忆生科技完成数亿元天使轮融资：港大教授团队押注机器人“记忆系统”

据硬氪报道，由香港大学计算与数据科学学院创始院长马毅教授等人创立的「忆生科技」（TranscEngram）已完成数亿元天使轮融资。投资方覆盖产业资本与国资平台，包括正大旗下中生制药、浦东创投、张江科投、张江高科、弘信电子、云晖资本、沃肯资本、金舵资本等。该公司成立于2023年9月，目标是从“感知—预测—交互”的闭环出发，为机器人构建一套类似“记忆系统”的自主智能架构，推动具身智能从实验室能力走向商业化应用。

来源显示，本轮资金将主要投向可解释具身控制大模型、物理世界模型研发，多模态全人形动作交互数据与算法训练管线建设，人才团队扩充，以及深圳前海和上海张江研发中心与产业化基地建设。对于正在升温的人形机器人和具身智能赛道而言，这笔融资的核心看点并不只是金额，而是其试图解决机器人在真实物理世界中“会看、会记、会做、会纠错”的底层问题。

从大模型“百科全书”到机器人闭环学习

忆生科技的技术路线建立在一个判断之上：当前大模型虽然具备大量静态知识，但主要是在封闭数据中训练，缺少与物理世界持续验证、反馈和修正的机制，因此容易出现“知其然不知其所以然”的问题。马毅教授认为，真正的智能需要像生命体一样，在感知、预测、交互构成的闭环中持续学习。

围绕这一思路，忆生科技提出“大脑+小脑”的统一架构。其中，“大脑”侧重视觉记忆，类似人眼与大脑对环境空间、几何关系和物理模型的理解，用于复杂推理；“小脑”则对应肌肉记忆，面向运动控制和本体模型改善，生成更高频、更稳定的控制策略。简单来说，该公司希望让机器人不只是根据指令执行动作，而是能够在任务过程中形成记忆，并根据反馈不断调整。

据报道，忆生科技联合创始人杨言超表示，依托白盒可解释的网络结构，机器人可以从大量数据中自动提炼交互概念，减少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。这一点与当前许多“端到端黑盒”具身模型路线有所不同：前者强调可解释结构与可迁移记忆，后者往往更依赖大规模数据和训练算力。

技术亮点：跨本体迁移与更低部署门槛

来源提到，忆生科技基于记忆的生成式小脑架构，相较传统VLA模型在多任务平均表现上提升3倍以上，并能用单一模型完成多项任务，成功率超过95%。这些数据来自企业介绍，仍需在更多真实工业与服务场景中持续验证，但其指向的问题非常明确：具身智能要商业化，不能每换一个场景、工具或机器人本体就重新调参、重新训练。

该公司的核心记忆机制据称并不与某一种机器人本体强绑定，可捕捉任务背后的物理与语义结构，从而实现跨本体技能迁移，例如在夹爪、灵巧手、不同臂展之间复用能力。若这一能力稳定落地，将有助于降低机器人部署成本，也能提升模型在复杂开放环境中的泛化能力。

• 对机器人厂商：可减少针对单一硬件反复适配的成本，提高不同机型之间的能力复用。
• 对应用企业：机器人面对陌生设备或新任务时，可通过观察人类演示索引相关技能并生成执行策略。
• 对数据体系：从依赖海量人工标注，转向更强调交互过程、动作记忆和真实场景反馈。

商业化不只卖模型，而是搭建数据与训练链路

在产品层面，忆生科技并不局限于模型交付，而是尝试构建覆盖数据采集、训练和部署的产品矩阵。来源摘要中提到，其EngramTeleOp智能真机遥操数据采集系统采用“生成式小脑”规律映射，以替代传统点对点标定，延迟控制在10ms以内，并支持跨本体、跨地域遥操。系统还强调操作员可较快上手，让一名操作员控制多种不同结构的机器人本体。

另一个被提及的产品是EngramEgo执行者视角运动数据采集系统，基于执行者第一视角，通过低成本轻量化穿戴设备，在非实验室真实场景中获取运动数据。虽然来源摘要未完整披露该产品细节，但可以看出，忆生科技正在把“数据从哪里来、如何更贴近真实世界”作为具身智能落地的关键环节。

行业解读：具身智能进入“记忆与数据工程”竞争阶段

过去一年，机器人行业的焦点从单纯硬件堆叠，逐渐转向模型、数据和控制系统协同。忆生科技本轮融资反映出资本对可解释具身智能和物理世界模型的关注正在升高。与通用大语言模型不同，机器人需要在现实世界中承受延迟、误差、安全和泛化等约束，仅靠离线训练难以覆盖无限任务。

因此，“记忆系统”可能成为下一阶段具身智能的重要竞争点：它既连接视觉理解与运动控制，也连接数据采集与持续学习。如果忆生科技能够证明其架构在更多机器人形态和真实应用中具备稳定迁移能力，那么其价值将不止于某个单点模型，而可能成为机器人厂商和场景方之间的通用智能中间层。对中文科技产业观察者而言，这家公司值得持续关注，因为它代表了国内具身智能赛道从“会动的机器人”迈向可学习、可纠错、可进化系统的一种路线选择。