近日，加速仿生机器人研发商至简动力（Simplexity Robotics）官宣在半年不到的时间内连续完成 5 轮融资，总融资额达 20 亿元，一跃成为赛道内最年轻的独角兽。本轮融资的财务投资机构包括：元璟资本、蓝驰创投、红杉中国、君联资本、中科创星、高榕创投；战略投资方则为腾讯和阿里巴巴集团。

杭州至简动力科技有限公司成立于 2025 年 7 月，从首位员工到岗，到自研本体初代机问世，至简动力仅花了不到 45 天时间。目前，公司实现北京、上海、苏州三地战略布局、与顶尖高校共建联合实验室、落地位于苏州的全球创新中心、持续推进模型研发并将其转化成产品力、先后完成两代面向 B 端及 C 端的本体研发、实现本体小批量下线并全面开启 PoC 验证。

从真实场景出发，至简动力致力于通过高上限的大一统模型、高效的数据闭环、高可靠的机器人硬件，打造具备高用户价值的具身智能产品，最终赋能人类未来发展的创新型科技公司。

至简动力坚持软硬件全栈自研，通过模型定义本体，软件定义硬件的思路，打造 " 四个 O"（one model、on device、one body、one hour）为核心的简洁高效的技术体系。

据介绍，至简动力打造了世界模型与 VLA 一体化的模型，通过统一的 Transformer 实现语言逻辑、视觉语义、3D 空间结构以及机器人状态的联合建模理解及生成预测，在实现更高上限的模型架构的同时，减少人为设计，具备更好的 scaling 效果。

目前，至简动力已经推出：

LaST 基座模型：首次将世界模型对物理世界的理解、预测及 VLA 的快慢思维融合，显著提升对物理世界动态的高效推理能力，解决机器人怎么 " 一边想一边快速动 " 的难题；

ManualVLA 超长程任务模型：在 LaST 强大基座的基础上，ManualVLA 解决的是如何让机器人理解复杂的长程任务，使模型能够从目标状态出发，自动生成类似人类使用的多模态 " 操作说明书 "，完美回答机器人 " 怎么想清楚再动手 " 的问题（该论文已收录至 CVPR 2026）；

TwinRL 真机强化学习框架：在基础模型强大的泛化以及推理能力基础之上，我们同时思考怎样在物理世界里持续学习 / 进化，不断提高任务执行的成功率。TwinRL 则借助数字孪生扩展了真机强化学习的探索空间，在多个任务上，机器人少于 20 分钟即可在桌面区域达到 100% 的成功率，解决 " 怎么让机器人在真实世界里自己变强 " 的挑战。

据悉，至简动力的其他模型研究成果正在陆续发布中。

坚持软硬件全栈自研，坚持模型定义本体，坚持一个通用本体，坚信数据的规模效应，正是至简动力对于如何解决数据闭环问题的回应。

据了解，至简动力最近提出了一种 Human data is all you need 的机器人学习范式，并已验证适用于各种灵巧操作（包括夹爪和各灵巧手）。在预训练阶段，通过人手高效采集海量操作数据，显著提升模型的 泛化能力；在下游任务阶段，人类示范能够快速收集任务数据，扩展任务探索空间并提升执行精度；在后训练阶段，人类通过实时指导参与 post-training，使机器人能够实现高效的 在线学习与持续能力提升。

同时，在端侧部署和预埋额外算力，通过影子模式，实现端侧训练和模型在用户场景下的测试验证，通过这套范式，至简动力可以有效提高数据通用性、复用性，打造极致高效的数据收集、训练、测试验证、部署的闭环体系。

回归到具身智能产品，至简动力同样坚持极致简单——部署简单、使用简单、维护简单。在至简动力看来，极致简单背后体现的是：以用户价值为中心，为用户多思多想。时间即最大的成本，用户不该为复杂性买单。为用户提供价值，公司才更有价值。目前，至简动力的第一代自研本体也已小批量下线并开启 PoC 验证。

据介绍，在商业落地方面，至简动力遵循从封闭到半开放再到全开放的渐进式迭代路径，率先布局工厂车间、商超、物流等封闭场景。

此次募集的资金将全面投入训练基座模型、本体研发及迭代、数据采集、核心算法研发等领域，加速具身智能技术在多场景的规模化应用。完成从工厂到制造业、服务业，从国内到海外的场景拓展，持续发力技术创新与产业合作，以技术赋能具身智能产业规模化落地，加速具身智能技术在多场景的规模化应用。

来源：猎云网