在具身智能赛道竞争日趋白热的当下，资本的目光正从单一机器人本体，转向其背后的“大脑”——世界模型。近日，一家名为“日冕开物”（北京日冕机器人有限公司）的初创公司进入公众视野，它在一个看似极短的窗口期内，完成了合计数亿元人民币的种子轮融资，展现出不容小觑的技术底气与商业潜力。
创始团队：清华基因与产业落地的双重加持
日冕开物成立于2026年3月，其创始团队的背景堪称豪华，且高度聚焦于两个核心关键词：自动驾驶世界模型与具身智能强化学习交付。
创始人肖中阳博士，曾主导了智能驾驶行业首个复杂交互场景的世界模型交付，该模型已搭载超过70万辆蔚来汽车，证明了其在算法与大规模落地方面的能力。团队基座模型负责人钟元鑫博士，有着“华为天才少年”的头衔，曾主导华为新一代智驾世界模型基模的设计与量产。模型后训练与交付负责人王云龙博士，则是蔚来Super Spark项目的核心成员，在智元机器人推动并交付了行业首批“进厂打工”的机器人项目。
这一团队组合，并非来自纯学术实验室，而是集合了从0到1定义世界模型、再到将其部署于云控平湖的精兵强将。市场负责人戴亚奇博士，曾任武岳峰科创合伙人，主导过数亿美金的投资，这为公司的早期战略与资本运作提供了关键助力。
技术破局：LaMPA世界模型的三重表征与“块扩散”
机器人要真正走向“泛化”，仅靠模仿学习难以应对复杂多变的物理世界。日冕开物给出的答案是自研世界模型 LaMPA，其核心思路并非照搬现有理论，而是从“一个原生世界模型该如何构建”出发。
LaMPA的第一个关键创新在于三重表征体系。团队敏锐地意识到，机器人也需要一套类似大语言模型中“Token”的“物理语言”。他们将机器人需要理解的信息划分为三类：
1. 环境表征：描述物体位置、关系和空间结构。
2. 本体表征：描述机器人自身关节、受力、传感器状态。
3. 经验表征：沉淀长期任务中的先验知识，如物体可供性（哪个地方可以抓取）。
这三类信息共同构建了物理世界的“隐空间”，模型通过学习三者间的因果关系，预测未来状态并生成控制动作。
在基础模型架构上，LaMPA没有盲目追随大语言模型的Transformer，而是选择了更适合世界模型的 Block Diffusion（块扩散） 结构。这一设计思路兼顾了推理效率与数据利用效率，为大规模型训练预留了充足的拓展空间。
强化学习：引入自动判断的“世界奖励模型”
在基础模型之外，强化学习是机器人落地的关键瓶颈。传统方案依赖人工打分，场景变化后需要大量数据重新训练，部署周期长。
日冕开物提出的解决方案是可泛化的World Reward Model。该模型来自基座世界模型，通过蒸馏和后训练，演化为一个专门负责“评价”的模型，像一位“评论家”为强化学习提供稳定、一致的反馈。这相当于让模型自动判断动作质量，大幅压缩了针对新场景的后训练周期，为工业场景的高速部署扫清了障碍。
融资背景与市场意义：资本为何押注？
此轮融资由鼎峰科创、远图未来、百度风投、沃衍资本、武岳峰科创、万林国际共同参与。在资本寒冬中，一家成立仅三个月的公司，能获得如此阵容的联合投资，本身就说明了市场对于“具身世界模型”这一技术方向的强烈追捧。
首先，它解决了行业的核心痛点。 正如肖中阳博士所言，机器人需要理解物理世界运行规律，并据此预测和规划。世界模型正是从“任务执行”走向“场景理解”的关键桥梁。LaMPA的创新，旨在让机器人像人类一样，具备对物理世界的常识性理解。
其次，商业化路径清晰。 公司已与投资方远图未来达成战略合作，率先进入服务器制造这一高精度工业装配场景。这是一个对精度、柔性、稳定性要求极高的领域。日冕开物计划从全流程装配开始，逐步延伸到前道和后道工序，最终实现全场景的跨产线部署。这并非停留在PPT上的炫技，而是有了明确的商业验证路径。
最后，数据闭环策略务实。 日冕采用“自采+众包+模型增强”的数据策略。一方面自建高精度数据采集系统，沉淀壁垒数据；另一方面通过众包平台扩大数据分布，并利用世界模型驱动的数据增强（LCM）提升利用率。这套策略既保证了数据质量，又有效控制了成本。
长期来看，日冕开物希望围绕模型、数据、交付和商业模式四层，持续提升Scaling能力。在具身智能赛道上，当所有人都在关注本体硬件时，日冕开物选择在最底层、最不可见的世界模型上发力。或许，真正的“硅基工人”时代，正从这些幕后模型的每一次推理、每一次预测中悄然开启。