桥介数物打造运动基座模型：机器人半小时学会新动作

具身智能领域正在经历一场底层技术范式的转变。过去，行业普遍采用“一个动作对应一个策略”的训练方式，换一套动作就要推倒重来。而随着运动基座模型的出现，机器人开始具备根据示范视频在半小时内快速掌握新动作的能力。

近期完成亿元级融资的桥介数物，正试图将这一底层运动控制能力打造成通用平台。该公司创始人尚阳星表示，机器人运动控制的演化正在推动整个硬件产业链的分工重塑。

从项目定制到基座模型平台

成立三年来，桥介数物服务了近40家企业，在50多款机型上部署过控制算法。此前，团队主要以项目制模式为客户提供源码和定制调优。今年，他们将全身运动控制能力产品化，推出了开发者平台 RoboCraft AI。

在传统流程中，让机器人学会一套复杂动作需要长期的算法适配。而在新的基座模型工作流下，用户只需上传一段人类运动视频，平台在几分钟内完成动作提取，经过仿真验证后即可部署到真机上，全流程可在半小时内跑通。

尚阳星解释，目前虽然针对不同本体仍需分别训练基座模型，但平台已实现从URDF建模、代码生成到真机部署的全流程自动化。真正的跨本体通用控制模型——即单一模型驱动多种硬件架构——预计将在未来一年内取得实质性突破。

突破控制上限依赖高质量数据工厂

训练通用的全身运动模型，难点不仅在于运动重定向（Retargeting），更在于高动态平衡与全身扭矩闭环控制。

为提升模型的泛化能力，桥介数物自建了动捕数据工厂，月采集能力已达1500小时。尚阳星认为，运动基座模型的泛化上限取决于数据规模，行业可能需要数万甚至十几万小时的高质量动捕数据才能实现模型收敛。现阶段市面上通过普通单目视频提取的位姿数据，在控制精度上仍难以替代专业动捕。

机器人三层架构与“安卓生态”愿景

桥介数物将人形机器人的技术体系划分为三层：

1. Motion（运动层）：屏蔽底层电机、关节与动力学差异，实现全身平衡与动态跟踪。
2. Skill（技能层）：原子级操作能力，如抓取、开门、避障等规划逻辑。
3. Task（任务层）：利用大语言模型（LLM）分解复杂任务，完成技能编排。

目前多数操作机器人局限于固定桌面的上半身作业，其核心原因在于全身动力学控制门槛过高。尚阳星认为，中立的运动控制底座可以让做上层视觉-语言-动作（VLA）模型的公司直接调用全身运动能力，促使机器人从坐姿走向移动作业。

商业模式上，桥介数物正从一次性交付转向订阅制与按台授权（License）。面向机器人本体厂商，初步计划按每台每年一定金额收取授权费；面向开发者则提供平台订阅服务。尚阳星表示，未来的机器人产业不会由单一巨头垄断全部环节，底层中立的运动系统将像移动操作系统一样，成为连接硬件本体与垂直场景开发者的关键基础设施。