以触觉为感知底座，橡木果要做具身操作领域的特斯拉

在智驾领域，特斯拉当年做过一个选择：它没有先等一张自动驾驶路测牌照落地，也没有靠大量非真实驾驶的场景去堆一个数据集，而是先把带摄像头、带算力的量产车铺到了真实道路上。几百万台量产车，本身就是那张最大的数据采集网络。车卖得越多，模型越好；模型越好，车卖得越多。

具身智能这一轮，也有一家公司在走同一条“特斯拉路线”。区别在于，特斯拉选的是车身上的视觉，它押注的却是机器人的触觉。它没有去做大规模数据采集，也没把传感器卖给灵巧手企业。它的心思，全放在终端客户工厂作业过程中最真实的操作任务上。

在几乎整个行业都在押注VLA、世界模型等“数据驱动、自上而下”的路线时，这家名为橡木果机器人（简称“橡木果”）的企业，在今年6月正式发布了“本能驱动、自下而上”的路线，8月10日，橡木果正式发布「Natus AGE-0具身本能模型」，并宣布完成数亿元的天使轮融资。

作为一家有着七年自研触觉传感器经验的企业，橡果木发起人姜峣却向高工机器人强调，他们不是一家触觉公司，而是一家做通用具身操作的公司。

橡木果发起人 姜峣

主动把“触觉”这个时下资本市场最热门的标签摘掉，听上去有点反常识。但顺着橡木果的技术路线往下看就会发现：行业里更常见的路径是先有了传感器，再去找操作场景；橡木果是反过来的，先定位本能操作，再去做服务于操作的传感器，触觉只是构建本能最重要的信息入口。

橡木果在给客户、投资人介绍“本能驱动”路线时，对方一开始往往也是一头雾水。其实在橡木果自己的技术体系里，“本能”有着一套更朴素的工程定义：用最低能耗、最高效的方式，完成一次操作任务。

人在自然界里遇险会躲闪，遇痛会后撤，这些本能反应都是生存层面的最优解。机器人操作也应该遵循同一套逻辑。机器人抓一个东西，本质上是一场物理对抗，对抗重力，对抗环境扰动，也对抗物体本身的不确定性，这跟行为学意义上的“思考”是两码事。既然是对抗，就一定存在一个代价最小的解法，对应到橡木果的解决方案，就是本能。

按姜峣的说法，本能有三个“无关”：与硬件本体无关，与操作对象无关，与环境工况无关。抓苹果和拿手机用的都是同一套本能，本能不会因为换了个工件就失效。橡木果内部因此有一条判断标准，只要在某种情况下本能失效了，就说明技术挖掘得还不够深入。

这样的定义也划出了本能驱动与数据驱动的差异：前者的能力边界，由对物理规律的理解深度决定，后者的能力边界，则更多取决于已采集样本的数量与覆盖范围。橡木果选择本能驱动的理由相当直接，正是因为上限更高。

在姜峣的判断里，具身智能眼下正处在一个难以互相证伪的阶段。技术路线百花齐放，没有ImageNet这样业界广受认可的数据集，甚至连定义优质数据的标准都还没建立起来，短期内谁跑得快、谁跑得慢，很难说明什么。既然如此，选择的依据就不该是当下的速度，而是技术上限。

姜峣认为，只要迭代足够快，上限最高的那条路终究会逼近终点。而本能位于接触操作的最底层，与硬件、对象、工况解耦，它的上限来自对物理规律的理解，而不是样本覆盖的广度。

本能驱动并不等于不要数据，恰恰相反，橡木果对数据飞轮同样重视，只是数据在这套飞轮体系里的位置不同。

在这一点上，具身操作应该更接近自动驾驶，而不是大语言模型。大语言模型是先攒够语料再交付模型，自动驾驶是先让车能开起来，再让规模化的真实运行反哺模型。姜峣认为，如果没有机器人先在真实工况里用起来，想靠自采数据训出一个通用操作模型，这条路很难走通。

所以橡木果内部有一条不成文的规定：不在公司内采集和生成训练数据，一切数据只来源于真实工业场景。理由有二：第一，自己做数据采集的成本高，而且采出来的数据不够真实；第二，真正有价值的接触数据，只可能来自机器人与真实物理世界在真实工况下的交互，而这些数据，是产品卖出去之后自然生成的。

橡木果把任务规划层和操作执行层彻底解耦，为操作执行层赋能的，正是橡木果的端侧本能模型Natus。它不在云端，也不在外置的算力模块里，而是嵌入在机器人的末端执行器里。

Natus构建的三大本能，恰好解决了数据驱动方案在柔性产线上的三大卡点：

定向本能解决了“工件定位”的问题。定向本能与视觉协同，指引末端向目标物体移动。上层任务规划只提供关键图像帧和语义约束，而不是动作，剩下的对准和趋近，由Natus本能完成。相比之下，数据驱动方案通常得先在本地采一批示教数据、再做训练，启动门槛过高。

探索本能解决了“来料不一致”的问题，末端接触物体的瞬间，探索本能依靠滑移、分布力、形变等接触信号，沿物体表面自主探索，找到能够稳定抓取的位置。这并非预设动作，也不是模仿学习，不会因为样本数量不足而触及泛化边界。

交互本能解决了“接触时变（Time-Variant）”的问题。在探索本能构建约束关系后，交互本能以“滑移最小化”或“阻抗匹配”为期望进行实时调节，让末端动作随物理变化实时更新，从而应对仿真训练难以覆盖的真实物理变化，提升抗干扰能力和运行稳定性。

此外，接触操作需要的是上百Hz级别实时反馈，数据驱动的大模型方案，由于推理时延难以做到这么快的即时响应。而Natus跑在端侧，对电机的控制可以做到250Hz，足以支撑起实时的力控收敛。

但本能也有边界：比如“怎么叠衣服”之类的长程规划，本能天生干不了，那是数据驱动的地盘，需要借助通用技能模型Magis来完成。

技术路线之外，橡木果另一个不随大流的选择，是落地场景。橡木果选择聚焦离散制造业柔性操作场景，以工业场景商业闭环作为第一标尺。

姜峣表示，橡木果并不打算跟现有工业自动化抢稳定大批量市场，他们聚焦的，仍然是换产时间长、接触复杂（Contact-Rich）、换人难的柔性生产场景。

这个选择首先和团队基因有关，橡木果核心技术团队由9名清华大学机械工程系博士、博士后构成，团队成员在工业自动化领域有近15年的积累，对于制造企业的成本诉求、交付标准、投产周期有着深度理解。

2018年回到清华后组建实验室的姜峣

其次，操作能力在工业场景里更容易变成生产力。家用场景的复杂度和不确定性显著更高，工业反而是操作智能最先能被验证、被结算的地方。更重要的是，工业场景眼下确实缺一套能接住柔性生产的解决方案。

传统工业自动化方案在稳定大批量场景里效率极高，但面对换产频繁的柔性生产场景，这样的效率优势也就不复存在了。一旦换产，停机调试的时间会直接挤占有效生产时长，设备综合利用率随之走低。在小批量多品种的场景下，传统自动化的换产周期通常是以周为单位计算的。

当前主流的数据驱动方案要接手一个新工件，通常需要在本地重新采集示教数据、再做训练。而橡木果给出的本能驱动方案则是告别训练，冷启动自适应，机器人现场直接上手，交付周期相比行业方案压缩70%以上。

姜峣表示，说服客户其实是整个流程里最容易的部分。客户只需要现场看一次本能驱动的适应能力就足够了，剩下的效率、稳定性、可靠性，都是工程手段可以持续迭代的东西。对于工厂终端客户而言，他们并不关心技术路线，只关心能否把换产的调机成本降下来。

具体到落地进展上，橡木果2026年5月完成首个柔性产线POC验证，前后用时两个月跑通工业场景，目前已与多家头部客户展开合作。