当人形机器人赛道已被巨头和资本挤满，29岁的创业者彭锐选择了一条差异化路径——专注仿生柔性机械臂这一细分领域。他的技术底蕴相当深厚：香港大学机械工程博士，19岁斩获全国大学生电子设计竞赛一等奖与RoboCon全国一等奖，21岁加入大疆负责机器人嵌入式开发。博士期间，他以独立第一作者身份在Nature子刊发表机器人方向研究，从硬件设计到底层控制、从感知决策到智能模型，全面积淀了机器人技术栈的实战经验。

2025年3月，彭锐创办擎羽科技。团队同样亮眼，成员来自斯坦福、清华、普林斯顿等顶尖学府以及大疆等科技公司，平均年龄仅26岁，最年轻的成员才19岁。

这家初创公司近期完成了由顺为资本与五源资本联合投资的Pre-A轮融资。至此，擎羽自成立以来累计完成四轮融资：2025年7月获得奇绩创坛种子轮；2026年1月完成德迅投资领投的天使轮；3月先后完成东方富海领投的天使+轮以及德迅投资领投的Pre-A轮。

顺为资本在本轮投资中指出：“擎羽科技的绳驱柔性机器人有望突破传统刚性机器人在安全性与部署成本上的限制。同时，该技术路线天然适配具身模型训练，能够实现末端轨迹与硬件解耦，仅需少量真机数据即可合成大规模有效仿真数据，从而缓解数据瓶颈。”

擎羽的技术体系可分解为三个递进环节：柔性硬件、数据飞轮、跨本体模型。柔性硬件提供差异化物理能力；数据飞轮将这种能力转化为训练燃料；跨本体模型再将积累的经验泛化到更多场景。

先看硬件核心——一款自重仅750克起步的绳驱柔性机械臂。绳驱路径在学术界并不新鲜，但长期困在实验室，根本原因在于微型驱动模组的工程化始终未突破。如何将驱动单元做到极致小型化？绳索张紧机构如何确保不松不断？柔性体的控制精度能否达到实用水平？这三项难题无法直接从论文变成产品。擎羽的解法是自研紧凑型驱动模组，将电机、减速机构和张力补偿全部集成在有限空间内。最终机械臂实现5:1的负载自重比，单关节承重35公斤，自重则压到了公斤级以下。

柔性结构带来的控制挑战同样严峻。受力时的弹性形变、绳索摩擦非线性，都会导致末端实际位置偏离理论值，且偏离量随工况动态变化。擎羽的应对策略是在仿真中构建高保真柔性体动力学模型，仅需少量真机数据做参数标定即可迁移，目前操作成功率稳定在95%以上。此外，产品采用模块化设计，臂长从10厘米到2米均可定制，同一套驱动与控制架构能适配形态差异巨大的本体，为后续跨本体模型训练预留了硬件接口。

硬件之上是数据飞轮。擎羽的数据来源有三条：一是不同应用场景的行业机器人操作数据，覆盖多样化任务与环境条件；二是通过遥操作和示教采集的人类操作轨迹，人类策略对任务变异的泛化能力通常优于算法生成路径；三是自有机器人在实际部署中产生的回流数据，这部分直接来自真实世界。三条数据流汇合，用于迭代训练跨本体模型。模型变强后，部署成功率提升，可进入的应用场景增多，回流数据自然增长——形成正向循环。

不过，飞轮能否持续加速，取决于数据管道能否维持足够的多样性与质量。数据规模增长带来的边际收益递减是所有此类系统的共同挑战，擎羽目前仍处于飞轮运转早期阶段。

飞轮的最终指向是跨本体通用智能模型。所谓“跨本体”，指同一模型能驱动不同形态、不同自由度、不同规格的机器人执行任务。这比跨视觉、跨语言困难得多，因为机器人的物理形态直接决定其与环境交互的全部条件。

擎羽的思路是在轨迹规划层与硬件执行层之间做解耦：模型只输出与硬件无关的操作意图和末端轨迹，由各本体自身的控制器将抽象指令翻译成关节驱动信号。这样一来，接入新形态机器人只需搞定控制器层，模型核心保持不变。理论上，具身智能在跨场景部署时的复杂性将大幅降低。

这一思路与硅谷的Physical Intelligence存在交集，PI同样强调用多本体数据训练统一模型。区别在于，擎羽希望将“跨本体”理念从训练阶段延伸到推理部署阶段，使同一个模型实例直接跑在不同硬件上。难度显然更高，目前尚无公开的第三方验证。

整体而言，擎羽的三个技术环节构成了一条串行链条：柔性硬件提供差异化物理能力，数据飞轮将这些能力转化为训练燃料，跨本体模型将积累的经验泛化输出。但需要理性看待的是，三个环节目前均处于验证期。硬件的量产一致性、飞轮的数据转化效率、模型在复杂真实场景下的鲁棒性，都需要更长的运行时间和更大的部署规模来给出答案。