硬氪获悉，由全球顶级人工智能专家、香港大学计算与数据科学学院创始院长马毅教授联合创立的「忆生科技」（TranscEngram），近日完成数亿元天使轮融资。本轮投资方涵盖正大旗下中生制药、浦东创投、张江科投、张江高科、弘信电子、云晖资本等产业资本与国资平台。这家仅成立两年不到的公司，正试图用“感知—预测—交互”的闭环逻辑，为机器人打造一套真正可进化的记忆系统，从而突破当前大模型在物理世界中的“不自知”困境。
融资与团队：顶级学者领衔，产业资本加持
忆生科技成立于2023年9月，由马毅教授与高盛华教授、杨言超教授共同创立。马毅教授是计算机视觉领域最高荣誉「马尔奖」得主，同时是IEEE、ACM、SIAM三料Fellow，拥有二十余年视觉感知与智能系统理论积淀。他与邵逸夫奖得主Emmanuel Candes、图灵奖得主Yann LeCun等全球顶尖学者长期合作，探索下一代人工智能形态。本轮融资将用于可解释具身控制大模型与物理世界模型的研发、多模态全人形动作交互数据和算法训练管线建设、顶尖人才团队扩充，以及上海张江与深圳前海研发中心与产业化基地建设。
技术核心：从“百科全书”到“会学习的生命体”
在马毅教授看来，当前主流大模型本质上是拥有庞大静态知识的“百科全书”，在封闭世界中完成开环训练，缺乏物理世界的自我验证与纠错机制，因此容易产生幻觉。真正的智能应像生命一样，在“感知—预测—交互”的闭环反馈中持续学习。为此，忆生科技构建了“大脑+小脑”的统一架构：
– 大脑——视觉记忆：模仿人眼，获取并理解外部环境的物理模型（空间与几何关系），进行复杂推理；
– 小脑——肌肉记忆：模仿人手，通过运动控制获取并改善本体模型，生成高频、稳定的运动控制策略。
这一架构被命名为“基于记忆的生成式小脑”，核心在于白盒可解释的网络结构。机器人能从海量数据中自动提炼交互概念，摒弃对人工打标和固定任务列表的依赖，实现自我演进与增量学习。在实际测试中，相比传统VLA模型，该架构在多任务平均表现上提升3倍以上，且单一模型完成多项任务的成功率超过95%。
更重要的是，这套记忆机制不与机器人本体强耦合，能够捕捉任务背后的物理与语义结构，从而实现在不同本体（如夹爪、灵巧手、不同臂展）之间的技能迁移。这意味着，机器人不再需要针对每种新工具或新场景重新编程，只需观察人类演示即可索引相关技能并生成执行策略。
产品布局：四大矩阵覆盖数据采集到记忆控制
忆生科技不局限于模型交付，而是搭建了覆盖全链路的四大产品矩阵：
1. EngramTeleOp 智能真机遥操数据采集系统：采用“生成式小脑”规律映射，延迟控制在10ms以内，操作员5分钟即可上手，支持跨本体与跨地域操控（如上海实时遥控深圳真机）。
2. EngramEgo 执行者视角运动数据采集系统：基于第一视角，通过低成本轻量化穿戴设备，在真实场景中获取包含重心转移、躯干借力等隐性常识的全人形姿态数据。
3. EngramControl 智能运动记忆控制系统：将采集数据提炼为可复用的“动作规律记忆”，使机器人具备“观察一遍即可学会”的零样本泛化潜力。
4. EngramNav 环境记忆与导航系统：赋予机器人记住环境物体、位置与空间布局的能力，支持大尺度非结构化越障与精准空间移动。
商业化落地：从酒店服务到高端制造
目前，忆生科技正重点推进两大应用路径：
– 高端酒店服务场景：切入高数字化、长工时的标准化环节，覆盖制卡、洗衣房洗叠、衣物配送、客房整理等服务闭环；
– 高端制造柔性装配场景：深耕航空航天等领域，解决传统产线换型难的痛点，提升质量控制与协作效率。
公司已在上海、深圳、北京、四川布局研发与数据中心，并与智元、傅立叶、银河通用等头部机器人企业完成适配合作。马毅教授表示，具身智能正从“热闹”向“扎实”转型，忆生科技将以基础原理创新与真实数据闭环为双轮驱动，为物理世界自主智能时代提供坚实、可信赖的通用技术底座。
行业意义：打破“固定编程”枷锁，开启机器人泛化新纪元
长期以来，机器人产业面临的核心瓶颈在于：传统机器人依赖固定编程，一旦场景或工具变化，就必须重新调参、重训。这导致部署成本高、泛化能力差，难以真正走进千行百业。忆生科技提出的“记忆系统”方案，通过让机器人完成“看—记—做—学”的闭环，摆脱了对海量标注数据的依赖，使机器人具备举一反三的泛化能力。这不仅大幅降低了部署门槛，更让机器人具备了应对真实世界无限任务的进化潜力。在全球AI竞争从“大语言模型”转向“具身智能”的当下，这种基于第一性原理的架构创新，有望为机器人行业提供一条可落地的技术路径。