剑指物理AGI，Rivan创始人创立的Mind Robotics融资5亿美元

最近两年的具身智能投资热潮，主流叙事集中在人形机器人，包括模型，本体，灵巧手，感知，都是热点。

工业领域的机器人，似乎成了上一代产品技术，成了要被颠覆的传统的一部分。

但实际上在人形机器人之外，工业机器人仍有巨大提升空间，并且其场景需求、商业化潜力都相当明确。

而新布局工业机器人领域的创始人，不少都是做过制造业的，例如海外新兴电动汽车制造商Rivan的创始人RJ Scaringe，就在2025年创立了一家叫Mind Robotics的机器人公司。这家公司专注在工业领域，要达到RJ Scaringe对智能、精度、可靠性的综合性高需求。

它最近获得了Accel与Andreessen Horowitz联合领投的5亿美元A轮融资，2025 年末获得由Eclipse Capital领投的1.15亿美元种子轮融资，目前它的估值达到约20亿美元。

既然市面上没有达到要求的机器人，那就自己造

Mind Robotics是RJ Scaringe的第三家公司。他在2009年创立了电动车公司Rivan，2021年公司上市，2025年上半年拆分了一家叫Also的公司，做小型自动驾驶配送电动车，与外卖公司DoorDash合作。

RJ Scaringe，图片来源：Rivan

2025年下半年，他创立了Mind Robotics。这家公司，不是一个业务的横向扩展，而是从它的业务中发现痛点和需求，并生长出来的。

Rivan最先发布的车型是高价格的R1系列，它们累计交付了十多万辆，算是解决了能不能造车的问题，类比特斯拉，就是渡过了Model S的阶段。

它的第二款车型R2是中型SUV，是一款走量的车型，已经被预订数万辆，要在2026年上半年大规模交付。

Rivan遇到了一个问题，和当年特斯拉造Model3时一模一样：产能爬坡“地狱”。

当年Musk为了解决这个问题，经常就睡在工厂里了；RJ Scaringe的思路是，用机器人来制造汽车。

于是他开始观察市场上的工业机器人产品，他发现“传统”的工业机器人，在严格受控的环境中处理可重复、尺寸稳定的工作方面表现卓越；但是并不能完成工厂环境中的大部分真正复杂的工作。因为这些工作要求灵巧的操作、对变化的适应能力，以及在动态环境下的物理推理能力。

例如，线束的形态每次都不同；材料会弯曲；零部件会移位。在工厂里，这些被视为边缘情况的情况才是是常态。

而新兴的具身智能公司，大部分专注于家庭场景或个人场景，它们的机器人在研究如何折叠毛巾、清洗碗碟，以及如何给人提供情绪价值；其中只有少部分是关注工业领域的。

于是，为了解决Rivan的实际问题，在没有在市场上找到合适产品的情况下，RJ Scaringe选择创立Mind Robotics。

目前，Mind Robotics的具体产品，还没有明确消息，但从RJ Scaringe透露出的消息来看，很可能是更加智能的机械手。

RJ Scaringe认为，手在工业制造中至关重要。在工业制造中，机器人要完成类似人的任务，从本质上，需要有手，手的末端需要有感知模型，需要具备在 X、Y、Z 轴上调整的能力。从机器人系统的角度看，其他大部分的技术努力，都是为了把手送到正确的位置（包括移动能力）。

考虑将机器人在工厂环境规模化部署时，应该具有最小化复杂性、减少故障模式、降低功耗。所以人形机器人，在这种环境中并不是必须的。

因为在工厂环境中，与在家庭环境中，需要的运行设计域 (ODD)是完全不同的。机器人不用处理楼梯，没有地毯到瓷砖的地面过渡，不必担心被猫绊倒，也不用担心踩到孩子。设计者还可以绘制环境地图，因为一旦部署，整体环境的变化较小。

要打造能够处理灵巧、多变且需要密集推理任务的机器人，必须构建一个完整的机器人平台：以真实世界数据训练的集成模型、为精细操控和稳健性而设计的硬件，以及支持持续学习和迭代的部署基础设施。这要求将智能、机器和工业化进程作为一个整体来设计。

要构建这样的平台，不是那些从未将产品工业化、从未真正花时间理解工业运营、没有用于训练模型的数据飞轮、也没有成熟供应链的公司能够完成的。RJ Scaringe创立Mind Robotics，是基于在Rivian的经验，他与Rivian深度合作，可以从其实际运行的生产线中获取丰富、多样化的生产数据。

这就为机器人数据飞轮注入了动力，能够实现快速迭代；而模型的改进可以直接部署到实际运营中。据悉，Mind Robotics 将在今年年底前部署大量机器人，除了Rivian外，它应该也会去其他有需求的制造业厂商合作。

为什么工业领域具身智能是通向物理AGI的有效路径？

探索AGI的路不止一条，在合适的细分领域深耕，可能也可以达到AGI。例如，在大模型领域，这两年Coding就被视为一种探寻AGI的热门路线。因为Coding任务具有高复杂度、可验证反馈、可反复迭代等特点，可以形成用智能提升智能的迭代飞轮。

正好，在物理AI领域，工业环境也具备类似的特点，在工业制造领域的智能不断进步，就可能在某一天达到通用物理人工智能。

拆解来看，将机器人部署在工业环境中，产生数据，数据改进模型和控制系统，而性能的提升又会解锁更广泛的部署，进而产生更多数据。

能够将硬件、软件和制造紧密融合成一个统一体系的公司，是最能建立起壁垒和难以复制的竞争优势的。

所以，那些已经具备此类基础的公司，都开始向具身智能进发，最早进行实践的是特斯拉，它在2021年喊出了要搞机器人，要把机器人应用到工业生产中。

小鹏和理想等中国的电动车厂商，也已经在具身智能领域布局。

这些厂商布局工业机器人和具身智能的底层思想，都是它们具有场景+数据+制造能力，能够形成迭代的飞轮。

进一步引申，现在整个AI行业的发展方向，已经从单纯的认知转向了执行，无论是数字世界的Agent，还是物理世界的具身智能。

而具身智能的突破点，不仅是让模型理解真实的三维世界，更要制造出能在物理世界中可靠行动的机器。要达成这个目标，数据肯定是一切的基础，但这是整个系统协同的问题，需要整个创业创新生态一起努力。我们很期待看到这个领域的创新向前突破。

本文来自微信公众号“阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的阿尔法公社，36氪经授权发布。