除了 AI Agent 以外，具身機器人是另一大 AI 時代的垂直落地場景。Morgan Stanley 曾在一份報告中預測，2050 年全球人形機器人整體市場規模有望突破 5 萬億美元。

伴隨著 AI 的發展，機器人將逐漸從工廠里的機械臂逐步進化為我們日常生活中的同伴，依靠 AI 而獲得感知和理解力，以至于獲得獨立決策的能力。問題是，今天的機器人更像是一群不會互相說話的啞巴：每家廠商用自己的語言、自己的邏輯，軟件互不兼容，智能彼此無法共享。這就像你買了一輛小米、一輛特斯拉，但它們連路況都無法一起判斷，更別提協同完成任務了。

OpenMind 想要改變的，正是這個各自為戰的局面。他們不造機器人，而是要搭建一個讓機器人說同一種語言、遵守同一套規則、一起完成事情的協作系統。打個比方，iOS 和安卓讓手機智能應用爆發，以太坊讓加密世界有了共同底座，而 OpenMind 想做的，是為全球機器人打造一個統一的操作系統和協作網絡。

一句話，OpenMind 正在構建機器人的通用操作系統，讓機器人不僅可以感知和行動，還可以通過去中心化協同，在任意環境下安全且規模化的合作。

誰在托舉這套開放底座

OpenMind 已完成 2000 萬美元的種子輪與 A 輪，由 Pantera Capital 領投。更重要的是，資本的廣度與互補幾乎把這條賽道的關鍵拼圖都帶齊了：一端是來自西方科技與金融生態的長期力量——Ribbit、Coinbase Ventures、DCG、Lightspeed Faction、Anagram、Pi Network Ventures、Topology、Primitive Ventures——他們熟悉加密與 AI 基礎設施的范式遷移，能夠為智能體經濟 + 機器互聯網提供模型、網絡與合規的經驗；另一端是東方的產業動能——以紅杉中國為代表的供應鏈與制造體系——深知把一臺樣機做成可規模交付的產品意味著哪些工藝與成本門檻。兩股力量的疊加，讓 OpenMind 不只拿到錢，更拿到從實驗室到產線、從軟件到底層制造的路徑與資源。

這條路徑也正在和傳統資本市場接軌。2025 年 6 月，KraneShares 推出全球人形與具身智能指數 ETF（KOID）時，選用了由 OpenMind 與 RoboStore 聯合定制的人形機器人 Iris 在納斯達克敲響開市鐘，成為交易所歷史上首位完成這一儀式的機器人來賓。這既是一次技術與金融敘事的同頻，也是一種關于機器資產如何被定價與結算的公開信號。

正如 Pantera Capital 合伙人 Nihal Maunder 所說：

如果我們希望智能機器在開放環境中運行，就需要一個開放的智能網絡。OpenMind 正在為機器人做的事，就像 Linux 之于軟件、以太坊之于區塊鏈。

從實驗室到產線的團隊

OpenMind 的創始人 Jan Liphardt 為斯坦福大學副教授、前伯克利教授，長期研究數據與分布式系統，在學界與工程側均有深耕。他主張推進開源復用、以可審計、可追溯的機制替代黑箱、用跨學科方法整合 AI、機器人和密碼學。

OpenMind 的核心團隊來自 OKX Ventures、Oxford Robotics Institute、Palantir、Databricks、Perplexity 等機構，覆蓋機器人控制、感知與導航、多模態與 LLM 調度、分布式系統與鏈上協議等關鍵環節。同時，一支由學術界與產業界專家組成的顧問團隊（如 Stanford 機器人負責人 Steve Cousins、牛津區塊鏈中心 Bill Roscoe、Imperial College 安全 AI 教授 Alessio Lomuscio）也為機器人的安全、合規、可靠提供保障。

OpenMind 的解法：兩層架構，一套秩序

OpenMind 構建了一套可復用的基礎設施，讓機器人能跨設備、跨廠商、甚至跨國界協作與信息互通：

設備側：提供面向實體機器人的 AI 原生操作系統 OM1，把從感知到執行的全鏈路連成閉環，讓不同形態的機器都能理解環境并完成任務；

網絡側：構建去中心化協作網絡 FABRIC，提供身份、任務分配與通信機制，確保機器人在協作時能識別彼此、分配任務、共享狀態。

這一套操作系統+網絡層的組合，讓機器人們不僅能各自行動，更能在一個統一的協作網絡中互相配合、對齊流程、一起完成某個復雜任務。

OM1：面向實體世界的 AI 原生操作系統

就像手機需要 iOS 或 Android 來運行應用，機器人同樣需要一個操作系統來運行 AI 模型、處理傳感器數據、做出推理決策并執行動作。

OM1 便為此而生，它是一個面向現實世界機器人的 AI 原生操作系統，讓它們能夠感知、理解、規劃并在各種環境中完成任務。與傳統、封閉的機器人控制系統不同，OM1 是開源、模塊化、硬件無關（hardware-agnostic）的，它可以運行人形、四足、輪式、機械臂等多種形態上。

四個核心環節：從感知到執行

OM1 把機器人智能拆解為四個通用步驟：Perception（感知）→ Memory（記憶）→ Planning（規劃）→ Action（執行）。這套流程被 OM1 完整模塊化，并通過統一的數據語言打通，實現可組合、可替換、可驗證的智能能力構建。

具體到架構，OM1 的七層鏈路如下：

Sensor Layer（傳感器層）收集信息：攝像頭、LIDAR、麥克風、電池狀態、GPS 等多模態進行感知輸入。

AI + World Captioning Layer（世界理解層）翻譯信息：多模態模型將視覺、語音、狀態轉為自然語言描述（如你看到一個人在揮手）。

Natural Language Data Bus（自然語言總線）傳遞信息：所有感知被轉成帶時間戳的語言片段，在不同模塊間傳遞。

Data Fuser（情境融合層）組合信息：整合多源輸入，生成用于決策的完整語境（prompt）。

Multi-AI Planning/Decision Layer（多智能體規劃層）生成決策：多個 LLM 讀取語境，結合鏈上規則生成行動計劃。

NLDB 下行通道：將決策結果通過語言中間層傳遞給硬件執行系統。

Hardware Abstraction Layer（硬件抽象層）做出行動：將語言指令轉為底層控制命令，驅動硬件執行（移動、語音播報、交易等）。

快速上手，廣泛落地

為把一個想法盡快變成機器人可執行的任務，OM1 把開發路徑做成了開箱即用的一條龍：開發者用自然語言結合大模型定義目標與約束，數小時內即可生成可復用的技能包，而不必經歷數月的硬編碼；多模態管線原生打通 LiDAR、視覺與音頻，省去手寫復雜的傳感器融合；模型側預接好 GPT-4o、DeepSeek 與主流 VLM，語音輸入輸出直接可用；系統層全面兼容 ROS2 與 Cyclone DDS，并通過 HAL 適配層無縫接入 Unitree G1、Go2、Turtlebot 與各類機械臂；同時與 FABRIC 的身份、任務編排與鏈上結算接口原生聯動，使機器人既能單機執行，也能加入全球協作網絡、按量計費與審計。

在真實世界里，OM1 已經完成多場景驗證：四足平臺 Frenchie（Unitree Go2）在 2024 年 USS Hornet 國防技術展示中跑通復雜場地任務，人形平臺 Iris（Unitree G1）在 2025 年 EthDenver 的 Coinbase 展臺完成現場人機交互，并通過 RoboStore 的教育項目走入全美高校課程，把同一套開發范式擴展到教學與科研的一線。

FABRIC：去中心化的人機協作網絡

即便單機智能足夠強，如果彼此無法在可信前提下協同，機器人仍舊只能各自為戰?，F實里的割裂來自三個根本問題：身份與位置無法被標準化證明，導致我是誰、我在哪、我正在做什么難以被外部信任；技能與數據缺少可控的授權路徑，無法在多主體之間安全共享與調用；控制權與責任邊界不清，頻率、范圍和回傳條件難以被事先約定、事后追溯。FABRIC 針對這些痛點給出系統級解法：用去中心化協議為機器人與操作員建立可驗證的鏈上身份，圍繞該身份提供任務發布與匹配、端到端加密通信、執行記錄與自動結算的一體化基礎設施，讓協作從臨時對接變成有憑有據的制度。

在運行形態上，可以把 FABRIC 理解為把定位、連接、調度合在一起的網絡平面：身份與位置被持續簽名與校驗，使節點天然擁有彼此可見且可信的鄰近關系；點到點通道像一條按需建立的加密隧道，無需公網 IP 和復雜網絡設置就能遠程操控與監控；任務從發布到接單、執行到驗收的全過程被標準化記錄，既能在清算時自動分潤與退押，也能在合規或保險場景下復核誰在何時何地完成了什么。在此之上，典型應用自然生長出來：企業可以跨地域遠程運維設備，城市可以把清潔、巡檢、配送做成可按量調用的 Robot-as-a-Service，車隊可以實時匯報路況與障礙生成共享地圖，需要時還可就近調度機器人完成 3D 掃描、建筑測繪或保險取證。

隨著身份、任務與結算三件事被同一網絡托管，協作的邊界被事先寫清，執行的事實被事后驗證，技能的調用有了可度量的成本與收益。長期看，FABRIC 將演進為機器智能的應用分發層：技能以可編程的授權條款在全球范圍內流通，調用產生的數據又反哺模型與策略，使整張協作網絡在可信約束下持續自我升級。

Web3 正在把開放寫進機器社會

機器人行業正快速集中于少數平臺，硬件、算法與網絡被封閉棧鎖住。去中心化的價值，在于讓任何品牌、任意地域的機器人在同一開放網絡中協作、交換技能并完成結算，而不必依附單一平臺。OpenMind 用鏈上基礎設施把這一秩序編碼化：每臺機器人與操作員擁有唯一鏈上身份（ERC-7777），硬件指紋與權限可查；任務在公共規則下發布、競價與匹配，執行過程生成帶時間與位置的加密證明上鏈存證；任務完成后合約自動結算分潤、保險與押金，結果可實時核驗；新技能通過合約設定調用次數與適配設備，在保護知識產權的同時實現全球流通。由此，機器人經濟自誕生起就具備抗壟斷、可組合、可審計的基因，開放被寫進機器社會的底層協議。

讓具身智能走出孤島

機器人正從展臺走向日常：醫院里巡視病房，校園里學習新技能，城市里完成巡檢與建模。真正的難點不在更強的馬達，而在讓不同來源的機器彼此可信、信息互通、協同辦事；要規?；夹g之外更關鍵的是分發與供給。

OpenMind 的落地路徑因此從渠道入手而不是堆疊參數。與 RoboStore（宇樹在美國最大的經銷商之一）聯手，把 OM1 做成標準化教材與實驗套件，在全美幾千所高校同步推進軟硬件的一體化供給。教育體系算得上是最穩的需求側，這條鏈路直接把 OM1 植入未來幾年的開發者與應用增量。

面向更廣的社會分發，OpenMind 依托投資人生態把軟件的出海口做成平臺化。Pi 等體量龐大的加密生態也為這一模式增添了想象力，逐步形成有人寫、有人用、有人付費的正向飛輪。由教育渠道提供穩定的供給，由平臺分發帶來規模的需求，OM1 與上層應用由此具備可復制的擴張軌跡。

在 Web2 時代，機器人多被鎖在單一廠商的封閉棧里，功能與數據難以跨平臺流動；當教材標準與分發平臺接上之后，OpenMind 把開放變成默認設置：同一套系統進入校園、走向產業，再通過平臺網絡持續擴散，讓開放成為規?；涞氐哪J起點。