简智机器人宣布已完成 A 轮融资，本轮由全球领先的物理 AI 公司 Momenta（顺为被投公司）领投，老股东连续多轮追投。公司将持续聚焦大规模无本体数据基础设施建设、Data Foundation Model 升级、物理 AI 评测闭环、大规模真机集群验证以及全球化业务拓展，加速构建数据驱动的物理AI基础设施。
顺为资本于 2025 年领投「简智机器人」天使轮融资，并在后续 Pre-A 轮及本轮融资中持续助力。
简智机器人在成立仅短短一年的时间内，连续完成 7 轮融资，老股东连续追投，累计融资额超 2 亿美元，刷新了具身智能无本体数据累计融资体量，这背后是战略方、资本与行业对“数据驱动模型”这一产业底层逻辑的共识。
产业方战略重注：人类技能数据✖️物理AI基座
当前，具身智能行业正处于从“专用演示”向“通用泛化”爬坡的关键节点。没有足够大规模、高质量的真实人类技能数据，就无法验证模型路线是否收敛、无法跨越智能泛化的临界点。
简智机器人正是为破解这一瓶颈而生，作为一家数据驱动、评测闭环的物理 AI 公司，简智机器人始终坚持源于人、服务人，模型服务模型（From Human for Human. From Model for Model.），致力于将海量人类技能数据，高效转化为可度量、可验证的具身智能与世界模型能力，为整个行业夯实基础设施底座。
本轮领投方 Momenta 作为全球领先的物理 AI 公司，以世界模型为基座，基于“数据飞轮”技术洞察，量产业务（Mass Production）与规模化无人业务（Scalable Robo）“两条腿”并行，让物理AI走入现实生活。简智机器人在人类技能数据、Data Foundation Model、大规模真机集群评测的布局，和 Momenta 的物理 AI 发展战略高度契合，双方将共同加速世界模型不断 scale up，共促物理 AI 泛化与涌现。
简智机器人始终认准的朴素逻辑是用人类技能数据赋能物理 AI，已经构建了覆盖人类技能数据收集、数据基础模型训练、大规模真机评测验证的基础设施。
简智早在今年年初时，就在全球开源社区发布了一个 13,000 小时以上的具身智能与世界模型无本体数据集，该数据集目前单月下载量已超百万次。在下载量、实际模型工作引用量上均是全球开源具身数据集首位。简智将持续开源高质量人类技能数据，与全球研究者共同加速世界模型的规模化。
简智机器人自主研发了包括 Gen DAS（Data Acquisition System）无感可穿戴采集设备、Gen Controller 技能终端数据采集的产品矩阵，并拓展多种硬件模态，通过声音、磁触觉、压阻、电容、柔性织物、力反馈等多路传感完整记录人类行为，实现无本体数据的高精度、高保真采集还原。
简智机器人自研训练的 Data Foundation Model 专为具身智能、世界模型行业而打造，覆盖思维链（CoT）、6D 位姿、深度信息、触觉感知、手部跟踪、全身 Mesh 等模型预训练所需的维度，并在持续扩展「领域-场景-任务-技能」的标准化人类技能体系。
全球客户的共同首选
纯无本体数据支持头部具身模型完成预训练
简智机器人的基础设施解决方案已在全球范围内具身智能、世界模型头部客户群实现标杆性落地：已有全部基于简智机器人提供的无本体数据实现预训练的新一代具身模型，并在复杂操作的泛化测试中表现出稳定的跨场景迁移能力。这初步验证了无本体数据在具身智能与世界模型预训练阶段的 scaling law，简智提供的基础设施解决方案可以持续转化为模型能力的提升。
与此同时，海内外客户的数据需求自今年第二季度以来实现了量级跃升：具身智能与世界模型客户正集体从万小时级迈向十万小时级、百万小时级的预训练规模。判断这一基础设施层的价值，最直接的标准就是：最难服务、标准最高的客户是否愿意长期使用它。简智机器人凭借对模型训练侧真实需求的领先认知、对 Data Foundation Model 的自研训练、以及对评测模型与真机集群验证的大规模投入，成功服务了全球多家头部具身智能与世界模型团队。这些团队对数据质量、可验证性与交付节奏的要求，构成了行业当前的上限，在满足他们需求的过程中，这套要求会沉淀为行业的标准与共识。
简智机器人将基于全球化发展战略，助力具身智能与世界模型团队在预训练规模持续 scaling 破百万小时、千万小时、亿小时级别的长坡厚雪中扎实前行。
模型服务模型DFM是具身智能与世界模型的上游
行业里正在发生一个变化：模型与基础设施之间的边界是流动的。模型需要基础设施，而模型本身也会成为基础设施的一部分——一个模型会成为另一个模型的基础设施。
简智机器人的 Data Foundation Model 就站在这个位置。模型客户拿到的是一个持续运转的上游系统：DFM 把人类技能数据重建为可直接进入预训练的物理事实，评测 Foundation Model 与真机集群再把模型在真实世界里的表现反馈回来，校准下一轮该采什么、该补什么。
