放弃4000万年薪，清华团队创业选了一条“反着来”的路

放弃4000万年薪

一家公司从注册到完成融资，需要多久？

本溯智能，这家由清华AIR首届博士李健雄创立的公司给出的答案是：不到三个月。

2026年7月21日，北京本溯智能科技有限公司（BASAL Intelligence，以下简称“本溯智能”）完成了工商注册。刚刚，它完成了种子轮融资，由五源资本领投，常春藤资本、线性资本、华山资本参与投资，历时不到3个月。

本溯智能由八名具身智能领域研究者共同创立，人才浓度极高。

创始人兼CEO李健雄，师从张亚勤院士，是清华大学智能产业研究院（AIR）的首届博士之一。首席科学家詹仙园，本硕博横跨清华土木、普渡交通工程和计算机科学，清华AIR的副教授，曾在微软亚洲研究院和京东科技做数据科学家。

其他成员来自清华AIR、北京大学、UC Berkeley等不同机构。能力覆盖预训练、后训练、世界模型、硬件、数据和测试等不同环节。核心成员之间多数从学生或研究助理阶段起就持续合作，已经拥有三到五年的协作基础，是典型的“ 整建制团队” 。

据本溯智能披露，在组建本溯智能前，团队成员拿到过字节跳动“Top Seed”、英伟达、小米等企业的高薪offer，以及海外高校的博士录取机会。团队合计放弃接近4000万元的年薪总包，其中，李健雄个人放弃的最高年薪总包接近千万元。

放弃了4000万，这群人选择了一条“反着来”的路。

BASAL Intelligence 团队在公司工区

图源 | DeepTech深科技

机器人一定要先“理解”才能行动吗？

当前行业主流路线多以语言或视觉理解为起点。本溯智能则认为，动作比语言更接近机器人与物理世界交互的本质。

主流的VLA路线，底层假设是机器人首先要通过视觉、语言理解世界，才能行动。World Model路线则通过物理预测为基础来规划动作。

工业标准化场景下，通过后训练“调教”，模型在特定任务中表现优异。但是，当任务、场景、本体不断增加，又要重新采数据、训练、验证、运维，学习和部署成本也会越来越高。这正是本溯智能想绕开的结构性问题。

创始人李健雄曾表示，具身智能真正的主线始终只有一个——能不能把智能规模化复制，在越来越多的场景和任务中，以越来越低的成本部署设备。

本溯智能押注的是动作原生的 In-Context 具身基础模型——“动作”先行，“理解”后置。

本溯智能认为，动作比语言更接近机器人与物理世界交互的本质。在它的模型架构中，动作是核心表达方式。

模型首先通过与物理世界的交互来建立“能把任务执行好”的能力，在此基础上再接入语言和人类知识。理解不再是行动的前提，而是行动过程中的一个环节。用创始人李健雄自己的比喻就是“先获得类似动物一样与世界交互的能力，再进一步和语言及人类知识建立联系”。

而支撑这条路线的核心技术路线是In-Context Learning。

In-Context Learning（ICL）最早由GPT-3提出，它证明了足够大的语言模型无需更新参数，仅靠上下文中的几个示例就能执行新任务。把这个能力迁移到具身领域，意味着机器人面对新场景、新任务、新本体时，不需要重新训练模型，直接通过动态的“上下文”完成学习与适应。

但本溯智能对ICL的理解不止于此。Generalist AI的GEN-1.5已经证明，人类演示一次之后，机器人可以快速复现新的行为。本溯智希望更进一步——机器人能利用自己在真实场景中产生的交互记录，在推理时持续优化后续决策。它需要知道自己刚才做了什么、哪些做得好、哪些做得不好，下一次执行时进行优化。本溯智能称之为“端侧自进化”。

如果机器人自己在现场完成学习与适应，不需要工程师带着新数据回来重新训练，部署成本自然不再随场景和任务的增加而线性攀升。这是“学任务”到“学能力”范式转换，也是本溯智能对具身智能进入物理世界的路线选择。

先验证，再创业

除了技术路线的“非常规”，团队还选了一条更慢的创业路径：先验证，再创业。

早在2024年，团队就开始追问“规模化部署成本”的问题。彼时VLA是最受瞩目的技术路线，但团队思考的是：如果机器人每遇到一个新任务，都要重新采数据、训练和适配，那么即使模型越来越强，它真的能规模化部署吗？

他们尝试了In-Context Learning，但是跨本体的动作怎么统一，长时序的物理信息怎么装进Context，模型结构怎么设计，数据从哪里来……几乎每一个前置条件都没有准备好。

于是，团队做了一个更“慢”的决定——先一个模块一个模块地补，验证这条路线。

第一个模块是UniAct，解决“语言不通”问题。不同形态的机器人硬件之间，动作空间不兼容。UniAct通过向量量化码本，将不同机器人的控制命令编码为跨平台共享的“原子行为”token，让“动作”有了跨本体的“通用语言”。

第二个模块是X-VLA，验证能否跨本体跑通。有了统一动作空间，还要验证一个模型能否同时学习多种机器人的异构数据。X-VLA为每个机器人本体分配一组可学习的Soft Prompt嵌入，相当于给每个机器人一个“身份标识”。模型在推理一开始就知道“我面对的是哪台机器”，从而干净地解耦任务策略与硬件差异。团队基于X-VLA参加IROS 2025智元机器人操作挑战赛，仅使用不足1000小时的预训练数据，从400多支队伍中获得总冠军，并成为首个实现120分钟无辅助自主叠衣任务的全开源模型。

X-VLA 团队在 IROS 2025 智元机器人操作挑战赛上取得世界冠军

图源 | DeepTech深科技

第三个模块是ODEWorld，压缩物理时空信息，支撑长上下文。In-Context Learning需要模型处理长时序的交互历史。ODEWorld通过极致压缩和连续时间建模，把原本只能容纳几十秒、几分钟的Context往小时级推进，为长时序上下文学习提供可行的技术基础。

这三个模块共同构成了“动作原生的In-Context具身基础模型”的技术底座。今天本溯智能所展示的路线，已不再是2024年那个未成熟构想。

成立三个月就拿到种子轮融资，本溯智能的“慢”换来了资本信任的“快”。

结语

2026年下半年以来，围绕ICL的行业信号正在变得密集。

英伟达GEAR实验室联合斯坦福、UT Austin发布了RoboTTT，第一次系统地把“上下文scaling”搬到机器人视觉运动策略上。

斯坦福发布了Gated Memory Policy，解决机器人“何时该回忆、该回忆什么”的记忆机制问题。

Generalist AI发布GEN-1.5，机器人观看一段3到12秒的人类演示视频，无需梯度更新，直接执行新任务。

Skild AI发布S1，仅凭一段视频演示，机器人可以在不做任何后训练的情况下，完成此前从未训练过的长程任务。

ICL方向的具身研究正在全球范围内推进，大方向已获得了验证。在这条思潮中，本溯智能是国内最早系统探索跨本体快速适应与In-Context具身学习方向的团队之一，这也是一条难度更高、验证周期更长的路线。

但不管是VLA 、World Model或是ICL路线，竞争的始终是机器人何时以足够低的成本进入真实场景，本溯智能正在给出新答案。