🔥36氪•較早收集於 3m
TranscEngram 獲數億融資，致力於機器人記憶系統研發
💡一種解決具身智能泛化難題的新路徑，透過記憶機制構建機器人的「大腦與小腦」。
⚡ 30-Second TL;DR
有什麼變化
獲得來自產業資本與國資平台的數億天使輪融資。
為什麼重要
從靜態 VLA 模型轉向基於記憶的架構，可能顯著降低機器人訓練對海量標註數據的依賴。
下一步行動
評估您目前的機器人控制堆疊是否能引入「記憶」層，以在不重新訓練的情況下提升任務泛化能力。
誰應關注：Researchers & Academics
關鍵要點
- •獲得來自產業資本與國資平台的數億天使輪融資。
- •構建「大腦+小腦」架構，模擬人類視覺與肌肉記憶。
- •在多任務場景中表現較傳統 VLA 模型提升 3 倍以上。
- •重點佈局高端酒店服務與柔性製造裝配場景。
🧠 深度解析
本篇為 AI 生成分析，非原文內容。
🔑 增強重點摘要
- •TranscEngram 的核心技術源自香港大學計算機科學系具身智能實驗室，其創始團隊在神經形態計算與機器人記憶機制領域擁有超過十年的學術積累。
- •該公司開發的「記憶增強型具身智能體」（Memory-Augmented Embodied Agent）採用了獨特的時序記憶編碼技術，能有效解決機器人在長序列任務中常見的「災難性遺忘」問題。
- •融資資金將主要用於建設大規模具身智能數據中心，以支持其專有的「記憶蒸餾」算法訓練，該算法能將複雜的環境交互數據壓縮為輕量級的記憶模塊。
- •TranscEngram 已與多家大灣區製造業龍頭簽署戰略合作協議，計劃在 2026 年底前部署首批具備自主學習能力的柔性裝配機器人。
- •其技術架構引入了類腦計算芯片（Neuromorphic Computing），旨在降低機器人終端在執行複雜推理時的功耗，使其能脫離雲端實現實時邊緣計算。
📊 競品分析▸ Show
| 競爭對手 | 核心架構 | 記憶機制 | 應用場景 | 性能優勢 |
|---|---|---|---|---|
| TranscEngram | 大腦+小腦 (類腦) | 時序記憶編碼 | 酒店服務/柔性製造 | 任務執行效率提升 3 倍 |
| Figure AI | 端到端 VLA 模型 | Transformer 記憶 | 通用人形機器人 | 泛化能力強，交互自然 |
| Tesla Optimus | 端到端神經網絡 | 視覺記憶/路徑規劃 | 工廠自動化 | 規模化部署與成本控制 |
| Covariant | 機器人基礎模型 | 語義記憶 | 物流分揀 | 複雜環境適應性強 |
🛠️ 技術深入
- 記憶架構：採用分層式記憶系統，大腦層負責高階語義理解與規劃，小腦層負責運動控制與反射性動作，兩者通過神經突觸模擬接口進行實時同步。
- 記憶蒸餾算法：利用知識蒸餾技術，將大規模預訓練模型中的交互經驗壓縮至邊緣設備可運行的輕量級記憶網絡中。
- 類腦計算集成：硬件層面兼容神經形態處理器，支持脈衝神經網絡（SNN）運算，大幅降低感知與決策過程的延遲。
- 自我糾錯機制：引入基於預測編碼（Predictive Coding）的誤差反饋迴路，機器人能實時比對預期狀態與實際感知，自動修正運動軌跡。
🔮 前景展望AI analysis grounded in cited sources
TranscEngram 將在 2027 年前實現機器人記憶模塊的標準化與模組化輸出。
其專有的記憶蒸餾技術具備跨平台兼容性，有利於將核心算法封裝為標準化模組供第三方機器人廠商集成。
該公司的技術路徑將迫使具身智能行業從單純追求模型參數規模轉向追求記憶效率與邊緣計算能力。
TranscEngram 在多任務場景下的性能提升證明了高效記憶架構比單純堆疊參數更能解決實際落地中的長尾問題。
⏳ 時間線
2025-03
TranscEngram 在香港大學具身智能實驗室完成核心算法原型驗證。
2025-11
公司正式註冊成立，並獲得種子輪融資，開始佈局大灣區研發中心。
2026-06
完成數億元天使輪融資，並發布「大腦+小腦」架構技術白皮書。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 36氪 ↗
每週 AI 簡報
每週一封，可隨時退訂。