既然市面上没有达到要求的机器人，那就自己造
最近两年，具身智能的投资热潮可谓风头无两，主流叙事几乎都被人形机器人占据。从大模型、机器人本体、灵巧手到环境感知，每一个环节都是资本和媒体追逐的焦点。
相比之下，工业领域的机器人似乎显得有些“传统”，甚至被一些人视为即将被碘伏的上一代技术。
但事实果真如此吗？恰恰相反。在人形机器人炫目的光环之外，工业机器人领域依然存在着巨大的性能提升空间。更重要的是，它的场景需求清晰可见，商业化路径也远比许多前沿探索更为明确。
一个有趣的趋势是，新入局工业机器人领域的创业者，很多都有深厚的制造业背景。海外新兴电动汽车制造商Rivian的创始人RJ Scaringe就是一个典型例子。就在2025年，他创立了一家名为Mind Robotics的机器人公司，目标直指工业应用，旨在满足他对智能、精度和可靠性综合性的严苛要求。
这家公司势头强劲，继2025年末获得由Eclipse Capital领投的1.15亿美元种子轮融资后，最近又拿到了由Accel与Andreessen Horowitz联合领投的5亿美元A轮融资，估值已攀升至约20亿美元。
Mind Robotics是RJ Scaringe创立的第三家公司。他的创业版图始于2009年成立的电动车公司Rivian，该公司于2024年成功上市。2025年上半年，他又拆分出名为Also的公司，专注于小型自动驾驶配送电动车，并与外卖平台DoorDash展开了合作。
RJ Scaringe，图片来源：Rivan
而2025年下半年问世的Mind Robotics，并非一次简单的业务横向扩张。它更像是在解决自身核心业务痛点时，自然生长出的新枝芽。
故事要从Rivian的产能爬坡说起。Rivian最先交付的是定位高端的R1系列，累计十多万辆的交付量，算是解决了“从0到1”造车的问题，类似于特斯拉当年渡过Model S阶段。
接下来，肩负走量重任的中型SUV车型R2登场，已收获数万辆订单，计划在2026年上半年大规模交付。于是，一个熟悉的问题出现了：产能爬坡的“地狱”。这与当年特斯拉生产Model 3时的困境如出一辙。
当年，马斯克的解决方案是直接睡在工厂里。而RJ Scaringe的思路则更具现代色彩：用更智能的机器人来制造汽车。
他随即开始调研市场上的工业机器人产品，却发现了一个明显的断层。传统的工业机器人在严格受控的环境中处理重复、规整的工作时表现卓越，但面对工厂里真正复杂多变的任务时，却往往力不从心。这些任务需要灵巧的操作、对变化的适应能力，以及在动态环境中的实时物理推理能力。
比如，汽车线束的形态每次铺设时都略有不同；各种材料会在操作中弯曲变形；零部件在装配线上也可能发生微小移位。在真实的工厂里，这些被传统系统视为“边缘情况”的问题，恰恰是每天都在发生的“常态”。
另一方面，新兴的具身智能公司，大多将精力聚焦于家庭或个人场景，研究如何让机器人叠毛巾、洗碗，甚至提供情绪价值。真正深耕工业领域的，只是其中一小部分。
既然市场上找不到现成的解决方案，为了攻克Rivian自身的生产难题，RJ Scaringe决定亲手打造，Mind Robotics应运而生。
目前，Mind Robotics的具体产品形态尚未明确披露，但从RJ Scaringe透露的信息来看，核心很可能是一款高度智能的机械手。
在他看来，手在工业制造中扮演着至关重要的角色。要让机器人完成类人的任务，本质上就需要一双灵巧的“手”。这双手的末端需要集成感知模型，并具备在三维空间（X、Y、Z轴）中灵活调整的能力。从整个机器人系统的视角看，其他大部分的技术努力，其实都是为了将这双手精准、稳定地送达正确的位置。
当考虑在工厂环境中规模化部署机器人时，必须追求复杂度最小化、故障模式减少以及功耗降低。因此，完整的人形机器人架构在这种场景下并非必需。
原因在于，工厂的运行设计域与家庭环境截然不同。在这里，机器人不需要应对楼梯、不同材质的地面过渡，也不必担心被宠物绊倒或踩到孩子的玩具。环境相对稳定，甚至可以在部署前进行精确测绘，因为整体布局一旦确定，变化幅度较小。
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平台体系：一个用真实世界数据训练而成的集成模型、一套为精细操控和稳健性而设计的专用硬件，以及一个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有机整体来设计。
而构建这样的平台，绝非那些缺乏产品工业化经验、未曾深入理解工业运营、没有数据飞轮支撑、也没有成熟供应链的公司所能胜任。RJ Scaringe创立Mind Robotics的底气，正来源于在Rivian的深厚积累。公司与Rivian深度合作，能够从其实际运行的生产线中获取海量、多样化的真实生产数据。
这就为机器人的数据飞轮注入了强大的初始动力，使得快速迭代成为可能。模型的每一次改进，都能直接部署到实际生产中进行验证和优化。据悉，Mind Robotics计划在今年年底前部署相当数量的机器人。除了服务Rivian，它很可能也会向其他有类似需求的制造业厂商开放合作。
为什么工业领域具身智能是通向物理AGI的有效路径？
探索通用人工智能（AGI）的道路从来不止一条。在合适的细分领域进行深度耕耘，同样可能抵达终点。例如，在大模型领域，编程（Coding）近年来就被视为一条热门路径，因为编程任务具有高复杂度、可验证反馈和可反复迭代的特点，易于形成“用智能提升智能”的增强飞轮。
无独有偶，在物理AI领域，工业环境也具备极其相似的特质。在工业制造场景中持续推动智能进步，很可能在某一天触达通用的物理人工智能。
我们可以拆解这个逻辑：将机器人部署在工业环境中，它们会在执行任务时持续产生数据；这些数据被用于改进模型和控制系统，从而提升机器人性能；性能的提升又能让机器人胜任更复杂、更广泛的任务，进而产生更多、更高质量的数据。一个正向的增强循环就此形成。
能够将专用硬件、核心软件和制造工艺深度融合成一个统一体系的公 司，最容易建立起坚固且难以复制的竞争壁垒。
正因如此，那些已经具备此类基础条件的公司，纷纷开始向具身智能进军。最早将这一理念付诸大规模实践的是特斯拉，其在2024年高调宣布进军机器人领域，目标正是将机器人应用于自身的生产制造中。
而在中国，小鹏、理想等头部电动车厂商，也已在具身智能领域进行了实质性布局。
这些厂商布局工业机器人的底层逻辑高度一致：它们同时拥有明确的落地场景、源源不断的真实数据以及强大的制造能力，三者结合，恰好能形成那个关键的、自我强化的迭代飞轮。
更进一步看，这反映了一个更宏观的行业转向：整个AI的发展重心，正逐渐从单纯的认知理解，转向具备执行能力的智能体。无论是在数字世界中的智能袋里（Agent），还是在物理世界中的具身智能，都是这一趋势的体现。
具身智能的终极突破，不仅要求模型能理解三维世界，更要求能制造出在物理世界中可靠、精准行动的机器。达成这一目标，数据固然是基石，但它更是一个需要硬件、软件、算法和产业生态协同进化的系统工程。这个领域的每一次创新突破，都值得我们报以期待。
