学院博士后，深耕机器人操作领域近 15 年，也是清华唯一一个机械工程背景投身具身创业的人。
与他形成鲜明对比的是：当前绝大多数具身创业者来自计算机、软件、自动化和电子背景。而姜峣的判断是——操作的底层逻辑是接触力学，不是语言问题。这个判断直接决定了技术路线的选择。
注：时间线根据公开采访整理，2017 年为技术路线提出年份，2025 年为首个 POC 验证完成年份。
姜峣在 2017 年提出"本能驱动"时，VLA（视觉-语言-动作）路线尚未成为主流。如今，当多数玩家涌入 VLA 端到端方案时，橡木果机器人选择了一条完全相反的路。
将感知、决策、执行塞进一个黑箱模型，数据驱动、模仿学习。模型越大越脆弱，本体差异、接触特性一变就会崩。无触觉数据，只能"照猫画虎"。
以触觉为感知底座，自下而上通过本能反射构建操作能力。任务规划与操作执行解耦，各自独立演进，通过标准化接口协同。
一个关键的实验证据：人的触觉信号传到大脑需要 200–250 毫秒，加上决策返回，往返约 500 毫秒。但橡木果的实验显示，从扰动出现到响应的时间远低于 500 毫秒——说明信号根本没传回大脑，而是在手部就完成了类似肌肉反射的执行。
一个诚实的注脚：
这不是说大模型没有用。橡木果将任务规划与操作执行彻底解耦——上层大模型负责任务理解与分解，输出关键帧和语义约束；操作执行层由自研的 Natus 和 Magis 模型承担，在物理世界中以毫秒级精度完成操作。
两个模型都在操作执行层，但分属不同阶段。它们的关系可以用一条链路表示：
Natus 是端侧自主决策模型，能做到"零数据冷启动"——不依赖任何离线预采集数据集，在真实物理世界中通过"探索-交互"实时产生数据。模型里定义的不是具体动作，而是本能规律：通过信息感知的刺激直接构建"期望"，驱动机器人自主探索、收敛于该期望。
Magis 是通用操作技能模型，依托 Natus 在真实物理世界探索产生的数据训练。这些数据包含丰富的力学语义（重量、质心、表面粗糙度、硬度等），被实时叠加到视频帧上，让 Magis 真正理解物理世界的力学属性，而不只是外观。
注：左上角 250 Hz 指模型在手指端侧以 4 毫秒周期持续迭代，决策链路极短，无需经过中央处理器。
橡木果机器人聚焦的是一类非常"棘手"的场景：柔性生产——尤其是 SKU 上千种的客户，动销需求高，换产时如何快速适应是核心痛点。
一个典型的案例：
团队目前不到 30 人，70% 是研发。融资后资金投向两端：产品定义与设计（真正理解用户需求），以及品牌建设与市场体系构建。产品生产全部外包。
姜峣在机器人操作领域做了 15 年，2017 年就提出了"本能驱动"路线，但直到 2024 年底才成立公司。为什么是现在？
他的回答很直接：创业是为了给这条技术路线找到最快的迭代路径。从 2025 年正式启动商业化，一年内就走完了从技术积累到落地的闭环。
但更根本的原因在于：操作智能的底层逻辑正在被重新定义。当 VLA 路线在 language-modeling 框架下把"抓取"变成"下一个 token 预测"时，橡木果机器人用触觉力学和本能反射证明了另一条路的存在——而且这条路在工业场景中已经跑通了 POC。
一个值得注意的信号：
橡木果的创始团队全部来自机械工程系，而非计算机或自动化系。这或许不是偶然。当操作问题被还原为接触力学问题，传统的"机械工程"背景反而成为核心优势。
触觉是操作的第一性原理。VLA 路线在语言任务上取得了巨大成功，但在操作任务上存在根本性局限——它缺少触觉这个"第一目击者"。橡木果的本能驱动路线能否大规模复制，取决于其传感器耐久性与跨品类泛化能力，但它至少证明了一件事：操作智能的答案，可能不在大模型里，而在物理世界的接触中。
橡木果机器人已完成首个柔性产线 POC 验证，聚焦快消品组装场景。
技术路线已正式发布，商业化体系正在构建中。