近日，北京橡木果机器人科技（Acorn Robot）正式发布 "本能驱动"（Instinct-Driven） 技术路线，走出一条与业界主流完全相反的具身智能路径——不靠大模型模仿人类，而是从底层赋予机器人操作本能，让其在与物理世界的交互中自主涌现智能。

公司同日宣布已于2026年3月完成 近亿元种子轮融资 ，领投方为钱唐材料实验室与普华资本。

当前具身智能主流采用VLA（视觉-语言-动作）端到端架构，属于"自上而下"路线。橡木果认为该路线面临三个结构性困境：

困境	自上而下（VLA）	橡木果（本能驱动）
数据规模	语言1个模态→操作3个模态+硬件强相关，数据量指数级膨胀	Natus零数据冷启动，不依赖训练数据
实时性	语言模型"一个字一个字蹦"，操作等不起	毫秒级端侧响应，触觉直接驱动
泛化性	"换场景就失灵"，硬件差异导致模型失效	硬件自适应，出厂即适配不同夹爪/灵巧手

橡木果用一个类比说明两者的本质区别：打乒乓球的规则全世界一样（任务），但每位选手的打法完全不同（硬件适配）。 没有最好的预训练模型，只有最适配硬件的模型。

橡木果将任务规划与操作执行彻底解耦，通过标准化接口协同：

任务规划层（上层） ：负责知识推理与任务分解，输出关键图像帧和语义约束（如"不要洒水"），而非具体动作指令。

操作执行层（下层） ：由两个核心模型构成——

模型	定位	核心能力
Natus	端侧自主决策模型，嵌入末端执行器	零数据冷启动、硬件自适应、毫秒级响应
Magis	通用操作技能模型	利用Natus交互数据训练，实现跨本体/跨任务泛化

Natus完全嵌在末端执行器中，由触觉刺激直接驱动，不需要任何训练数据或微调。它赋予机器人三大操作本能：

• 定向本能 ：与视觉协同，指引末端向目标移动
• 探索本能 ：手指接触物体后，沿表面自主探索，寻找最稳定的接触构型
• 执行本能 ：以"滑移最小化"为目标，实时调节抓取力度——抓豆腐时自动松，抓锤子时自动紧

实测中，Natus驱动的机器人面对从未见过的异形物体，会沿表面自主探索并成功抓起；面对半瓶水的瓶子，反复试探重心后调整抓力；面对极薄卡片，通过推、翘、扣等动作成功抓起。这些行为不是预设程序，而是本能催生的行为涌现。

Magis利用Natus在真实交互中产生的、带有触觉语义的数据进行训练。当Natus抓取一个香蕉，记录的不仅是"成功了"，还有"120g、质心偏左、表皮粗糙、硬度中等"等力学语义。这些数据叠加到视觉帧上，使Magis能"理解"物理世界，而非仅识别外观。

训练数据需求因此从百万小时级别降至 几千小时 。

本能的构建需要完备的触觉输入。橡木果历时7年、迭代十余代原型机，自研 第三代视触觉传感器 ：

• 方案：弹性体（硅胶）+ 微型相机，不依赖敏感材料
• 通过图像表征与重构算法，将弹性体变形反演为多模态触觉信息
• 核心壁垒：动态表征技术（2020年首次提出，可捕捉滑移过程，行业2025年底才跟进）、工程化标定、算力集成优化

橡木果已将技术应用于工业柔性生产场景。其机器人系统在某全球头部化妆品ODM厂商处完成验证并实现商业营收，用于抓取、旋拧形状材质各异的瓶罐。

凭借Natus的快速适配能力，新硬件接入无需重新训练，即插即用。

橡木果明确表示不追求做全能选手，而是专注构建最底层的操作基石。其愿景是：未来上层由大模型负责任务规划（解决"做什么"），下层由本能驱动系统负责操作执行（解决"怎么做"），二者通过标准化接口协作，构成真正通用、可靠的具身智能系统。