“零数据”机器人来了，验证两月即可上岗！这群清华博士破局世界模型，靠“本能”让机器人上手就会

一句话看懂：清华系创业公司橡木果机器人（Acorn Robot）发布了一款名为 Natus 的端侧自主决策模型，其核心思路是让机器人不依赖任何预训练数据或示范轨迹，仅靠“本能”式的物理探索机制，在真实环境中自主学会操作物体。该方案已在头部化妆品 ODM 企业完成概念验证，从启动到规模化部署不到两个月，在手订单超过 2000 万元。这一路线否定了当前主流“大力出奇迹”的数据驱动具身智能范式，试图从控制底层重新定义机器人执行能力的来源。

事件核心：发生了什么

橡木果机器人由清华机械工程博士、哈佛神经科学博士后姜峣创立，团队 8 名博士均来自其长期实验室。公司首款产品 Natus 模型面向 B 端柔性制造场景，直接安装在机械臂或夹爪的端侧，不依赖外置摄像头、云端推理或任何历史数据。开箱后，机器人在本地以 200Hz 的响应频率实时处理触觉反馈，通过“滑移感知”等底层机制在物理交互中自主摸索出抓取策略。例如，一个仅有一个自由度的工业夹爪，在遇到薄卡片时尝试多次后，自发地演化出了“先压边缘、再以桌面为支点撬起”的操作方式。Natus 负责“本能层”的实时探索与操作，而第二层模型 Magis 则负责将探索过程中带有触觉语义的数据沉淀为可复用的技能模型，实现“越用越聪明”的迭代闭环。

为什么重要

当前具身智能主流路线——如 VLA（视觉-语言-动作模型）和世界模型——本质上依赖大规模高质量训练数据来“拟合”操作轨迹。但橡木果团队的实验和观点直接挑战了这条路径的两个核心瓶颈：其一，物理接触中的摩擦、阻尼、形变等变量无法被大模型稳定建模，导致视觉上“看起来会”的操作，在真实产线上“做不到”；其二，每台机器人的硬件差异（如关节磨损、装配松紧）使得数据驱动的模型需要无限覆盖硬件偏差，这在实际部署中几乎不可能。橡木果的方案用“自下而上”的规律约束替代“自上而下”的数据拟合，首次在工业级场景中验证了“零数据冷启动”的可行性，为具身智能进入高频换产的柔性制造场景打开了成本和技术上的关键窗口。

对用户/开发者/创作者的影响

对企业和产线运维人员：如果 Natus 路线验证成功，制造业用户将获得一种“换产不停线”的能力——SKU 更换后不再需要工程师重新编程或采集数据，机器人自行探索、自行适应，大幅降低柔性产线的调参成本和停机时间。尤其对化妆品、电子装配等物料频繁变化、易损件多的行业，这直接带来可计算的 ROI 回报。对具身智能开发者与研究人员：橡木果的“本能驱动”路线提供了一种与主流数据驱动迥异的技术选择，降低了机器人操作对高质量遥操作数据和仿真引擎的依赖。开源社区和学术团队可关注 Magis 是否开放供第三方训练，以及 Natus 能否与外部大模型协同（例如用 LLM 做任务规划、Natus 做物理执行）。对机器人硬件厂商：这一路线强调对每一台硬件做独立的力学适配，而非追求“通用模型”适配任意硬件，这意味着未来机器人销售可能转变为“硬件 + 端侧模型预装”的捆绑服务模式。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 产品落地节奏与竞品跟进：目前公开信息显示，橡木果已在头部化妆品企业完成 POC 并开始规模化部署，但其他制造业场景（如电子装配、食品分拣）的验证尚未公开。需关注 2024-2025 年是否有更多标杆客户落地，以及 VLA 阵营（如 Google、Stanford 的 Mobile ALOHA 等）是否会在执行层开始采纳类似的触觉优先方案。
2. 触觉传感的硬件成本与依赖：Natus 的核心依赖于微米级滑移感知传感器（团队称耗时 7 年、迭代十余版原型机才做到稳定可用）。若这块硬件量产成本无法降低，会限制方案向低利润行业（如包装、物流）的扩散。需关注橡木果是否会开放传感器方案或与上下游合作降低 BOM。
3. 与大模型协同标准的建立：姜峣明确提出 Natus 和大模型是“分工而非竞争”。未来若形成“LLM 规划 → Natus 执行”的通用接口，可能催生新的具身智能分工标准。关注团队是否发布开放 API 或联合开源社区推动这一协议。

来源：InfoQ CN