Selon Investment, la société d’intelligence humanoïde Current Robotics (元流) a révélé pour la première fois son financement—elle a achevé des tours de financement seed, angel et Pre-A, pour un montant cumulé de plusieurs centaines de millions de yuans.
Les investisseurs incluent à la fois des institutions de marché renommées comme BV Baidu Ventures, Hillhouse Capital, Oasis Capital, Monolith Capital, Qianhai Ark, Fosun Capital, Junshan Capital, et également des acteurs industriels comme Zhiyuan, Xinghaitutu, Jike Technology.
Derrière elle, le fondateur Zhu Yichen, né après 1995, a commencé très tôt à diriger des recherches sur le VLA, publiant plus de 40 articles dans des conférences de premier plan. Des années d'accumulation technologique se sont cristallisées en une infrastructure complète couvrant le modèle de base pour la manipulation dextre du corps entier, les équipements de collecte de données et les stratégies d'évaluation par modèle du monde, transformant continuellement les comportements humains réels en capacités humanoïdes.
« L'intelligence humanoïde commence par l'humain. » Suivant la philosophie de Current Robotics, nous assistons au passage des robots du plateau de démonstration aux foyers.
Un talent post-95 complète rapidement trois tours de financement
L'histoire de Current Robotics commence avec Zhu Yichen.
Né après 1995, ancien chef du département d'intelligence incarnée du groupe Midea, l'un des premiers chercheurs en Chine à publier des travaux sur le VLA et les modèles du monde. Il a dirigé une équipe qui a été parmi les premières à proposer un paradigme VLA de bout en bout basé sur les modèles de diffusion et les VLM (TinyVLA), et a étendu les stratégies CoT (DiffusionVLA & DexVLA, publiées à l'ICML et CoRL). Il a également été parmi les premiers à proposer l'utilisation des modèles du monde pour l'évaluation des stratégies incarnées (dWorldEval, publié en tant que Spotlight à l'ICML).
Le document π0 de Physical Intelligence cite un et un seul résultat de recherche d'une équipe chinoise, précisément les travaux TinyVLA et ScaleDP réalisés par l'équipe de Zhu Yichen. Par la suite, ces recherches se sont étendues des modèles VLA et des données de démonstration humaine à l'apprentissage pour robots corporels complets, formant la base technologique de Current Robotics.
La création d'entreprise est venue naturellement. Zhu Yichen a observé que par le passé, les robots humanoïdes se concentraient soit sur le contrôle du mouvement global pour mieux « marcher », soit sur la manipulation par la main pour mieux « saisir », aboutissant finalement à la scène « aller d'abord, puis s'arrêter pour manipuler ». Mais les tâches du monde réel sont rarement aussi simples ; même une action simple implique une coordination stable entre la main et le corps.
Cela nécessite la « manipulation dextre du corps entier » (Loco-Dexterous Manipulation). La solution de Current Robotics est l'intégration systémique, plaçant la mobilité corporelle, la coordination des postures et l'interaction fine des mains dans une même stratégie d'entraînement. Le modèle de manipulation dextre du corps entier ainsi publié, Curr-0, permet au robot d'ajuster continuellement ses actions en mouvement. Actuellement, cinq types de tâches publiques sont accomplies par une stratégie partageant les mêmes poids, et sont différenciées par des instructions en langage naturel.
Robot portant un objet à travers un cadre de porte et le plaçant à un endroit spécifique
Avec le modèle, de nombreuses questions de détails pour la mise en œuvre ont suivi—d'abord les données. Current Robotics a développé son propre système de collecte de données par exosquelette corporel complet, étendant les scénarios de collecte du laboratoire à des environnements plus réalistes comme les usines, les bureaux, les foyers. Ensuite, une évaluation et itération plus rapides, explorant l'utilisation de modèles du monde pour évaluer les stratégies de robots réels.
À ce jour, l'entreprise se concentre sur la Manipulation Dextre du Corps Entier, ayant développé des capacités technologiques complètes couvrant la collecte de données, l'entraînement des modèles, l'évaluation basée sur les modèles du monde et le post-entraînement, visant à améliorer la mobilité, la manipulation et la capacité de généralisation du robot dans différentes tâches et environnements.
Cela est particulièrement précieux à une époque où l'intelligence incarnée manque généralement de praticabilité, de données et de capacité de généralisation. Ainsi, dès sa création, Current Robotics a attiré des investissements collectifs d'institutions de marché renommées, témoignant d'un niveau de faveur évident. Plus rare encore, les acteurs industriels se sont associés, apportant, au-delà des fonds, une signification plus importante en termes de coordination industrielle.
Selon Investment, Current Robotics a rejoint l'alliance pour l'écosystème des données d'intelligence Shu Shi, lancée par Xinghaitutu, pour construire conjointement une chaîne complète allant de la collecte et de l'annotation des données à leur application. De plus, l'entreprise est un partenaire stratégique de la plateforme de données d'intelligence incarnée MIFENG Tech, affiliée à Zhiyuan.
Fournir des fonds, des commandes, un écosystème—cette façon d'investir est particulièrement marquée à l'ère de l'intelligence incarnée. Après tout, il faut des scénarios pour former une boucle de données, permettant au robot d'acquérir la capacité de travailler de manière stable dans le monde réel à un coût plus bas et en moins de temps.
Construire l'infrastructure de l'intelligence incarnée
Dès le début, Current Robotics s'est concentrée sur les lacunes des voies technologiques actuelles de l'intelligence incarnée.
Par exemple, pour allumer une spirale anti-moustique, une idée naturelle est que le robot se déplace d'abord à l'emplacement correspondant, puis s'arrête pour opérer. La solution technique correspondante consiste à entraîner séparément les stratégies de déplacement et de manipulation, puis à les assembler par ingénierie système. Cette approche peut fonctionner sur une ligne de production d'usine, mais une fois dans des scénarios réels comme le foyer, une fracture évidente apparaît entre le déplacement et la manipulation.
Cela n'est pas difficile à comprendre : même lorsque le robot reste sur place pour accomplir une tâche sur une table, le torse et les membres inférieurs doivent toujours s'ajuster en fonction des mouvements du haut du corps. En utilisant uniquement la méthode « d'assemblage », dès que le corps s'incline, la manière dont la main applique la force est perturbée, et le robot semble maladroit.
Le modèle de base pour la manipulation dextre du corps entier Curr-0 publié par Current Robotics est justement conçu pour la coordination—il réalise la synergie main-pied grâce au couplage complet de la navigation mobile, de l'équilibre corporel global et de la main dextre. Des tâches fines comme déchirer un sachet de thé, nettoyer des déchets sur une table ou porter un objet à travers un cadre de porte, difficiles à simplement décomposer en phases « aller » et « faire », présentent des performances remarquables dans la solution de Current Robotics.
Après le modèle, la source des données doit également être mise à jour. La collecte à la première personne, principale méthode actuelle, peut couvrir des environnements et comportements riches, mais ne parvient pas à restituer avec précision l'état du mouvement humain et les informations d'interaction physique comme les forces de contact ; la collecte par téléopération locale offre une plus grande précision, mais est plus difficile à mettre à l'échelle en raison des limitations des équipements et des coûts.
Est-il possible de collecter efficacement des données reflétant à la fois l'environnement, les mouvements corporels et les interactions physiques ? Sur cette base, Current Robotics a développé en interne un équipement de collecte de données corporelles complètes, utilisant un dispositif de type casque, des gants de données, un exosquelette corporel complet et des équipements d'électromyographie pour enregistrer la vision à la première personne, les actions des deux mains et du corps entier, et les forces subies par le corps entier dans des scénarios réels, le tout sans nécessiter de déployer au préalable un robot. Ainsi, les scénarios de collecte de données s'étendent directement aux tâches humaines réelles, offrant non seulement un coût et une applicabilité optimisés, mais aussi un support pour les données réelles nécessaires au cerveau des robots humanoïdes.
Système portable HumanEx
Viennent ensuite les phases d'évaluation et de post-entraînement. L'évaluation traditionnelle sur robot physique dépend du robot, du site et d'une réinitialisation manuelle, avec des coûts matériels, temporels et de reproduction des scénarios assez élevés. Surtout dans les tâches où l'état de contact change continuellement, il est difficile de ramener précisément l'environnement à son état précédent après un échec, ce qui affecte directement l'efficacité de l'itération des modèles.
Sur cette base, Current Robotics a commencé très tôt à explorer l'utilisation des modèles du monde pour l'évaluation des stratégies robotiques. L'équipe a successivement proposé WorldEval, dWorldEval, exécutant les stratégies robotiques dans des mondes futurs générés et évaluant les performances des stratégies en prédisant la progression des tâches ; puis, dans Hi-WM (Human-in-the-World-Model, publié au RSS 2026 Robot World Models Workshop), elle a intégré la prise de contrôle humaine : lorsque la stratégie commet une erreur ou rencontre une situation incertaine, un humain peut intervenir directement pour corriger, et les nouvelles trajectoires d'interaction peuvent continuer à être utilisées pour le post-entraînement.
Le CurrentWorld-0 publié cette semaine a encore poussé les travaux de Current Robotics autour de l'évaluation des stratégies et du post-entraînement par modèles du monde vers un environnement interactif plus complet. L'équipe le définit comme un simulateur de monde interactif (Interactive World Simulator), et intègre pour la première fois la prédiction multi-perspectives, multi-embodiements et force-tactile dans un cadre unifié.
Dès qu'un robot change d'embodiement, son espace d'action et son mode de contrôle changent également. Différentes plateformes robotiques ont du mal à partager une même représentation de contrôle bas niveau, mais CurrentWorld-0 préserve bien ces différences, permettant à différentes plateformes d'agir selon leur propre manière, tout en apprenant la dynamique environnementale partageable à partir des interactions multi-plateformes.
Une fois les différences d'embodiement résolues, un nouveau problème surgit sur la manière de « voir ». Les robots réels dépendent souvent simultanément de perspectives provenant de la tête, du poignet et d'une tierce personne ; les images d'une même tâche prises sous différents angles diffèrent beaucoup, mais l'état des objets, la posture du robot et la progression de la tâche sous-jacents ne peuvent pas pour autant diverger. Si un objet est poussé dans une perspective, les autres perspectives doivent également changer de manière synchrone ; même s'il est momentanément occulté, les états ultérieurs doivent poursuivre l'interaction déjà engagée.
Et lorsque le robot entre réellement en contact avec un objet, le RGB révèle rapidement ses limites. La stabilité de la préhension, l'évolution des forces au niveau de l'effecteur, la tendance au glissement de l'objet ne peuvent pas toujours être jugées directement à partir de l'image. CurrentWorld-0 intègre donc davantage la perception de la force et du toucher dans la prédiction, permettant aux retours physiques difficiles à couvrir visuellement pendant le contact d'évoluer également avec l'action.
Du pliage de chaussettes et de l'arrangement de coussins à l'épluchage de concombre et à l'ouverture de bouteille pour servir un verre, CurrentWorld-0 ne se limite pas à la manipulation de corps rigides ; les objets flexibles, les fluides et les contacts complexes sont intégrés dans l'environnement généré. Au stade de l'évaluation des stratégies, le modèle doit également répondre continuellement aux actions réellement exécutées par le robot : si la politique a déjà mal saisi, les états ultérieurs ne doivent pas être ramenés par un a priori vidéo vers des trajectoires de réussite courantes ; les échecs qui devraient être exposés doivent être conservés, et non « corrigés ».
C'est également la base sur laquelle CurrentWorld-0 peut être utilisé pour la comparaison de stratégies. Les stratégies robotiques peuvent d'abord être exécutées dans l'environnement généré, comparées, et leurs modes d'échec exposés, puis les résultats peuvent être confrontés aux performances sur robot réel. Les résultats publiés par l'équipe montrent que les performances relatives des différentes politiques correspondent assez bien aux tests sur robots réels, et les principaux modes d'échec lors de l'exécution sur robot réel peuvent être reproduits dans l'environnement généré.
Après l'évaluation, ces expériences d'échec peuvent continuer à être utilisées. Lorsque la stratégie atteint une position sujette aux erreurs, un humain peut reprendre le contrôle ; même à partir d'un même état intermédiaire, celui-ci peut être sauvegardé, restauré, et différentes manières de rétablissement peuvent être tentées à partir de là. Les trajectoires correctives ainsi générées peuvent ensuite continuer à être utilisées pour le post-entraînement des politiques (policy post-training), transformant les problèmes exposés lors d'une évaluation en données pour le prochain cycle d'entraînement.
À ce stade, CurrentWorld-0 a formé une chaîne relativement complète pour l'évaluation des modèles et la collecte pour post-entraînement : les stratégies sont d'abord validées dans l'environnement généré, les problèmes sont exposés, puis de nouvelles expériences d'interaction sont ajoutées via la correction humaine, et continuent ensuite vers le post-entraînement.
[Résultats après post-entraînement utilisant les trajectoires de correction multimodales de CurrentWorld-0]
Ainsi, Current Robotics a progressivement formé un système de données, de modèles et d'évaluation centré sur la manipulation dextre du corps entier : les données réelles fournissent l'expérience physique, les modèles transforment cette expérience en capacités de mobilité et de manipulation, et les modèles du monde poursuivent la validation des stratégies, la correction des échecs et le post-entraînement, favorisant l'itération continue des capacités robotiques.
Le saut crucial, les robots se dirigent vers le monde réel
« Quand les robots pourront-ils vraiment travailler ? »
Comme nous le voyons, l'intelligence incarnée perd son habit de simple récit pour entrer dans la phase « de remise de copies » de la course à la mise en œuvre. Peu importe la beauté des démos ou le faste des performances, elles doivent finalement aboutir à des scénarios de tâches réels, ce qui est beaucoup plus complexe et plus grossier qu'un simple modèle conceptuel—
D'une part, les opérations traditionnelles fixes sur poste ne touchent qu'une infime partie du travail physique, la plupart des tâches réelles nécessitant un déplacement entre les espaces. D'autre part, les robots font face à un monde réel continu, complexe et impossible à épuiser, le travail d'entraînement et d'itération derrière est inimaginable, exigeant de toute urgence un mode de collecte et de traitement des données efficace et concis.
De HumanEx, Curr-0 à CurrentWorld-0, Current Robotics connecte l'expérience humaine réelle, l'apprentissage des capacités robotiques et l'itération d'évaluation ultérieure, réalisant une boucle fermée complète : collecte frontale des comportements réels, formation des capacités de manipulation dextre du corps entier au milieu, les stratégies entrent ensuite dans le modèle du monde pour validation, et les nouvelles données générées près des échecs continuent à refluer vers l'entraînement.
Le trait d'âme le plus profond réside dans le fait de considérer la fin comme le début.
Le marché vote avec de l'argent réel, les dividendes de l'industrie de l'intelligence incarnée n'appartiennent qu'à ceux qui peuvent réellement se mettre en œuvre et créer une véritable valeur industrielle. Durant cette période, la concurrence industrielle s'étend de la fabrication d'embodiements à la course aux données et aux infrastructures. Celui qui parvient le premier à établir une barrière pour les données et la prochaine génération d'évolution des modèles pourra occuper un avantage dans le nouveau cycle d'itération.
À cela, Current Robotics apporte une réponse extrêmement finalisée—supposer d'abord que les données sont infinies, puis concevoir des solutions basées sur le fonctionnement réel de l'intelligence humaine. Ainsi, la navigation, l'équilibre corporel et les actions manuelles peuvent être complètement couplées, la localisation est intégrée de bout en bout, et la collecte de données peut également obtenir des détails plus riches dans les flux de travail réels.
La fin du livre Gatsby le Magnifique est largement connue : « Alors nous avançons à contre-courant, ramant sans cesse vers le passé. » C'est précisément l'origine du nom de Current Robotics—surmonter les limitations des technologies existantes, remonter le courant, construire un pont entre l'expérience humaine et les robots humanoïdes. Tout comme l'inspiration du logo de l'entreprise vient de L'Homme de Vitruve de Léonard de Vinci, un symbole qui considère le corps humain comme une mesure du mouvement, des proportions et du design.
Logo de la société Current Robotics
Après tout, la source de l'intelligence humanoïde reste l'humain. En collectant des données via des équipements portables, en créant des modèles de base simulant les mouvements humains, en combinant l'évaluation avec prise de contrôle humaine et le post-entraînement, ce que fait Current Robotics est précisément de transformer continuellement les comportements humains réels en capacités humanoïdes plus fortes à travers une boucle fermée matérielle, de pipelines de données et de modèles.
Le système de collecte portable de Current Robotics capture un signal appelé « comportement humain accessoire »—c'est-à-dire les comportements physiques naturels, libres, adjacents à la tâche, qui émergent lorsque l'homme exécute une tâche réelle dans un environnement réel. Ces a priori physiques difficiles à simuler, impossibles à décrire avec des instructions langagières, ne peuvent jamais être séparés de la démonstration humaine originelle, révélant la valeur unique de l'intelligence humaine dans le processus de collaboration homme-machine.
« Les comportements inconscients sont très importants dans les humanoïdes. Ils sont suffisamment anthropomorphiques pour apporter une plus grande valeur émotionnelle, dépassant souvent la simple fonctionnalité », a partagé Zhu Yichen. Par exemple, un robot portant un objet avec les deux mains et poussant une porte avec le corps ; des comportements humains simples deviennent vivants et impressionnants.
Cette scène n'est peut-être plus très lointaine. « Naître de l'intelligence humaine la plus réelle, pour finalement retourner dans le monde de la vie réelle », une vision d'une coexistence harmonieuse entre l'homme et la machine se déploie progressivement sous nos yeux.
Cet article provient du compte public WeChat « Investment » (ID: pedaily2012), auteur : Yu Mengying
