前苹果/斯坦福
创始人光环
RoboScience 的"深"，在于它是"顶级 AI 团队 + 通用大脑野心 + 极早期"的组合——问题不是"团队强不强"（强），而是"世界级的 AI 能力，能不能翻过具身落地这道坎"。
缺口RoboScience 的团队背景、技术路线、融资信息很清楚（田野/邵林、RoboMirage 仿真、VLOA 操作大模型、京东领投近 2 亿），但作为 2024 底注册、2025 才运营的公司，模型真实泛化能力、跨本体落地案例、真机数据规模、商业化路径几乎全是未知。因此本文对团队与路线多为事实梳理，对"落地成色"更多是基于具身大模型赛道结构的判断 + 追问。第 12 章追问清单，就是把"顶级团队 + 通用大脑"的光环，逼回真机落地现实的工具。
判断RoboScience 是一支团队配置对标全球顶尖、瞄准具身价值链最肥的"大脑"层、但成立极晚、落地全部待证的具身大模型公司。它不纠结于造哪款机器人，而要做"跨本体的通用具身大脑"——这是具身智能的圣杯，也是最拥挤、最难的一层。它赌的是——用世界级的 AI/ML 工程能力 + 仿真 + 自监督，做出能泛化、能跨不同机器人本体的通用操作大模型。这个方向如果成了，价值无上限。但它的胜负手不在"团队和融资"（这两样已经拉满），而在两个具身智能最硬的骨头：① 顶级的消费 AI/软件经验，能不能转化为"物理世界"的机器人落地；② 靠仿真和自监督省数据，能不能真的绕过 Sim2Real 和真机数据这道具身智能的天堑。
| 决定性变量 | 为什么是胜负手 | 兑现的观察信号 |
|---|---|---|
| AI 能力向"物理世界"的转化 | 苹果/斯坦福的经验偏消费 AI 与软件，而具身的坑在真机数据、硬件耦合、物理不确定性——这是另一套 know-how。顶级软件 AI 团队做机器人，历史上"高开低走"的不少。 | 模型在真实机器人上的操作成功率、跨场景泛化、而非仿真或 demo 指标。 |
| "跨本体通用"的可实现性 | 通用性是具身智能最难的目标。跨本体意味着不被单一硬件绑定，但也可能"样样通、样样松"。当前连单一本体的通用操作都远未解决。 | 同一模型在多种真实本体上的可用性证据，而非愿景描述。 |
RoboScience 主动放弃了本体，直取技术栈最高、价值最大的一层——具身大模型。这是最有想象力的位置，也是明星最扎堆的位置。
判断RoboScience 卡在第 ④ 层（具身大模型/大脑）——这是具身智能价值链里理论上最肥的一层：谁掌握了通用大脑，谁就掌握了机器人的"智能"，本体反而可能被商品化。推导选择"只做大脑、跨本体、用仿真造数据"，是一条极致的 AI-first 路线：不背硬件包袱、不被单一本体绑定，把全部资源压在"智能"上。
判断大脑层价值最高，竞争也最惨烈、门槛也最玄。拥挤：这一层已经挤满明星团队——千寻、银河通用、星海图、自变量，以及海外的 Physical Intelligence 等，个个是顶配。玄：大脑的成败很难在早期证明，且高度依赖真机数据，而 RoboScience 不做本体，数据从哪来是关键问题（它的答案是仿真 + 自监督，但这正是最有争议的地方）。它必须回答：在一群顶配大脑团队里，凭什么是它做出通用大脑？以及，不做本体，它怎么拿到足够的真机数据来训练和验证？
| 本质 4 问 | 答案（含证据） |
|---|---|
| ① 本质在做什么 | 判断本质是"做机器人的通用操作智能"——让机器人像大模型理解语言一样理解和操作物理世界，且不局限于某一款硬件。卖的是"智能"这个最高附加值层。 |
| ② 成熟度 / 阶段 | 事实具身大模型是 2024–2026 最热的方向，但通用操作能力远未解决，泛化、数据、可靠性都在早期。行业共识是"数据是最大瓶颈"。 |
| ③ 卡在哪 / 为什么难 | 事实核心瓶颈是真机操作数据的稀缺——不像语言/图像有海量互联网数据，机器人操作数据要真机采集，昂贵且慢。推导RoboScience 的破题思路（仿真 RoboMirage + 自监督 + 视频）正是冲着这个瓶颈去的，但仿真到现实的 Sim2Real gap 是老难题。 |
| ④ 决定终局的是什么 | 判断不是"谁团队最强"，而是"谁先做出真的能泛化、能在真实本体上稳定干活的操作大模型"。这一层顶配团队扎堆，最终拼的是数据、工程落地和真实场景，而非简历。 |
判断RoboScience 的团队和路线都很漂亮，但具身大模型这一层有个残酷规律：它高度依赖真机数据，而真机数据要么靠自有本体大规模采集，要么靠真实场景闭环。RoboScience 不做本体（轻装上阵的优点），那它就必须回答——训练和验证通用大脑所需的海量真机数据，到底从哪来？如果主要靠仿真，就要赌 Sim2Real gap 能被工程手段填平；如果靠合作本体/京东场景，就要证明这些渠道能提供足够规模和多样性的数据。这个"数据从哪来"的问题，是它整个通用大脑故事的地基，也是它区别于有自有本体和场景的对手（如千寻、银河、京东系）的最大软肋。
团队是 RoboScience 最硬、也最被寄予厚望的资产——它把全球顶级的 AI 工程与学术能力聚在了一起。
| 角色 | 人物 | 关键背景 |
|---|---|---|
| 创始人 & CEO | 田野 | 事实中科大物理系专业第一，斯坦福 AI 实验室深造、师从吴恩达；在苹果 7 年任技术主管，带队打造苹果机器学习平台，支撑相机、Siri、Apple Intelligence 等 AI 应用。 |
| 联合创始人 | 邵林 | 事实新加坡国立大学（NUS）助理教授，机器人学习方向的学术带头人。 |
| 联合创始人 | 刘朋海 / 汪涛 | 事实刘朋海为前科沃斯机器人副总裁（产业与商业化）；汪涛为前商汤国香资本募资负责人（资本）。 |
判断团队配置堪称豪华：世界级 ML 工程（苹果）+ 机器人学习学术（NUS）+ 机器人产业经验（科沃斯）+ 资本（商汤系），几乎覆盖了具身大模型创业需要的所有维度，这也是它能快速拿到京东近 2 亿天使的底气。缺口但有两个待观察点：① 苹果的 ML 平台经验偏"消费级软件 AI"（相机/Siri），与"物理世界机器人操作"是两套 know-how——顶级软件 AI 人做机器人，最大的不确定性正是"能不能跨过物理世界这道坎"；② 成立极晚（2024 底），团队磨合、工程落地、真机经验的积累都还需要时间，简历的星光不能直接兑换成机器人的能力。
缺口技术框架和名词都很前沿，但作为极早期公司——模型在真实机器人上的操作成功率、跨本体/跨场景泛化的真实证据、RoboMirage 仿真数据的 Sim2Real 有效性、是否有真实商业落地——几乎全部未公开。"VLOA 架构""跨本体通用"是技术愿景与架构名，不是已被验证的能力。这正是追问清单第 1、2 组的核心。
RoboScience 的命运系于三个真正有分歧的命题。每题给 Bull / Bear / Reality，再下裁决。
大脑派公司很多。用"通用大脑成立需要的条件"逐条拷问 RoboScience 相对同行的身位。
| 通用大脑需要的底气 | RoboScience 的现状 | 相对身位 |
|---|---|---|
| 顶级 AI/ML 团队 | 事实苹果/斯坦福/NUS 配置 | 判断顶配，不输任何对手 |
| 真机数据来源（自有本体/场景） | 判断无自有本体，靠仿真 + 合作/京东场景 | 判断偏弱，是最大短板 |
| 解决数据瓶颈的独特方法 | 事实RoboMirage 仿真 + 自监督 | 判断有差异化，但待验证 |
| 资本与耐力 | 事实京东领投、天使近 2 亿 + Pre-A 数亿 | 判断充足，京东是重要背书 |
判断和千寻、银河、星海图、PI 等大脑派对手比，RoboScience 在团队和资本上不输，但在"真机数据来源"上偏弱——很多对手要么有自有本体（边训边采数据），要么绑定了明确的场景。RoboScience 选择"不做本体、靠仿真"，是把宝押在了 RoboMirage 和 Sim2Real 上。判断它最诚实的定位是："一支顶配 AI 团队，用仿真 + 自监督的差异化路线，去挑战通用具身大脑，但成立最晚、真机数据来源最需要补课"。京东领投是它一个重要变量——如果能拿到京东的真实仓储/物流/零售场景做数据和落地闭环，它"无本体"的短板就能被大幅弥补；如果只是财务投资，那它的数据焦虑会一直存在。京东这条线能挖多深，可能比团队简历更决定它的上限。
大脑层是明星最扎堆的红海，看清同行才知道 RoboScience 的空间和差异。
| 玩家 | 标签 / 差异 | 对 RoboScience 的意义 |
|---|---|---|
| RoboScience | 苹果/斯坦福团队 + 仿真 + 跨本体大脑 | 本体，团队顶配、数据待补 |
| 千寻智能 Spirit AI | 具身大模型 + 工业落地，京东系，登顶榜单 | 同京东系、同大脑派的强对手 |
| 银河通用 | 仿真数据 + 大模型，合成数据路线 | 同走仿真数据，路线最接近的对手 |
| 星海图 / 自变量等 | 各自的具身大模型路线 | 大脑派拥挤的同层竞争 |
| Physical Intelligence（PI，海外） | 全球通用操作大模型标杆 | 国际对标与技术天花板 |
| 智元 / 头部本体厂 | 有本体 + 自研大脑 + 数据飞轮 | 有自有本体和数据，威胁"纯大脑"路线 |
判断① 大脑层已是明星红海，RoboScience 团队顶配但成立最晚，是"后来者挑战先行者"。② 它和银河通用路线最像（都重仿真/合成数据），差异化必须体现在 RoboMirage 和模型架构的真实效果上。③ 它最大的结构性劣势是"无自有本体"——有本体的对手能边跑边采真机数据、形成飞轮，RoboScience 只能靠仿真和外部场景。这既是它的轻资产优点（不背硬件包袱、可服务全行业），也是它的数据软肋。它能不能把"跨本体 + 仿真"的轻打法，变成真正的通用大脑，而不是被有数据飞轮的对手甩开，是它整个故事的关键悬念。
判断五个断点里，断点 2（Sim2Real）和断点 4（京东场景/真机数据）最致命——它们共同决定 RoboScience "无本体做大脑"的路走不走得通。团队再强，也要先过这两关。
| 风险 | 说明 | 观察信号 |
|---|---|---|
| 物理世界落地难 | 消费 AI/软件经验与真机机器人操作是两套 know-how，可能高开低走。 | 模型在真实机器人上的操作成功率与稳定性。 |
| Sim2Real 鸿沟 | 过度依赖仿真，真机可能水土不服；无自有本体难验证迭代。 | 仿真训练模型的真机有效性、Sim2Real 缩小证据。 |
| 真机数据来源薄 | 不做本体，缺乏自有真机数据飞轮，训练与验证受限。 | 真机数据规模与多样性、是否有稳定场景来源。 |
| 大脑层过度拥挤 | 千寻、银河、星海图、PI 等顶配对手扎堆，RoboScience 起步最晚。 | 相对同行的模型能力与落地进展。 |
| "跨本体通用"落空 | 连单本体通用都未解决，跨本体可能样样通样样松。 | 同一模型在多本体上的真实可用性。 |
| 光环与估值 | 团队/融资光环易抬高预期与估值，落地慢则承压。 | 真实产品进展 vs 估值兑现所需的落地。 |
判断六类风险的母题是同一个：RoboScience 的"上限"（团队/愿景）极高，但"下限"（真机落地、数据、Sim2Real）全部待证，且它选了大脑派里数据最难自给的一条路。这个问题没答清楚之前，"跨本体通用大脑"更多是顶配团队的宏愿而非现实。
RoboScience"团队耀眼、实绩空白"——这份清单就是把顶配光环逼回真机现实的工具。★ 是我认为最锋利的问题。
判断① 模型在真实机器人上的成功率和 Sim2Real 效果到底怎样？② 不做本体，你的真机数据从哪来、京东场景挖多深？③ 大脑派这么挤，你比千寻/银河/PI 强在哪？——这三问答清楚，就知道 RoboScience 是"圣杯竞逐者"，还是"顶配团队的过早宏愿"。
基于公开信息的深度梳理，主要来源（节选）：
· RoboScience 官网 roboscience.co；RoboScience 百度百科
· 36氪 / 腾讯新闻 / 雪球：《RoboScience 完成数千万种子轮融资，打造全球领先的具身智能大小脑模型及产品》（零一创投独家）
· 融资快讯（多源）：近 2 亿元天使轮（京东领投，招商局创投、商汤国香资本跟投）、数亿元 Pre-A 轮
· CSDN / 泰伯网：田野（前苹果 ML 平台技术主管、斯坦福师从吴恩达）、邵林（NUS）、刘朋海（前科沃斯副总裁）、汪涛背景
· 公司资料：跨本体通用具身智能、快慢脑分层端到端框架、RoboMirage 仿真平台、Manipulation Foundation Model / VLOA 架构