Innerhalb von sechs Monaten wurden zwei Milliarden Yuan finanziert, und das jüngste Embodied-Unicorn wurde geboren.

Zu Beginn des Jahres 2026 erlebte der Venture-Capital-Sektor eine "Artilleriefeuer". Dutzende Embodied-AI-Unternehmen kündigten nacheinander neue Finanzierungen an. Innerhalb von nur zwei Monaten belief sich das offenbarte Gesamtfinanzierungsvolumen auf fast 15 Milliarden Yuan, und die Einzelbeträge lagen oft bei mindestens einer Milliarde Yuan.

Wer sich diese Unternehmen genauer ansieht, wird jedoch feststellen, dass fast alle von ihnen vor 2024 gegründet wurden. Dies bestätigt auch eine Schlussfolgerung in einem Artikel von Touzhongwang: Mit der weiteren Konzentration der Ressourcen werden die Chancen für neue Anbieter im Bereich der Embodied-AI immer geringer. Doch genau hier liegt das Interessante: Selbst wenn der Trend so verläuft, wird man immer darauf hoffen, dass "Neueinsteiger" die alten Strukturen durchbrechen und ein neues Narrativ schaffen.

Die Embodied-AI ist noch lange nicht in einem festen Zustand, und schon sind die "Neueinsteiger" da. Touzhongwang hat exklusiv erfahren, dass Simplexity Robotics binnen weniger als sechs Monaten fünf aufeinanderfolgende Finanzierungsrunden absolvierte, wobei das Gesamtfinanzierungsvolumen 2 Milliarden Yuan erreichte. Der Post-Money-Wert nach der letzten Finanzierungsrunde belief sich auf über eine Milliarde US-Dollar. Somit ist Simplexity Robotics, das im zweiten Halbjahr 2025 gegründet wurde, jetzt das jüngste Unicorn im Bereich der Embodied-AI.

Unter "jüngstes" versteht man erstens die kurze Gründungszeit. Laut Handelsregister wurde es Ende Juli 2025 gegründet, was bisher nur etwas über acht Monate ist, also noch nicht einmal ein Jahr. Zweitens ist die Geschwindigkeit, mit der es ein Unicorn geworden ist, sehr hoch. Touzhongwang hat erfahren, dass diese fünf abgeschlossenen Finanzierungsrunden insgesamt weniger als sechs Monate dauerten, was zu einem schnellen Fortschritt führte und auch die Investoren zu einer starken Einigkeit veranlasste. Schließlich ist Simplexity Robotics zwar ein "Neueinsteiger" in Bezug auf die Zeit, aber kein Laie. Das Gründerteam stammt aus dem Kernteam von Li Auto und hat sich bereits in technischen Produkten und im Geschäftsfeld bewährt.

Die Investoren dieser fünf Finanzierungsrunden sind alle namhafte private Investmentgesellschaften in China: Dazu gehören erste Liga Investmentgesellschaften wie Yuanjing Capital, BlueRun Ventures, Sequoia China, Legend Capital, Zhongke Chuangxing und GaoRong Capital, sowie strategische Investoren aus der Technologiebranche wie Tencent und Alibaba (Teil der Informationen stammen aus Touzhong Jiachuan CVSource). Und laut öffentlichen Informationen haben die meisten alten Aktionäre wie Sequoia China, BlueRun Ventures und Legend Capital seit der ersten Investition in mehrere aufeinanderfolgende Runden investiert.

Was denkt man bei Wörtern wie "weniger als sechs Monate", "fünf Runden", "2 Milliarden Yuan", "Unicorn", "namhafte Gesellschaften" und "mehrere Runden Investition"? Ich denke, dass im Venture-Capital-Sektor endlich wieder die lange vermisste "Hungrigkeit" aufgetaucht ist. Und dass diese "Hungrigkeit" bei einem Unternehmen, das erst acht Monate alt ist, auftritt, lohnt sich auf jeden Fall näher zu untersuchen.

Genetik

Die zentrale Logik hinter der gemeinsamen Investition von führenden frühen Investoren liegt sicherlich in den Menschen.

Wie bereits erwähnt, stammt das Kerngründerteam von Simplexity Robotics aus Li Auto. Laut Informationen ist der CEO von Simplexity Robotics Jia Peng, der ehemalige Leiter der Forschung und Entwicklung in der Bereich der autonomen Fahrtechnologie von Li Auto, der Vorsitzende Wang Kai, der ehemalige CTO von Li Auto, und der COO Wang Jiajia, der ehemalige Leiter der Massenproduktion von autonomen Fahrtechnologien von Li Auto. Wenn man also darüber spricht, warum die Venture-Capital-Gesellschaften gemeinsam in Simplexity Robotics investieren, kann man nicht an der technischen Hintergrund, der aus einem harten Wettbewerb hervorgegangen ist, und der bewährten Erfahrung in der Massenproduktion vorbeigehen.

Dieses Team hat eine Existenzkrise überlebt und dunkle Zeiten erlebt. Sie haben in einem Markt mit dem härtesten Wettbewerb und der brutalsten Iteration die gesamte Reise von der Lebensgefahr bis zum Umkehrschlag erlebt und die vollständige Validierung von Null bis Eins und dann von Eins bis zur Skalierung abgeschlossen. Dies bedeutet, dass sie in dem am meisten kompetitiven Markt in China über eine von der Marktwirtschaft geprägte, extrem systematische Kampfstärke verfügen.

Technisch gesehen ist die zentrale Fähigkeit der Embodied-AI derzeit die Generalisierungsfähigkeit. Roboter sollen in der Lage sein, die physische Welt zu verstehen, eigenständig Entscheidungen zu treffen, präzise Aktionen auszuführen und sich selbst zu verbessern. Das Team von Simplexity hat nicht nur in der autonomen Fahrtechnologie dieses geschlossene System realisiert, sondern auch dasselbe Muster auf die automatische Produktion und Qualitätskontrolle von Elektromobilen angewendet.

Die Embodied-AI befindet sich jetzt ebenfalls an einem kritischen Punkt. Die Diskussionen über "Massenproduktion, Einsatz in Fabriken und Arbeit" sind sehr heiß. Dies erfordert ebenfalls eine systematische Fähigkeit, die Strategie, Technologie, Marke, Produkt, Organisation und Geschäft umfasst. Dies ist auch etwas, was Jia Peng, Wang Kai und Wang Jiajia in Li Auto vollständig erlebt, umgesetzt und erfolgreich validiert haben.

Laut Jia Peng, CEO von Simplexity Robotics, "ist Systematik der Unterschied von Simplexity Robotics."

Jia Peng ist ein Experte auf dem Gebiet der VLA-Modelle und Weltmodelle in China. Er hat Erfahrungen in der Kernforschung und Entwicklung bei IBM, NVIDIA und Li Auto gesammelt und war der Leiter der Entwicklung und Bereitstellung des weltweit ersten VLM + end-to-end-Systems mit schneller und langsamer Verarbeitung und des ersten VLA-Modells. Wang Kai hat bei Nokia und Visteon gearbeitet. 2021, als CTO von Li Auto, hat er das Team geleitet, das den Branchenrekord der Massenproduktion und Einbau des autonomen Fahrsystems in nur sieben Monaten erreicht hat. Später war er auch Investmentpartner bei Yuanjing Capital. Wang Jiajia war einer der jüngsten Leiter der Forschung und Entwicklung in der Geschichte von Bosch China und hat dann in Li Auto die gesamte Prozesskette der Massenproduktion und Lieferung des autonomen Fahrsystems umgesetzt.

Für Venture-Capital-Gesellschaften ist es tatsächlich nicht einfach, ein Kerngründerteam zu finden, das zusammen kämpft hat, sich gut kennt und eine klare Aufgabenteilung hat und über eine systematische Kampfstärke verfügt. Ansonsten würde es auch nicht so viele "Projekte, die zusammengebaut werden müssen" geben. Jia Peng, Wang Kai und Wang Jiajia decken im Wesentlichen alle Kernbereiche des gegenwärtigen Startups in der Embodied-AI ab: Strategieentwicklung, Finanzierung und Personalrekrutierung, Full-Stack-Technologie und Modellforschung und Entwicklung, Engineering und Massenproduktion. Daher ist es nicht verwunderlich, dass führende private Venture-Capital-Gesellschaften und Top-Internet-Unternehmen gemeinsam investieren.

Philosophie

Außerdem glaube ich, dass die "Hungrigkeit" der Venture-Capital-Gesellschaften auch von der Erwartung an das technologische Ende kommt.

Von den humanoiden Robotern zur Embodied-AI, solange das Ziel darin besteht, tatsächlich zu arbeiten, konvergieren die Wege allmählich. Es gibt keine Debatte mehr darüber, ob zweibeinig oder auf Rädern. Das end-to-end-VLA (Visual Language Action)-Modell, das als "Embodied Brain" fungiert, ist zum Standard geworden. Dies ist die Grundlage für den Ausbruch der Finanzierungen in der Embodied-AI.

Tatsächlich gibt es immer noch viele Probleme und Meinungsverschiedenheiten in der Branche. Beispielsweise betonen alle Embodied-AI-Unternehmen die Allgemeingültigkeit und Generalisierungsfähigkeit, aber die gegenwärtigen Embodied-Roboter zeigen in unstrukturierten, offenen Umgebungen immer noch unbefriedigende Leistungen. Dies steht direkt im Zusammenhang mit der Frage, ob Roboter tatsächlich in Fabriken und anderen Szenarien stabil kommerziell eingesetzt werden können. Ein stabiler kommerzieller Einsatz kann nicht nur die Kosten für die Benutzer senken, sondern vor allem kontinuierlich echte Welt-Daten sammeln, um das Modell zu verbessern und so einen geschlossenen Kreis zwischen Kommerz und Daten zu schaffen.

Um schneller in die Arbeit zu gehen, wenden traditionelle Roboterunternehmen die Methode der modularen Entwicklung an, bei der jede Funktion ein Modul ist, was eine schlechte Allgemeingültigkeit hat. Einige Embodied-AI-Unternehmen wählen die halb-end-to-end-Methode, bei der die Hauptfunktionen in Ebenen aufgeteilt werden, separat trainiert werden und dann mit Protokollen "zusammengefügt" werden. Dies hat eine gewisse Allgemeingültigkeit, aber kann keine feinen Arbeiten erledigen.

Die Lösung von Simplexity Robotics besteht darin, ein integriertes Modell aus Weltmodell und VLA zu schaffen. Durch einen einheitlichen Transformer werden die sprachliche Logik, die visuelle Semantik, die 3D-Raumstruktur und der Zustand des Roboters gemeinsam modelliert, verstanden und generiert und vorhergesagt. Dadurch wird eine Modellarchitektur mit höherer Obergrenze erreicht, während die manuelle Gestaltung reduziert wird und ein besserer Skalierungseffekt erzielt wird.

Das heißt, Simplexity Robotics bietet eine Lösung, die sich dem "Endzustand" nähert, d. h. die obige Funktionsaufteilung wird aufgehoben, und alle erforderlichen Fähigkeiten des Roboters, sprachliche, visuelle, physikalische usw., werden in ein allgemeines Großmodell integriert. Der Vorteil davon ist die beste Allgemeingültigkeit, aber es muss gesagt werden, dass das Training sicherlich auch nicht einfach ist und mehr Daten erfordert.

Deshalb ist die Realisierung eines geschlossenen Datenkreises für Simplexity Robotics von entscheidender Bedeutung, sogar eine Frage des Lebens oder des Todes. Simplexity Robotics hat sich entschieden, nur einen allgemeinen Roboter zu entwickeln, um so viele Szenarien wie möglich abzudecken und die Datenallgemeingültigkeit und -wiederverwendbarkeit zu erhöhen.

Um das Problem der Effizienz und Privatsphäre des Modelltrainings zu lösen, hat Simplexity Robotics entschieden, zusätzliche Rechenleistung auf der Geräteebene bereitzustellen und vorzubehalten, damit der Roboter die Datensammlung, das Training, die Tests und die Validierung auf dem Gerät selbst durchführen kann und so besser an die echten Anwendungsfälle gebunden ist. Das heißt, "durch die Shadow-Mode-Technik wird das Training auf der Geräteebene und die Testvalidierung des Modells in den Anwendungsfällen der Benutzer realisiert, um einen extrem effizienten geschlossenen Kreis aus Datensammlung, Training, Testvalidierung und Bereitstellung zu schaffen."

Natürlich gibt es auch Nachteile - die Kosten pro Gerät sind hoch. Aber diese technischen Entscheidungen repräsentieren die Überlebensphilosophie von Simplexity Robotics. Wie der Name schon sagt, möchte Simplexity Robotics mit einer einfachen und erweiterbaren Methodik, indem es das Gerät durch das Modell definiert und die Hardware durch die Software definiert, die komplexen Probleme im Bereich der Embodied-AI lösen. Das oben genannte eine Modell und ein Gerät basieren auch auf dieser Philosophie.

Genauer gesagt, hat Simplexity Robotics derzeit eine Technologiearchitektur aufgebaut, die auf "vier O" (one model, on device, one hour, one body) basiert. Bisher hat es das LaST₀-Basismodell, das ManualVLA-Modell für Langzeitaufgaben und den TwinRL-Framework für die echte Roboterverstärkung entwickelt, die jeweils die drei Probleme lösen: die effiziente Inferenzfähigkeit des Roboters für die Dynamik der physischen Welt verbessern, den Roboter in die Lage versetzen, komplexe Langzeitaufgaben zu verstehen und den Roboter in der echten Welt selbst stärker zu machen.

LaST₀-Basismodell: Zum ersten Mal werden das Verständnis und die Vorhersage der physischen Welt durch das Weltmodell und das schnelle und langsame Denken des VLA integriert, was die effiziente Inferenzfähigkeit für die Dynamik der physischen Welt erheblich verbessert und das Problem löst, wie der Roboter "gleichzeitig denken und schnell handeln" kann.

ManualVLA-Modell für Langzeitaufgaben: Auf der Grundlage des starken LaST₀-Basismodells löst das ManualVLA-Modell das Problem, wie der Roboter komplexe Langzeitaufgaben verstehen kann. Das Modell kann von einem Zielzustand ausgehend automatisch multimodale "Bedienungsanleitungen" wie die eines Menschen generieren und so perfekt die Frage beantworten, wie der Roboter "zuerst nachdenken und dann handeln" kann (dieser Artikel wurde von CVPR 2026 akzeptiert).

TwinRL-Framework für die echte Roboterverstärkung: Wenn das Modell über Inferenz- und Ausführungskapazitäten verfügt, liegt der Schlüssel schließlich darin, wie es in der echten Welt kontinuierlich verbessert werden kann und tatsächlich eingesetzt werden kann. TwinRL erweitert den Erkundungsraum der echten Roboterverstärkung mithilfe der Digitalen Zwillings-Technologie. Bei mehreren Aufgaben kann der Roboter in weniger als 20 Minuten auf einer Tischfläche eine Erfolgsrate von 100 % erreichen und so die Herausforderung lösen, wie der Roboter in der echten Welt selbst stärker werden kann.

Was den Roboter selbst betrifft, setzt Simplexity Robotics auf die in-house-Entwicklung und Herstellung. Laut Touzhongwang hat Simplexity Robotics von der Anstellung des ersten Mitarbeiters bis zur Fertigstellung des ersten selbstentwickelten Roboters nur etwas über 45 Tage gebraucht. Bisher hat Simplexity Robotics die Entwicklung von zwei Generationen von Robotern für die B- und C-Segmente abgeschlossen, eine kleine Serie von Robotern produziert und die PoC-Validierung vollständig begonnen.

Was die konkreten Anwendungsfälle betrifft, folgt Simplexity Robotics einem schrittweisen Iterationspfad von geschlossenen über halboffene bis hin zu vollkommen offenen Umgebungen. Als erste Ziele werden Fabrikhallen, Supermärkte und Logistikzentren angesehen.

Derzeit hat das Unternehmen eine strategische Präsenz in Peking, Shanghai und Suzhou aufgebaut. Im nächsten Schritt wird Simplexity Robotics sich vollständig auf die Bereiche des Training des Basismodells, der Entwicklung und Iteration des Roboters, der Datensammlung und der Forschung und Entwicklung von Kernalgorithmen konzentrieren. Es wird die Anwendungsfälle von Fabriken auf die Fertigungs- und Dienstleistungsbranche erweitern, sowohl in China als auch international. Es wird weiterhin an der Technologieinnovation und der industriellen Zusammenarbeit arbeiten, um die skalierbare Umsetzung der Embodied-AI-Technologie in der Industrie zu fördern und die skalierbare Anwendung der Embodied-AI-Technologie in verschiedenen Szenarien zu beschleunigen.

Dieser Artikel stammt aus dem WeChat-Account "Touzhongwang", Autor: Zhang Nan. Veröffentlicht von 36Kr mit Genehmigung.