人们因为绳驱认识星尘。但今天资本重新定价的，已经不只是一副身体。
作者｜周悦
编辑｜王博
“我们通过后视镜观察当下，倒退着走向未来。”
加拿大传播学家马歇尔·麦克卢汉曾用这句话形容一种认知惯性：人们总是习惯用过去的经验，理解正在发生的变化。科技产业也不例外。一家公司的技术标签过于鲜明，以至于外界很容易忽略它在其它方向上的进展。
星尘智能（下称“星尘”）就是一个典型的例子。
很长一段时间里，提到星尘，人们首先想到的是“绳驱”。2024年，星尘发布首款全尺寸绳驱人形机器人S1，这条与主流路线不同的技术路径，让它迅速建立起行业辨识度。
但星尘发生的变化，远不止绳驱。早在S1正式发布前，星尘已经组建模型研发团队。随后推出Lumo系列基模、并继续布局世界模型、强化学习和具身OS。
今年9月21日的星尘OS黑客松北京站上，这些能力第一次被集中交给外部开发者使用。
一台机器人坐上麻将桌，摸牌、出牌，输了还会抱头“痛哭”。另一边，机器人当起护工，送水、送药、收垃圾。
这是9月21日星尘智能OS黑客松北京站的现场。36小时内，15支队伍借助星尘封装好的Skill和Meta包，在真机上跑通了10余个应用。其中，麻将机器人出自三名大学生之手。
原本需要专业团队完成的机器人应用开发，正在变得越来越简单。
北京理工大学麻将机器人“momo”
这场黑客松释放了一个信号：机器人应用开发的门槛正在降低，而让技术能力以更低成本复制到更多场景，正是资本看重的商业化潜力。
资本对星尘的判断也在发生变化。
「甲子光年」获悉，星尘智能已完成新一轮融资。这也是其近半年内完成的第4轮融资。
公开信息显示，自今年3月以来，星尘先后完成A+轮、A++轮、B轮及本轮融资。其中，今年6月完成的B轮系列融资总额超过10亿元，公司披露估值首次突破100亿元。三个月后，星尘披露的估值达到150亿元。
具身智能赛道正从“抢项目”转向“淘汰赛”。融资没有消失，但流向变得更审慎：技术故事之外，企业需要证明量产能上、产品能卖、落地场景能复制、收入能够增长。星尘此时完成新一轮融资，也让这150亿元估值多了一层商业化检验的意味。
当越来越多的公司进入百亿俱乐部，资本需要回答的问题也变了：一家机器人公司究竟建立了什么能力，值得投资人持续提高定价？
「甲子光年」认为，重新评估星尘的商业价值，需要看三个问题：机器人能不能以合理价格卖出去，卖出去以后智能能不能继续变强，以及新的能力能不能低成本地复制到更多场景。前者决定今天的收入和交付能力，后两者则关系到一家机器人公司未来能够形成多大的商业规模。
这也是星尘过去几年看似分散的技术选择，正在逐渐汇合的地方。
1.AI需要一副什么样的身体？
“Design for AI”，是星尘从成立之初就强调的理念。
2022年星尘智能成立，当时机器人行业的分工还相当清楚。做本体的研究关节、驱动、负载、可靠性和成本，做算法的研究感知、规划和控制，多少有点“凯撒的归凯撒，上帝的归上帝”。
星尘刚开始融资，曾有投资人问创始人来杰：“你们做的到底是AI还是机器人？”
来杰的答案是：两个都做，而且软硬件必须强耦合。
星尘当时对Design for AI的理解很直接：机器人未来运行什么模型、需要什么数据、怎样与真实世界交互，这些问题都应该前置到本体设计里，而不是先造出硬件，再去适配AI。
这种判断与来杰的经历有关。2019—2020年前后，来杰在腾讯Robotics X研发机器人。当时团队遇到过一个反直觉的问题：摄像头已经“看”得足够清楚，机械臂精度甚至达到亚毫米级，机器人依然显得“笨笨的”。
他们尝试“用盲人的思路训练模型”。训练机器人开门时，不再主要依赖视觉判断，而是靠手和门把手接触以后产生的力反馈，不断微调动作。当时，机器人已经可以稳定完成不同门把手的开门任务。
但这次实验让来杰意识到，机器人能不能干活，不只取决于它能不能“看见”和“到达”。模型给出的动作最终要由真实的本体执行，碰到物体后用了多大的力、收到什么反馈、下一步该如何调整，同样决定动作能否完成。
来杰把理想的力交互形容为“两个人握手”。
“绳驱最大的好处是力的透明度。就像两个人握手，你用了多大的力，对方给了你多大的力，你是知道的。”
这也成为星尘成立之初选择绳驱的一条重要依据。驱动单元可以远离关节末端，手臂更轻，力的传递和反馈也更加直接，让机器人“手底下有轻重”。
力反馈之外，另一个考虑来自数据。在腾讯时，团队曾尝试把人的动作数据迁移到机器人上。来杰发现，机器人的关节自由度和运动方式越接近人，中间需要跨越的gap越小。
这个判断到了今天反而更容易理解。具身模型越来越多地使用人类视频、跨本体数据等大规模数据进行训练，但这些数据最终仍要转化为机器人执行的动作。机器人与人的构型差得越远，数据转换的成本就越高。
「甲子光年」认为，当前具身智能的能力上限不只由模型决定。本体既决定动作能不能准确落到现实世界，也决定人类经验和真实交互数据，能以多大成本进入模型训练。
这正是Design for AI区别于普通本体设计的地方。
一副为AI设计的身体，最终还得被稳定、低成本地造出来。「甲子光年」了解到，绳驱机器人构型天生有成本优势，全身20多个关节所用的腱绳材料和零配件加起来，跟传统刚性传动机器人1个关节要用谐波减速器成本差不多。
今年星尘推出的T系列机器人，起售价已降至8.99万元，几乎让高精细操作机器人的价格锚点下降了一个数量级。
过去几年，星尘把大量时间花在供应链、可靠性、认证和量产上。这些工程条件，不仅决定机器人能不能卖出去，也决定了它能不能被大规模使用，经受住高频交互与反复试错。
与此同时，这副本体也开始被外部AI团队当作开发平台使用。今年世界人工智能大会（WAIC）期间，京东、蚂蚁、达摩院等7家机构使用星尘的机器人展示了自己的模型。据星尘介绍，其科研市场目前仍处于供不应求状态。
来杰用了一个比喻：“星尘想做的是造出第一台个人电脑的苹果。”
过去几年，星尘花了大量时间先把这台“机器”做稳定、做可靠，并推进量产。随着本体逐渐稳定，团队的研发重心也开始向模型侧移动：机器人如何获得能力，又如何在真实世界中持续改进。
2.不把模型路线做成一道单选题星尘想让机器人自己学会更多事
具身智能尚未形成公认的技术最优解。VLA、世界模型和强化学习各有优势，如何让机器人真正理解物理世界、形成行动能力，仍是行业共同探索的问题。
从2024年初，前谷歌DeepMind、IDEA的研究员王佳楠加入星尘，负责机器人基础模型并主导全身VLA方向。星尘这两年陆续发布了第一代VLA强推理模型、第二代WAM隐式世界动作模型，这两大方向是具身赛道内公认最重要的技术主线。
一位接近星尘人士告诉「甲子光年」，当时市场人才高度向VLA集中，来杰反而有些“头疼”——他不希望团队最终只剩下单一技术范式。从2024年前后起，星尘一直保留着一支小规模强化学习团队，并同步探索世界模型。
VLA固然重要，但并未被星尘视为唯一解。在星尘内部，不同模型路线最终都要回答同一个问题：机器人如何形成动作，又如何根据动作的结果继续改进。
星尘将这个判断概括为：“动作（Action）是具身模型中的第一公民模态”。
这里的“第一”并非指动作的层级高于视觉或语言，而是强调机器人最终必须通过动作来干预物理世界。
来杰曾向「甲子光年」举过操作咖啡机的例子。放入胶囊前后，摄像头捕捉到的画面极其相似，但下一步动作截然不同：没放进去就要继续放，放好后就该去按开关。仅依赖眼前的一帧静态画面，显然不够。
围绕这类问题，2025年发布的Lumo-1在VLA中引入了显式推理。先评估任务进度、空间关系与运动轨迹，再生成动作。
随着研发深入，VLA的边界逐渐显现。早期用模仿学习时，每切换一种物体或任务，往往需要追加新的示范数据。来杰如此形容这种状态：“举一反三需要每一种都演示一小遍，很别扭。”
在团队看来，只靠示范数据学习“这种情况下该做什么”，泛化仍然有限。今年发布的Lumo-2开始引入隐空间世界模型。比起“看懂现在”，Lumo-2试图多解决一步：一个Action执行以后，物理世界会发生什么。
另一条并行推进的路线，是强化学习（RL）。
星尘对RL的探索始于2024年。今年，字节跳动强化学习专家、前腾讯Robotics X智能体中心负责人孙鹏加入星尘，负责机器人强化学习后训练，原本的小规模探索正式升格为完整团队。扩编背后的考量在于时机的成熟度。
在来杰看来，机器人强化学习要在真机上跑通，需满足几个前置条件：机器人能自主生成动作；硬件足够稳定安全，能扛住高频物理试错；同时，系统自身得逐渐具备评估动作优劣的能力。
他将模仿学习与强化学习的关系概括为：“两者是互补的关系，并不是调整模型方向。“模仿解决”先学会”，强化学习处理“做过以后如何做得更好”。
9月发布的在线强化学习框架SmoothRL正是这一思路的落地。据星尘披露的实验数据，经过250个rollout，动态投掷成功率从39%提高至94%，戴笔帽从8%提高至83%，开箱从30%提高至90%。
「甲子光年」认为，星尘相对稳定的并不是某一种模型架构，而是对问题的定义：机器人最终要形成Action，也要从Action产生的结果中继续学习。VLA负责模仿，世界模型尝试预判，强化学习处理试错后的改进，三条路线解决的是同一个问题的不同部分。
3.机器人卖出去以后，商业账怎么算？
一家具身公司进入B轮阶段，单一商业场景已难以构成竞争壁垒。
零售、文旅、科研、工业，头部具身智能企业都在加速渗透。机器人能否卖出固然重要，但竞争焦点已向前推演：谁能更快铺开终端规模，以及每一台售出的机器人，还能为系统沉淀什么。
要把终端真正铺开，价格和产品化仍是第一道门槛。
星尘正以不同价格带切入细分市场。旗舰S系列国内定价49.9万元。其早期工程样机曾以10万美元成交；主打轻量的T系列起售价则下探至8.99万元。按星尘提供的比较口径，目前具备类似操作能力的机器人价格至少在25万元左右，而T系列在此定价下仍保有硬件毛利。
商业落地同步铺开。2025年，金马游乐，为迪士尼、环球影城的游乐设施领域供应商，成为星尘早期商业化客户之一。双方为盲盒零售定制了标准流程：5米内主动招揽、推介商品、促单，再通过VLA模型驱动完成递盒。
星尘披露的数据显示，在北京合生汇，该方案月销量一度达到传统无人售卖机的4倍，旺季营收逼近实体门店，现已部署上百个点位。在这些场景里，用户已经愿意为现阶段的机器人能力付费。
但对一家迈入B轮的具身企业而言，这仅是起点。「甲子光年」认为，接下来的竞争一边拼市场速度，一边拼学习速度。终端铺设量越大，真实场景里的动作、失误与交互数据如果能有效回流，规模带来的就不只是营收，更是模型持续迭代的机会。
这也是星尘的技术路线有机会展现优势的地方。Design for AI让本体从设计阶段就考虑数据迁移与真实交互；模型侧则围绕能力获得、物理预判和试错后的改进继续迭代。
机器人进入更多真实场景，会带回更多长尾问题和数据；如果这些数据能够进入模型和后训练，模型能力的提升又可能扩大下一批产品能够完成的任务。
客观而言，这条链路目前尚未完全跑通。星尘已具备量产本体、真实部署、自研模型及强化学习团队，但商业数据能以多大体量回流、产生多大实际增益，仍需市场检验。
学习速度之外，终端能不能铺得快，还取决于一项能力能否低成本复制。
若每切入一个新场景，都需工程师重写代码、重调通信，再多的订单也容易陷入定制化的“项目制”。Astribot OS就是用来解决这一问题。星尘将AOS类比为机器人开发界的“剪映”，将底层控制与通信黑盒化，封装现有能力，使一次开发出的Skill能直接复用于下一次部署。
至此，星尘“AI模型—具身OS—绳驱本体”的架构价值逐渐具象：本体影响终端能铺多快，模型影响机器人能学多快，OS则影响新能力能复制多快。
资本对星尘的关注点也在变化。2025年A++轮时，国科投资强调的仍是“量产绳驱本体的稀缺性”；锦秋基金已开始探讨“本体优化—数据积累—算法进化—产业落地”的链条；至今年B轮，博华资本的关注点已经扩展到“本体、模型、数据”。本轮投资方深投鹏城战新基金CEO穆春卫给出的评价，则变为“全栈自研”“技术闭环”与“商业化落地路径”。
截至目前，星尘的资方阵营还包括云启资本、经纬创投、锦秋基金、蚂蚁集团。
据星尘披露，今年6月公司估值首次突破100亿元，三个月后便跃升至150亿元。本轮资金将继续用于模型迭代、人才扩充、商业化落地和产能建设。
「甲子光年」认为，150亿元估值最终需要验证的，是这套软硬系统能否真正形成正循环：规模化的本体，能否持续为模型输送真实的数据与训练机会；而进化的模型，又能否反向摊薄部署成本、扩大产品的商业边界。
宇树上市后，具身智能赛道留给各家反复论证路线的窗口期正在缩短。对于B轮之后的公司来说，路线选择已不能仅停留在纸面的逻辑自洽上。机器必须铺得够快，AI能力也必须迭代得够快。
（封面图及插图来源：星尘智能公开资料）
