枢途科技完成近亿元Pre-A轮融资，一个月内连获三轮头部机构投资，加速建设具身落地新基建

近日，枢途科技完成近亿元人民币Pre-A轮融资，本轮由鼎晖百孚、鲲鹏基金（大数据方向国家级基金）联合领投，广州产投、亿合资本联合投资，老股东趋势投资超额追投。这是公司一个月内完成的第三轮融资。

在持续完善现有视频升维数据产品、提升交付能力的基础上，本轮融资将进一步支持触觉数据表征训练的研发与验证，推动SynaTac触觉产品线的技术与产品迭代，加快拓展面向机器人接触策略训练与端侧部署的业务布局。

依托已完成交付与应用验证的数据业务，枢途正通过 SynaTac 向接触智能延展，与 SynaData 共同形成面向世界理解、接触执行的双引擎产品矩阵。同时，公司开展具身数据与技能评测，将训练数据供给、接触策略研发与真实任务验证相衔接，持续完善连接人类经验与机器人真实作业的基础设施能力。

从落地出发，以可靠执行倒推具身训练基础设施

据了解，公司CTO慕巍博士曾任硅谷具身先驱企业 Covariant AI 研发副总裁及中国区软件负责人，枢途核心技术团队以 Covariant AI 成建制算法团队为班底，拥有丰富的算法开发及场景落地经验。作为实践过具身算法从demo到产品、到场景、到稳定运行的一线团队，枢途明确认知到：机器人从“能演示”走向“可交付”，不仅依靠算法突破，更需要围绕现场问题，推动数据、训练与验证持续迭代。

基于从现场问题出发的思路，枢途认为，具身算法落地的核心鸿沟包括大脑层对世界理解的不足和小脑层接触执行的不稳定：海量的人类行为视频升维数据可以帮助机器人理解任务，知道“怎么做”；触觉表征建模的核心价值是支撑可靠执行，实现“做得好”。具身模型不仅要理解任务，而且要判断接触是否稳定，并根据滑移、形变与阻力及时调整力度和动作。因此，增加传感器、采集更多信号并不等于获得接触能力，关键在于让这些信息有效参与学习与操作，真正支撑可靠执行。

统一表征是枢途布局接触端基建的关键切入点。针对不同传感器的数据差异，枢途围绕操作所需的接触信息建立模型可学习的结构化表达，让不同来源的经验进入共同的学习体系。除此之外，机器人还需通过策略训练学习应对不同接触状态，并在执行中利用实时反馈修正动作。枢途据此协同推进表征、训练与部署，以真实任务检验能力改进，延续团队从现场问题出发、持续迭代的产品化方法。

从产业分工看，这一布局的潜在价值，在于锚定其物理AI基础设施生态位，为触觉数据处理、策略训练与设备适配中的共性需求提供底层解决方案，减少产业链上下游团队在新设备、新任务中的重复投入。

双引擎协同，从训练数据供给向接触智能延伸

目前，枢途科技已建立面向世界理解和接触执行的两条人类行为学习引擎。

SynaData 为枢途向接触智能延展提供了成熟的产品与客户基础。该产品线以真实场景中的人类行为数据为基础，通过视频升维、人-物交互重建与跨本体映射，将人类操作视频转化为包含动作轨迹、物体位姿与接触信息的结构化、多模态训练数据。目前，SynaData 已形成 Syna-Ego、Syna-Exo 和 Syna-RR 三类产品，持续服务超过 60%的百亿估值具身智能独角兽企业，并获得头部科技厂商批量采购。

SynaTac 以触觉数据的统一结构化表征为基础，研发重点包括物体、动作与接触状态的对齐，以及视觉、触觉和机器人状态的融合。在此基础上，公司通过示教、交互与试错训练接触策略，以高频反馈修正动作，推进接触智能在灵巧手及不同机器人本体上的端侧训练与部署。

这一产品线布局与枢途既有的数据业务存在技术思路上的连续性。数据规模增长并不会自动带来能力提升，还需要将人类行为中的空间关系、物体状态、接触与交互等物理信息转化为可学习的表达。因此，双引擎产品是在拓展枢途参与机器人能力形成的环节：从提供模型训练所需的数据，进一步进入接触经验的表征、策略训练与部署。

以真实任务检验数据与技能，为产业协作提供共同参照

沿着真实问题驱动研发、以现场结果检验改进的思路，枢途在推进双引擎产品研发的同时，首次公开具身数据与技能评测体系，将数据供给、模型训练和机器人执行联系起来，检验产品与技术对机器人能力的实际贡献。

该体系以真实任务为起点，覆盖数据指标评测、可训练性评测、任务与真实环境验证三个阶段，分别关注数据本身的质量、数据对模型训练的贡献，以及相关能力在实际操作中的表现。评测结果将反馈至数据生产、表征优化、模型训练与技能迭代，为产品研发和客户应用提供依据。

从产业协作角度看，评测的意义不只在于证明某一项产品有效。当数据供给、模型训练与机器人执行涉及不同参与方时，各方需要围绕一致的任务目标和测试条件，判断问题发生在哪个环节、改进是否真正产生作用。而将数据质量、训练贡献和任务表现纳入同一条验证链路，则有助于把各环节的技术指标与最终任务结果联系起来，为协作提供可对照的依据。据枢途介绍，随着真实项目与开放验证的推进，公司将与产业伙伴逐步积累可复用的任务基准、评测方法和测试流程，为具身数据与机器人技能相关标准研究提供实践基础。