60天融资数千万，何泳澔出任CTO！这家黑马冲刺「最后一公里」

新智元报道 2026年上半年，具身智能赛道狂揽超过460亿元融资，人形机器人的单价也正式迈入「万元以内」的门槛。 每隔几周，就会有一段新的机器人Demo在全网刷屏。但这背后，整个行业却撞上了一堵隐形的墙：真机采集的真实数据太贵、太慢，根本「喂不饱」庞大的模型。 如何破局？ 近期的一项前沿测试，给出了一组令人振奋的数据：在复杂操作任务中，利用规模为真机数据5倍的仿真数据进行训练，直接将机器人的真实操作成功率提升了40%，而其获取成本，仅为真机数据的三分之一。 这组数据揭示了一个产业界日益清晰的共识—— 如果要走到物理AI的GPT时刻，数据量的需求将超出大模型的两到三个数量级。只有仿真，才是通向拐点的唯一解。 好消息是， 坚定这一路线的国内黑马「虚时科技」，已经在底层技术上完成了关键突破。 他们成功把单个仿真场景的生成成本，从数百美元打到了十美元以内，生成周期更是从「周级」直接压缩到了「分钟级」。 但环境生产提速之后，更关键的问题才刚刚展开。 从「生成可用的仿真环境」到「训练出可部署的机器人策略」，中间仍有一整条技术链路需要打通。 这，也正是虚时科技在推进的方向。 今年5月，公司与地瓜机器人联合推出AnySceneGen，推进仿真场景与资产的规模化生成。 在此基础上，虚时科技进一步将研发延伸至自动任务执行、交互数据采集、闭环评测、端侧模型训练与部署。 近期，这家公司又迎来了融资与核心团队的新进展。 新智元获悉， 虚时科技已在两个月内连续完成天使轮及天使+轮融资，累计融资数千万元。 与此同时，前地瓜机器人具身智能算法负责人何泳澔博士正式加入，出任CTO。 这些进展背后，是虚时科技逐渐清晰的技术与产品布局：通过自研IntimeVerse仿真训练系统，将场景生成、物理属性对齐、自动任务执行、规模化数据采集、训练评测与端侧部署连接起来，让真实任务中暴露的问题，能够反馈到下一轮数据生产和策略训练中。 具身智能的竞争，正沿着模型与本体向训练基础设施延伸。 在一个本体和大脑公司占多数的赛道里， 虚时科技押注的是一件尚未爆发、但迟早要来的事——用仿真数据和训练系统，解决机器人从「会做Demo」到「能干真活」之间的最后一公里。 顶尖人才入局 All In具身仿真初创 何泳澔博士的加入，是虚时科技此次释放出的最强信号之一。 围绕具身智能对生成模型、机器人学习与控制能力的协同需求， 创始人兼 CEO 王德駪集结起一支学术、工程与落地紧密互补的核心团队。 王德駪曾任亚马逊 Alexa 大模型技术负责人，带领虚时团队推进 Code-to-Space 技术路线，构建可编辑、可交互、具备物理属性的三维资产与仿真空间。 而 新任CTO何泳澔 是中国科学院自动化研究所博士，加入虚时科技前，曾任地瓜机器人具身智能算法负责人，负责从仿真数据生成、VLA/VA模型设计，到真机数据基础设施建设与端侧部署的全链路研发，在ECCV、CVPR、ICRA、IROS等国际顶级学术会议与期刊发表了30余篇论文，拥有授权专利10余项。 虚时科技新任 CTO 何泳澔 一位长期关注具身智能的投资人告诉新智元 ： 「何泳澔是坚定的‘仿真派’， 是业内少有的兼具数据生成、模型训练与端侧部署经验的技术负责人，对仿真训练全链路有深入的理解和实践。」 在机器人感知与控制端，团队迎来了 兼具深厚学术功底与丰富产业落地经验的首席科学家苏虎。 苏虎现任中国科学院自动化研究所副教授，长期从事控制科学、计算机视觉、具身智能、机器学习理论等方向的研究，他的研究覆盖感知、决策与控制。 其相关研究工作是业内最早通过文本或单张图像生成可交互仿真场景并合成机器人操作数据的代表性成果之一。 至此，三位核心技术成员各自带着鲜明的技术长板，共同构成覆盖关键链路的互补体系。 学术研究、模型工程与真机实践三者紧密结合，共同支撑起一条 覆盖「仿真空间生成—任务数据采集—操作模型训练—真机验证与反馈」的技术闭环。 为什么押注仿真 数据规模之外，还有迭代效率 一位深耕具身算法的顶尖人才，为何选择在此时All in一家具身仿真初创？ 何泳澔看中的，是一项决定研发速度的能力：让数据生产跟上模型迭代。 当下，Ego数据凭借采集方式灵活、场景覆盖广，成为具身智能的重要数据来源。但从采集走向训练，仍有三道关卡。 第一，采集效率受制于人力与时间。 以每天采集10小时、其中30%可用为例，一个人一天只能贡献3小时有效数据。扩大产出，就要持续增加人员、设备与组织投入。这条路径可以扩张，但始终是线性的解决方案。 第二，模型在变，数据要求也在变。 何泳澔将当前的具身智能，类比为自动驾驶收敛到端到端方案之前的阶段：路线并行，范式未定。 从VLA到WAM，不同方案对观测频率、分辨率、动作表示和感知模态的要求各不相同。 以虚时科技正在研发的端侧实时模型为例，精细操作需要60Hz和高分辨率输入。此前按10Hz、低分辨率要求采集的数据，无法凭空补回未被记录的细节。 模型的一次迭代，就可能带来一轮新的采集需求。数据积累得越早，越需要考虑它能否支撑后续变化。 第三，人类示范到 机器人 动作，还有一段距离。 Ego数据记录的是人类视角下的行为。将其转化为机器人可执行的动作，需要处理姿态估计和本体映射。面向接触密集的精细操作，以视觉为主的采集方案，还需要补充力觉、触觉等关键信息。 ego数据难以准确估计姿态（尤其是 在 存在遮挡的情况下） 这三道关卡， 指向仿真的核心价值：支撑数据规模的指数级增长、提供准确且多模态的操作信息，让数据能够适配不同训练范式的需求。 模型需要更高的采集频率、新的相机视角，或不同的机器人构型，就可以在已有环境中调整配置、完成适配，再组织采集。仿真还能够直接记录环境中的物体状态、动作轨迹与接触信息，减少对事后估计和标注的依赖。 一旦采集流程跑通，产能便可以通过算力并行扩展；已经建立的环境，也能继续服务下一轮训练。模型持续演进，前期投入由此不断积累和复用。 而数据生产与效果验证，必须同步推进。虚时科技将物理参数辨识、真机数据对齐与任务级评测纳入同一流程，用真实任务表现检验数据的价值。 这正是虚时 科技 押注仿真的底层逻辑：既能规模化生产数据，也能快速响应模型变化，并持续验证 机器人 能力的提升。 Sim2Real Gap：是障碍 还是可以跨越的参数差？ 提到仿真，必然绕不开行业内一个尖锐的质疑：Sim-to-Real（仿真到现实）的Gap，究竟能否跨越？ 对此，虚时科技CEO王德駪从第一性原理出发，将问题拆成了两层： 先学习物理世界的共通规律，再适应具体环境的参数差异 。 他以地球和月球作了一个类比—— 「地球和月球的重力不同，但遵循同样的物理规律。」 「人登上月球，不需要重新学习走路，只需调整步幅与发力方式，就能逐步适应新的重力环境。」王德駪解释道， 「模型需要学习的是物理世界运行的框架，而不是每个参数的精确值。」 在他看来，这与大模型的发展历程高度一致。 早期训练数据里充满杂质，但因为数据量足够大，模型学会了底层框架。 具身模型也一样，视觉仿真Gap接近被填平，物理交互仿真的Gap本质是参数偏差。通过少量真机数据做微调或RSI（递归自我进化），就能快速校准。 模型可以在已有能力的基础上调整策略，将仿真中学到