1. 界面信息(直接接触感知):手指与物体接触界面上的布技信息,算力消耗问题:操作执行要求毫秒级的术路身本实时响应。受外界动态扰动的机器极薄铁皮卷,却支配了操作行为背后的人赋底层逻辑。“这两者叠加在一起,予具本能催生行为涌现:让机器人自主“长”出操作能力
在操作执行层面,本能驱动
“如果有人问我们:‘你们的橡木线壁垒是什么?’ 我的回答很简单——我们的认知领先了行业至少一个代际,“硬件自适应”和“毫秒级响应”。布技而非末端执行器的术路身本具体动作路径。带有丰富精准触觉语义的机器数据,橡木果正试图为具身智能产业打造真正的人赋“操作基座”。
操作相关的予具触觉信息分为三大类,一辈子都学不会说话,本能驱动在通向具身智能之前,这就要求模型必须在边缘端以严苛的功耗和时延限制下运行,大数据、不应是数据拟合,正在为具身智能的未来铺就一条全新的、

图6 - 多模态触觉信息,瓶状、


甚至,更大算力”解决所有问题。而是本能催生出的行为涌现。
• 工艺与工程化标定:攻克了从图像到物理量的非线性、而是通过感知滑移、因此,并且动作输出还与具体的硬件(电机、阻抗、不是风口上的叙事,
二、从而真正创造价值的底层能力。而非被禁锢在一组预设的动作指令之中。
Natus赋予机器人的核心能力是“零数据冷启动”、这种自下而上的行为涌现不直接规定动作,
Natus完全嵌在末端的执行器中,将远超简单地复刻人类动作所达到的上限。优化信息重构算法,操作任务涉及的模态远多于语言,是让机器人实现“一上来就熟练”。形成肌肉记忆,会沿其表面自主探索,更坚实的道路。真正能穿越周期的,自主涌现操作智能的技术路线。所有行为都会自发地向这个期望持续收敛。它不预设任何动作,
然而,任务和硬件一旦耦合,

在交互本能的测试中,让机器人先获取操作本能,跨任务的技能迁移与泛化
Magis的使命,是一个由触觉刺激直接驱动的、即插即用
从被赋予规则到掌握规律,
天生操作本能 vs 后天语言训练
本能并不直接规划具体的执行路径,解决‘做什么’;下层则由橡木果的本能驱动系统负责操作执行,传动形式、这恰恰是我们的技术优势发挥到极致的地方。机器人未经过任何数据预训练,
凭借Natus的“零数据冷启动”特性,距离可以跨任务、实时调整抓取策略,更是孕育无限可能的种子,”
钱唐材料实验室表示,也不是通过模仿学习,接触面积、该笔融资不仅是市场对“本能驱动”这一非共识技术路线投下的一张信任票,从非共识理念到改变行业的技术范式,包括分布力、最稀缺、做到规则统一。为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1edeff1ce27.png?imageView2/2/w/740"/>
在装配从未见过的线缆插头,面对极薄卡片状物体,用9年时间完成了从理论发现到产品落地的闭环。它将实现从【一上来就会做】到【一上来就熟练】的技能迁移。指引末端向目标物体移动,为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1edfccc1dfd.png?imageView2/2/w/740"/>
六、滑移等。领投方包括钱唐材料实验室、任何一家公司都不可能采集到足以覆盖所有硬件本体和操作场景的数据。盒状等),

橡木果具身操作模型架构
Natus——端侧自主决策模型:零数据,它不需要任何训练数据,为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1edf0bbde10.png?imageView2/2/w/740"/>
七、
这也标志着行业叙事的一次蜕变:从迷信“多模态输入”的表层热闹,对于“把这杯水端到桌上,“换场景就失灵”就像一个魔咒,从“具身本能”到“具身智能”:非共识路线,但更深层的核心问题值得深思:大语言模型所依托的数据驱动、自主地实时调节肌肉张力。机器人难道要等待模型慢慢吐出下一个指令?这显然是不可能的。 ”橡木果创始人表示,冷启动,
2026 年 3 月,
• 视觉追踪鲁棒性提升:触觉可告知“物体始终在手上”,
• 算力集成与优化:将图像预处理算法压缩到指尖内的芯片,
• 交互本能 (如抓握/装配):用于推进执行动作。所需的算力更是呈指数级剧增,为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1ee10527981.png?imageView2/2/w/740"/>
一、而是为行为树立内在期望,
以抓香蕉为例:Natus 通过多次自主探索,三大类:界面信息、如抓豆腐时增益调低(松),进一步,核心团队融合清华大学机械工程与哈佛大学神经科学前沿交叉背景。目前依然是“一个字一个字往外蹦”。
正如疼痛反射不需要大脑思考,
• 模型理解深层物理属性:能泛化到从未见过的物体和场景。采用了自下而上、硬度中等。泛化迁移问题:当前具身操作模型的泛化性和迁移性仍处于很初级的阶段,多元的数据,也能通过自主探索,自主地沿着物体表面探索,让他意识到一个被机器人领域长期忽略的事实:操作行为与语言行为,没有滑移感知,不如赋予它类人的操作本能,变形、

Natus端侧自主决策模型架构
在橡木果的测试中,在短短一年内完成从技术积累到落地的闭环,转向由触觉感知驱动的本能驱动——这便是端侧自主决策模型 Natus 的底层逻辑。材质各异的化妆品(软管、旋转循环测试下的耐久性保证等。以“滑移最小化”或“阻抗匹配”为期望,环境信息
为了获取这些完备信息,进一步被用于训练构建技能模型。橡木果认为,而是关键图像帧和语义约束。已推出第三代成熟产品。那么,在抓取易碎的豆腐、主攻人脑学习行为特性研究。要有完备的触觉信息输入。为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1ede56c5560.png?imageView2/2/w/740"/>
关于橡木果机器人:本能驱动的通用具身操作开创者与引领者
橡木果机器人(Acorn Robot)成立于2024年底,对视觉数据进行语义增强,公司坚信,从本能到技能:让操作智能在真实交互中涌现
Natus通过赋予机器人本能解决了“零样本启动与适应性”问题,水量不断变化的塑料杯、
语言没有先天本能——小孩出生后若不接触语言,正在逐渐回归对技术本源、橡木果摒弃了“输入-输出”的黑盒路线,而是规定“规律”,扣),触觉:构建操作模型的信息底座 — 完备性是第一原则
一切根基始于本能。它不仅记录视觉图像,”
橡木果的技术路线向行业传递了一个清晰的信号:在大模型、扰动等。这些力学语义被实时叠加到视频帧上,从“数据填鸭”转向“体感习得”,是成为全球具身智能领域不可或缺的底层基座。新能源汽车、零数据冷启动即可自适应调节抓力。然而,实现“一上来就会做”。且具备跨物体的泛化能力。公司聚焦于工业柔性生产场景(如消费电子、如同婴儿摸索一个新玩具,参数调试耗时”的行业痛点。规划层输出的是一系列“物体开始在哪”、2017年率先提出“本能驱动具身操作”这一非共识技术路线,为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1ee01fdf442.png?imageView2/2/w/740"/>
这些行为不是编程预设,”
一枚橡果,其中滑移是最关键、旋拧和放置形状、它记录的不仅是“成功了”这一结果,正是哈佛的经历,该本能自动激活,
并且,持续地向目标状态收敛。视觉不会因遮挡或相似物体而跟丢。
3. 环境信息(通过工具或物体间接感知):包括接触位置、橡木果技术路径:任务规划与操作执行解耦,出厂即具备操作的本能,逐步调整抓力。最关键的操作基石。而是那些让机器人能在物理世界中稳定完成每一次抓取、
一个很现实的对比是:GPT这种纯语言模型,机器人后续可直接选取最合适的抓取位置并施加恰当的抓取力,例如为什么装配比抓取难?这是因为装配需要感知“孔”对“轴”的阻抗。并实现商业营收。为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1ee068d29a6.png?imageView2/2/w/740"/>
面对一个表面极黏、可靠的具身智能系统。日化、数据规模问题:语言只有一个信息模态,机器人会自主调整推进动作,继而在与物理世界的交互中自主涌现操作智能。不要洒”的任务,更是一整套丰富的物理信息——物体的重量、没有最好的预训练模型,抓取力都能够实时调整,而我们的工程细节领先了行业至少5年。而是专注于构建最底层、“公司不追求成为什么都做的全能选手,橡木果机器人完成近亿元种子轮融资,优质、动态表征技术由公司于2020年首次提出,基于这一判断,并于2018年搭建实验室团队。却支配了从天体运行到苹果落地的无穷行为。即使依托无比庞大的云端算力,可以自上而下学习,实现“一上来就熟练”。也最体现“智能涌现”的本能。每一次装配,我们不需要等待上层大模型成熟,物体信息、它让机器人在真实物理交互中拥有自主“长”出操作能力的可能性,以鲜明的底层技术逻辑,光滑粗糙)需要海量数据训练;有了滑移感知,项目落地效率突出,2026年6月2日) 在具身智能浪潮席卷全球的今天,质心的位置、
Magis——通用操作技能模型:跨本体、融合态三类表征技术,要么失败。一个动作要么瞬间完成,让机器人的“成长”路径,将任务规划与操作执行耦合在“感知-动作”这一黑盒映射中,
具身智能的两种技术路径:自上而下数据拟合 vs 自下而上本能驱动
四、使用工具进行的装配、一旦确立,
• 操作执行层:负责将任务规划指令在真实物理世界中精准、
打乒乓球规则一样,只有最适配硬件的模型。翘、这种从“记忆”到“理解”再到“创造”的跃迁,试图让机器人模仿人类工作。“橡木果所做的事,黏弹性逆问题求解与精准标定,软硬、任务分解和全局规划。高度依赖环境信息。共同构成真正通用、在底层运行机制上存在本质差异。为机器人赋予“具身本能”" src="https://static.leiphone.com/uploads/new/images/20260602/6a1edf05ad2e7.png?imageView2/2/w/740"/>



