AREX Feed Article
拒绝被叫世界模型公司，LatentVerse拿数亿种子轮要做具身原生大脑
具身智能赛道的共识在过去两年很清晰：VLA（视觉-语言-行动）是通往通用机器人的主干道。从 Google 的 RT-2 到大热的 Pi-0.5，行业的默认路径是把视觉语言模型接上动作输出，喂足够多的机器人操作数据，模型就能学会在物理世界中行动。
另一群人走了不同的路——纯世界模型。通过视频生成预测未来状态，再映射为动作。数据成本更低，互联网上的海量视频都能纳入训练。代价是，一个只会预测下一帧画面的模型，无法理解"把杯子递给客人"这句话到底意味着什么。
2026 年 8 月 11 日，一家成立不到两个月的公司拿出了第三条答案。
与同日独家报道，具身基座模型公司 LatentVerse（北京潜界科技有限公司）已完成数亿元人民币种子轮融资。投资方包括高瓴创投、清流资本、英诺天使基金，以及两家一线具身智能企业智元和星动纪元。创始人胡钰承同步发布 UTAM（Unified Tactile Action Model，统一触觉动作模型）架构：不单独做 VLA，也不单独做世界模型，而是把视觉语言理解、世界状态预测、动作生成与触觉闭环四件事放进同一个基座模型里联合训练。
四个专家模块串成一条链，最后一步靠触觉闭环
UTAM 内部包含四个协同工作的专家模块。执行一条指令时，视觉语言专家先理解任务意图："把桌上的杯子拿起来"。世界模型专家接着将过去从视频中学到的技能组合成连续的任务流程。动作专家从前两步的推理链中生成一个粗粒度的动作表征（latent action），相当于"伸手去拿杯子"这样的大动作指令。最后由高频推理的触觉专家将粗动作解码为精细的末端控制信号：手指触碰杯壁后，实时调整力度和姿态。
前半段是开环执行，后半段是触觉闭环修正。类似人类先伸手、再凭手感微调的操作逻辑。
这套架构的选择来自团队对场景的反推。胡钰承对《智能涌现》表示："泛化、长程与灵巧不是三个彼此独立的技术指标，而是机器人商业化必须同时满足的能力条件。"因此，LatentVerse 瞄准的不是工厂里固定工位的精准操作，而是家庭这样的非结构化环境。整理桌面沙发、打包饮品、抓取柔软物体、拆快递——这些任务需要的不只是预测下一帧画面，而是同时具备理解指令、规划步骤、预测物理变化、感知接触力并生成精确动作的能力。
将触觉摆到核心位置，是 UTAM 与多数 VLA 路线的关键差异。水杯外表是否光滑，柔性物体抓取时是否发生了形变，这些信息纯靠视觉无法获取，必须通过接触反馈实时修正。胡钰承把这一点概括为："具身智能要跨越的，是认知与接触之间的最后一厘米。"
技术路线的选择直接决定了数据策略。纯 VLA 只能利用带动作标注的数据，靠摇操机械臂采集，一小时成本平均上千元。UTAM 的统一架构则可以吃进三类数据：摇操数据只训练动作专家；人手采集数据（如 ego-centric 视角）和互联网开源视频数据训练视觉语言专家与世界模型专家。
LatentVerse 正在自研一款数采手套，目标是将单小时采集成本从千元级别降到百元以内。按规划，一个季度后公司将发布第一个参数量为 16B 的具身基座模型，一年到一年半内积累数十万小时训练数据。
胡钰承是谁，以及谁在押注
创始人胡钰承 2001 年出生，清华大学交叉信息研究院在读博士，师从星动纪元创始人陈建宇。2024 年初，他提出多模态扩散 VLA（PAD）；同年 11 月，提出首个实现闭环推理的视频动作模型 VPP。VPP 被业界称为 WAM（World Action Model）的开山之作，英伟达后来在此基础上开发了 DreamZero。在字节跳动 Seed 实习期间，他主导了 BagelVLA 系列具身基座模型的研发。
今年 4 月，他从字节 Seed 离职，和来自清华大学、南洋理工大学、北京大学、阿里 Qwen、字节、小米等机构的成员共同创立潜界科技。核心团队中，包括胡钰承在内的三位成员都是"伯克利归国四子"的学生。胡钰承和一位联创师从陈建宇，另一位师从破壳机器人创始人许华哲。
联创张荐科是具身智能领域多项开创性工作的主导者：HiRT（具身智能快慢系统，被 Figure 的 Helix 沿用）、UP-VLA（首个生成理解一体化具身模型），以及 VLM4VLA，后者系统性证明了 VLM 作为具身基座的固有局限。另一位联创做了 DP3，较早将 Diffusion Policy 拓展到三维空间；其 RDP 工作首次将动触觉双系统引入 VLA，获 RSS Best Student Paper Finalist。
融资端的信号同样直白。本轮融资从启动到完成不到两个月。高瓴创投在公司成立前就和核心成员有过接触，其负责人正是当年 Minimax 的投资人。英诺天使与团队沟通当天就给出了 TS。另有多家一线 VC 已锁定正在进行的下一轮融资。
胡钰承的个人持股不到 30%，拥有绝对控制权，但股份在联创之间分布相对均衡。他对投中网说："如果公司做不出来，一号位有 70% 的股份也没有意义。如果能做出来，即使只有 10% 也是很好的结果。"
两条路线都亲手做过，才知道各自的天花板
要理解 UTAM 路线的激进程度，需要先看清 VLA 和纯世界模型各自的硬伤。
VLA 的根本限制在数据。它只能利用带动作标注的数据，每一段训练素材都需要人类操作员摇操机械臂完成。采集效率低、成本高，且很难覆盖足够多的物体、场景和任务组合。更致命的是 VLA 的长程任务能力受限于训练数据的任务粒度。投中网在报道中指出，VLA 和 WAM"无法执行技能自由组合的任务流"。如果训练数据里只有"抓杯子""放杯子"这样的短任务，模型就学不会"把客厅收拾干净"这样的复合指令。
纯世界模型路线在数据获取上友好得多：互联网上几乎无限的视频素材都能用。但它丢掉了 VLM 带来的语义理解和涌现能力。一个只会预测像素变化的模型，可以判断杯子从桌面掉落后会碎，却无法区分"把杯子递给客人"与"把杯子收进柜子里"是两种完全不同的任务。两者的本质差别不是视频预测精度，而是对任务目的和上下文的语义把握。
胡钰承本人是这两条路线最早的实践者之一，也是最早意识到各自天花板的人。他 2024 年做 VPP 时，国内同行普遍认为 VLA 就够了，没必要加视频预测。他对投中网回忆："国内大家不太愿意听一些新思路。不过我们也很庆幸经历过这条路线的至暗时刻。"
VPP 实际上已经隐约指向了统一路线的方向：预训练的视频生成模型可以直接指导机器人动作，不需要经过 VLA 的"语义到动作"映射中介。但 VPP 本身缺少 VLM 的语义层和触觉闭环，在真正的长程任务中仍会卡住。
胡钰承的说法很直接："我们做过纯 VLA 路线，也做过纯世界模型，所以知道各自的局限在哪。"
同一栋楼里就有对手，但真正的 benchmark 是真实世界
LatentVerse 的办公室位于北京海淀中关村国际创新大厦。投中网记者描述，这附近大概是国内世界模型初创企业最密集的片区，"楼里有这谁，街对面就是那谁"。
在具身智能赛道，LatentVerse 不是唯一从模型切入的公司。Figure 的 Helix 采用了与 HiRT 类似的快慢双系统架构，与 UTAM 的四专家模块在思路上有交叉。英伟达的 DreamZero 直接基于 VPP 开发，在联合预测视频与动作的方向上走得更工程化。
但 UTAM 在一个维度上做出了明确区分：触觉。UTAM 将触觉独立为一个专家模块，要求模型在末端执行时不仅知道手在哪，还知道摸到了什么、滑不滑、有没有变形。这与当前多数具身模型将反馈信号集中在视觉层面的做法形成了差异。
"目前大部分具身的榜单都没有那么大的意义，"胡钰承对投中网说，"没有公平标准，确实很难做比较。但我认为真正的 benchmark 应该是模型在真实世界中的表现。"
多位一线 VC 已经在锁定下一轮融资。一位接触过团队的投资人对投中网提到，LatentVerse 核心成员的 h-index 甚至超过一些教授。
但所有这些判断最终都要落在一个交付节点上：一个季度后，16B 参数的第一个具身基座模型。对一家办公室还在装修、油漆味还没散尽的公司来说，融资只是入场券。UTAM 能否在跨场景泛化、长程任务和灵巧操作上交出可验证的结果，才是这条技术路线能否成立的第一个硬答案。