除了 AI Agent 以外，具身机器人是另一大 AI 时代的垂直落地场景。Morgan Stanley 曾在一份报告中预测，2050 年全球人形机器人整体市场规模有望突破 5 万亿美元。

伴随着 AI 的发展，机器人将逐渐从工厂里的机械臂逐步进化为我们日常生活中的同伴，依靠 AI 而获得感知和理解力，以至于获得独立决策的能力。问题是，今天的机器人更像是一群不会互相说话的「哑巴」：每家厂商用自己的语言、自己的逻辑，软件互不兼容，智能彼此无法共享。这就像你买了一辆小米、一辆特斯拉，但它们连路况都无法一起判断，更别提协同完成任务了。

OpenMind 想要改变的，正是这个「各自为战」的局面。他们不造机器人，而是要搭建一个「让机器人说同一种语言、遵守同一套规则、一起完成事情」的协作系统。打个比方，iOS 和安卓让手机智能应用爆发，以太坊让加密世界有了共同底座，而 OpenMind 想做的，是为全球机器人打造一个统一的「操作系统」和「协作网络」。

一句话，OpenMind 正在构建机器人的通用操作系统，让机器人不仅可以感知和行动，还可以通过去中心化协同，在任意环境下安全且规模化的合作。

谁在托举这套开放底座

OpenMind 已完成 2000 万美元的种子轮与 A 轮，由 Pantera Capital 领投。更重要的是，资本的「广度与互补」几乎把这条赛道的关键拼图都带齐了：一端是来自西方科技与金融生态的长期力量——Ribbit、Coinbase Ventures、DCG、Lightspeed Faction、Anagram、Pi Network Ventures、Topology、Primitive Ventures——他们熟悉加密与 AI 基础设施的范式迁移，能够为「智能体经济 + 机器互联网」提供模型、网络与合规的经验；另一端是东方的产业动能——以红杉中国为代表的供应链与制造体系——深知「把一台样机做成可规模交付的产品」意味着哪些工艺与成本门槛。两股力量的叠加，让 OpenMind 不只拿到钱，更拿到「从实验室到产线、从软件到底层制造」的路径与资源。

这条路径也正在和传统资本市场接轨。2025 年 6 月，KraneShares 推出全球人形与具身智能指数 ETF（KOID）时，选用了由 OpenMind 与 RoboStore 联合定制的人形机器人 Iris 在纳斯达克敲响开市钟，成为交易所历史上首位完成这一仪式的「机器人来宾」。这既是一次技术与金融叙事的同频，也是一种关于「机器资产如何被定价与结算」的公开信号。

正如 Pantera Capital 合伙人 Nihal Maunder 所说：

「如果我们希望智能机器在开放环境中运行，就需要一个开放的智能网络。OpenMind 正在为机器人做的事，就像 Linux 之于软件、以太坊之于区块链。」

从实验室到产线的团队

OpenMind 的创始人 Jan Liphardt 为斯坦福大学副教授、前伯克利教授，长期研究数据与分布式系统，在学界与工程侧均有深耕。他主张推进开源复用、以可审计、可追溯的机制替代黑箱、用跨学科方法整合 AI、机器人和密码学。

OpenMind 的核心团队来自 OKX Ventures、Oxford Robotics Institute、Palantir、Databricks、Perplexity 等机构，覆盖机器人控制、感知与导航、多模态与 LLM 调度、分布式系统与链上协议等关键环节。同时，一支由学术界与产业界专家组成的顾问团队（如 Stanford 机器人负责人 Steve Cousins、牛津区块链中心 Bill Roscoe、Imperial College 安全 AI 教授 Alessio Lomuscio）也为机器人的「安全、合规、可靠」提供保障。

OpenMind 的解法：两层架构，一套秩序

OpenMind 构建了一套可复用的基础设施，让机器人能跨设备、跨厂商、甚至跨国界协作与信息互通：

设备侧：提供面向实体机器人的 AI 原生操作系统 OM1，把从感知到执行的全链路连成闭环，让不同形态的机器都能理解环境并完成任务；

网络侧：构建去中心化协作网络 FABRIC，提供身份、任务分配与通信机制，确保机器人在协作时能识别彼此、分配任务、共享状态。

这一套「操作系统+网络层」的组合，让机器人们不仅能各自行动，更能在一个统一的协作网络中互相配合、对齐流程、一起完成某个复杂任务。

OM1：面向实体世界的 AI 原生操作系统

就像手机需要 iOS 或 Android 来运行应用，机器人同样需要一个操作系统来运行 AI 模型、处理传感器数据、做出推理决策并执行动作。

OM1 便为此而生，它是一个面向现实世界机器人的 AI 原生操作系统，让它们能够感知、理解、规划并在各种环境中完成任务。与传统、封闭的机器人控制系统不同，OM1 是开源、模块化、硬件无关（hardware-agnostic）的，它可以运行人形、四足、轮式、机械臂等多种形态上。

四个核心环节：从感知到执行

OM1 把机器人智能拆解为四个通用步骤：Perception（感知）→ Memory（记忆）→ Planning（规划）→ Action（执行）。这套流程被 OM1 完整模块化，并通过统一的数据语言打通，实现可组合、可替换、可验证的智能能力构建。

OM1 的架构

具体到架构，OM1 的七层链路如下：

Sensor Layer（传感器层）收集信息：摄像头、LIDAR、麦克风、电池状态、GPS 等多模态进行感知输入。

AI + World Captioning Layer（世界理解层）翻译信息：多模态模型将视觉、语音、状态转为自然语言描述（如「你看到一个人在挥手」）。

Natural Language Data Bus（自然语言总线）传递信息：所有感知被转成带时间戳的语言片段，在不同模块间传递。

Data Fuser（情境融合层）组合信息：整合多源输入，生成用于决策的完整语境（prompt）。

Multi-AI Planning/Decision Layer（多智能体规划层）生成决策：多个 LLM 读取语境，结合链上规则生成行动计划。

NLDB 下行通道：将决策结果通过语言中间层传递给硬件执行系统。

Hardware Abstraction Layer（硬件抽象层）做出行动：将语言指令转为底层控制命令，驱动硬件执行（移动、语音播报、交易等）。

快速上手，广泛落地

为把「一个想法」尽快变成「机器人可执行的任务」，OM1 把开发路径做成了开箱即用的一条龙：开发者用自然语言结合大模型定义目标与约束，数小时内即可生成可复用的技能包，而不必经历数月的硬编码；多模态管线原生打通 LiDAR、视觉与音频，省去手写复杂的传感器融合；模型侧预接好 GPT-4o、DeepSeek 与主流 VLM，语音输入输出直接可用；系统层全面兼容 ROS2 与 Cyclone DDS，并通过 HAL 适配层无缝接入 Unitree G1、Go2、Turtlebot 与各类机械臂；同时与 FABRIC 的身份、任务编排与链上结算接口原生联动，使机器人既能单机执行，也能加入全球协作网络、按量计费与审计。

在真实世界里，OM1 已经完成多场景验证：四足平台 Frenchie（Unitree Go2）在 2024 年 USS Hornet 国防技术展示中跑通复杂场地任务，人形平台 Iris（Unitree G1）在 2025 年 EthDenver 的 Coinbase 展台完成现场人机交互，并通过 RoboStore 的教育项目走入全美高校课程，把同一套开发范式扩展到教学与科研的一线。

FABRIC：去中心化的人机协作网络

即便单机智能足够强，如果彼此无法在可信前提下协同，机器人仍旧只能各自为战。现实里的割裂来自三个根本问题：身份与位置无法被标准化证明，导致「我是谁、我在哪、我正在做什么」难以被外部信任；技能与数据缺少可控的授权路径，无法在多主体之间安全共享与调用；控制权与责任边界不清，频率、范围和回传条件难以被事先约定、事后追溯。FABRIC 针对这些痛点给出系统级解法：用去中心化协议为机器人与操作员建立可验证的链上身份，围绕该身份提供任务发布与匹配、端到端加密通信、执行记录与自动结算的一体化基础设施，让协作从「临时对接」变成「有凭有据的制度」。

在运行形态上，可以把 FABRIC 理解为把「定位、连接、调度」合在一起的网络平面：身份与位置被持续签名与校验，使节点天然拥有「彼此可见且可信」的邻近关系；点到点通道像一条按需建立的加密隧道，无需公网 IP 和复杂网络设置就能远程操控与监控；任务从发布到接单、执行到验收的全过程被标准化记录，既能在清算时自动分润与退押，也能在合规或保险场景下复核「谁在何时何地完成了什么」。在此之上，典型应用自然生长出来：企业可以跨地域远程运维设备，城市可以把清洁、巡检、配送做成可按量调用的 Robot-as-a-Service，车队可以实时汇报路况与障碍生成共享地图，需要时还可就近调度机器人完成 3D 扫描、建筑测绘或保险取证。

随着身份、任务与结算三件事被同一网络托管，协作的边界被事先写清，执行的事实被事后验证，技能的调用有了可度量的成本与收益。长期看，FABRIC 将演进为机器智能的「应用分发层」：技能以可编程的授权条款在全球范围内流通，调用产生的数据又反哺模型与策略，使整张协作网络在可信约束下持续自我升级。

Web3 正在把「开放」写进机器社会

机器人行业正快速集中于少数平台，硬件、算法与网络被封闭栈锁住。去中心化的价值，在于让任何品牌、任意地域的机器人在同一开放网络中协作、交换技能并完成结算，而不必依附单一平台。OpenMind 用链上基础设施把这一秩序编码化：每台机器人与操作员拥有唯一链上身份（ERC-7777），硬件指纹与权限可查；任务在公共规则下发布、竞价与匹配，执行过程生成带时间与位置的加密证明上链存证；任务完成后合约自动结算分润、保险与押金，结果可实时核验；新技能通过合约设定调用次数与适配设备，在保护知识产权的同时实现全球流通。由此，机器人经济自诞生起就具备抗垄断、可组合、可审计的基因，「开放」被写进机器社会的底层协议。

让具身智能走出孤岛

机器人正从展台走向日常：医院里巡视病房，校园里学习新技能，城市里完成巡检与建模。真正的难点不在更强的马达，而在让不同来源的机器彼此可信、信息互通、协同办事；要规模化，技术之外更关键的是分发与供给。

OpenMind 的落地路径因此从渠道入手而不是堆叠参数。与 RoboStore（宇树在美国最大的经销商之一）联手，把 OM1 做成标准化教材与实验套件，在全美几千所高校同步推进软硬件的一体化供给。教育体系算得上是最稳的需求侧，这条链路直接把 OM1 植入未来几年的开发者与应用增量。

面向更广的社会分发，OpenMind 依托投资人生态把「软件的出海口」做成平台化。Pi 等体量庞大的加密生态也为这一模式增添了想象力，逐步形成「有人写、有人用、有人付费」的正向飞轮。由教育渠道提供稳定的供给，由平台分发带来规模的需求，OM1 与上层应用由此具备可复制的扩张轨迹。

在 Web2 时代，机器人多被锁在单一厂商的封闭栈里，功能与数据难以跨平台流动；当教材标准与分发平台接上之后，OpenMind 把开放变成默认设置：同一套系统进入校园、走向产业，再通过平台网络持续扩散，让开放成为规模化落地的默认起点。

声明：

1. 本文转载自 [BlockBeats]，著作权归属原作者 [BlockBeats]，如对转载有异议，请联系 Gate Learn 团队，团队会根据相关流程尽速处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. 文章其他语言版本 由Gate Learn 团队翻译， 在未提及 Gate 的情况下不得复制、传播或抄袭经翻译文章。