投资界（ID：pedaily2012）5月15日消息，专注于打造全球首创物理世界模型的LiberAI已连续完成种子轮、天使轮、天使+轮融资，融资金额数亿元，由真格基金、红杉中国、美团龙珠、顺为资本等一众头部基金联合押注。多维资本担任多轮独家财务顾问。
LiberAI的CEO是清华大学00后特奖获得者刘松铭，他将带领LiberAI团队从模型、数据、硬件搭建全栈系统，以物理智能为纵轴，目标推出 Scaling 曲线最陡峭的世界模型。
CEO刘松铭，身上的标签每一个都足够亮眼：清华特等奖学金得主（每年仅10人）、清华计算机系年级第一、师从视频生成模型顶流朱军教授、RDT系列一作、多篇国际顶会ICML、NIPS等一作。
创始人/CEO 刘松铭
在2024年，刘松铭由 AI for Physics 领域转向具身智能，主导RDT系列，发布全球首个使用大规模预训练+扩散Transformer范式的基座模型RDT-1B，领先硅谷公司的PI-0模型一个月。次年，他先于Generalist的GEN-0模型，提前一个月发布首个使用大规模UMI无本体人类数据预训练范式的具身模型RDT-2。在2025年年底，刘松铭投身创业，迅速完成核心团队搭建，带领 LiberAI 于4个月后发布全球首个高自由度灵巧操作具身基础模型。
作为一个拥有 AI for Physics + 具身复合型技术能力的创业者，刘松铭对自然科学及AI领域有长期思考。既往化学竞赛金牌的经历、以及自大三起在 AI for Physics 领域的科研探索，让他提前看到物理智能的重要性。目前，他带领团队提出LiberAI的世界模型路线，以Scaling斜率为指引，率先引入了模态对齐（让海量视频数据反哺稀缺的物理数据）与归纳偏置（把物理规律作为人类先验注入模型）这两个核心创新点。
为使得数采范式、本体设计及模型训练几个要素深度耦合，LiberAI团队从创业前期就有所准备。LiberAI的联合创始人林凡淇师从清华大学高阳老师，一作论文《Data Scaling Laws》曾提出模型的泛化性随着数据的多样性增加而显著提升这一规律，斩获ICLR Oral、CoRL X-Embodiment Workshop Best Paper等顶级荣誉，这些经验有助于LiberAI不断提高Scaling曲线斜率，降低高质量数据采集的边际成本。
除扎实的模型构建及训练能力外，LiberAI的重要特点是软硬协同，硬件团队的基因与崇尚Simple、实事求是的组织文化是进入Scaling飞轮的重要基础——即协同定义模型与数采硬件范式，去Scale Up真正有价值的数据，一切为智能涌现服务。
在刘松铭看来，LiberAI 所做的并不仅仅是模型本身，而更接近于一种产品定义——像苹果一样，去定义世界模型的数采范式、本体及系统。
在LiberAI看来，当前具身模型泛化性不足的重要原因是缺少因果建模关系——因是力，果是运动状态。因此，模型无法理解物理世界中的大小、位置和力，不符合人类与物理世界交互的第一性原理，缺少力的信息则势无法理解运动规律，无法理解运动规律则无法对世界施加精准的“反作用力”，无法和人一样丝滑地操作工具完成长程任务。
沿此思路，LiberAI在模型架构做出如下创新设计：
其一，强调模态对齐，构建因果关联——LiberAI将物理模态与视频模态在因果层面对齐，其中视频承载物体的运动状态（即“果”），物理数据则承载力与接触等核心信息（即“因”），二者之间天然存在的因果关系。模态对齐蕴含着巨大的价值：借助视频模态的强泛化性，显著提升物理模态的泛化能力，让少量物理数据撬动大规模视频数据，大幅降低数据成本、提升scaling速度。
第二，引入物理规律作为归纳偏置，加速模型收敛——物理规律的引入，相当于给模型注入了人类的先验认知，帮模型圈定了正确的搜索范围，能够大幅加速模型的收敛速度。
“整体来看，我们认为世界模型领域需要系统级的设计。对齐物理模态对模型架构很重要，但也要从整合模型、硬件、数采这些角度，一起设计数据、感知与编码器——好像是在搭建机器人领域的 encoder、tokenizer，并且确立一个清晰的评价标准。行业需要一家兼具模型和数采定义能力的玩家快速跑通，真正Scale Up起来——选择走在一条正确的技术路线上，这是LiberAI这一阶段的目标。”创始人刘松铭表示。
在LiberAI看来，数据范式最关键的指标是scaling的边际成本，以及边际成本会随着scaling多快地下降。具体而言，数据scaling的曲线会分为两条，第一条是冷启动曲线，第二条是数据飞轮驱动的量产曲线。
在冷启动scaling曲线上，LiberAI选择押注基于人手的交互数据（搭配第一视角视频），这种方式最大的优势的是“无感、轻量、高效”——采集过程不干扰人类正常操作，几乎可以采集人类可以完成的所有任务，且数釆管理与培训成本趋近于零，边际成本极低，是最适合真实场景真实工作流规模化的数据采集方式。从模型训练的价值贡献看，采集大规模人类物理数据是LiberAI提出“模态对齐”的重要前提。
LiberAI认为，质量上乘、更Scalable的数据集，及相应数采硬件将构成具身领域的模型“Infra”。在智能达成初步涌现后，智能与本体量产能力兼具的玩家将率先走上第二条scaling曲线——数据飞轮。为此，LiberAI已在组织架构上做好准备，从成立之初即掌握软硬协同定义的主动权。
在创始人刘松铭看来：“我们是一家世界模型基模公司。但世界模型不仅有模型训练，而是要提前搭建好一整套系统。系统内每一环均为最快scaling而生，且环环相扣。我们有成建制的硬件联创团队、数据和硬件工程团队。目前阶段，模型的scaling是所有人共同的目标。当然，系统思维不等于全栈自研，我们的核心是产品定义——像苹果一样，定义世界模型时代的数据采集方式、机器人本体形态，以及最重要的Evaluation Metrics（评价标准）”
于2026年4月，LiberAI在成立的第4个月发布了首个技术Demo，是全球首个高自由度灵巧操作的具身基础模型，搭载五指灵巧手实现双手剥香蕉、双手拧瓶盖、持锅颠勺等精细操作长程任务。
刘松铭认为，虽然具身领域的GPT时刻还未出现，但行业玩家们共同的努力将让前路越走越清晰。他对“物理智能”的理解是：“我提出一个判断标准：无论是规划（planning）、记忆（memory）还是其他能力，本质都指向纠错能力。模型的纠错水平，直接决定了它距离物理世界的 GPT-3 有多近。真正的智能是：知道自己犯错、能够恢复、明确自身状态、预判世界变化。”
