作者｜黃楠

編輯｜袁斯來

硬氪獲悉，具身智能大腦公司「具腦磐石」完成新一輪億元級融資，本輪融資由具備深厚類腦與具身產業背景的頂尖產業資本領投，老股東及多家頂尖基金復投和跟投，多維資本擔任獨家財務顧問。同時，更新一輪融資也在同步交割中。

資金將重點投入核心技術研發、人才團隊擴容及全球化市場拓展，以加速認知世界模型（Cognitive World Model）的研發、工程化落地與真實場景驗證。

類腦智能世界模型（圖源/企業）

具腦磐石成立于2025年，以類腦智能為底層范式，構建面向真實物理世界的認知世界模型（Cognitive World Model）。公司由“華為具身大腦一號位”朱森華創立并擔任CEO，他長期專注AI與腦認知交叉研究，曾在中山大學從事計算機與AI研究，博士畢業于賓夕法尼亞大學認知神經科學專業，并于中科院腦與認知科學國家重點實驗室完成博士后研究。

進入華為后，朱森華擔任過華為云AI算法創新Lab主任，主導并負責AI腦科學云平臺、盤古具身大模型、全球具身智能產業創新中心等項目；他推動了世界模型與類腦智能融合路線的系統性驗證，是華為具身智能大腦的開創者，兼具腦認知科學研究、類腦AI路線創新驗證與具身智能產業落地的復合能力。

朱森華出席中國人形機器人技術應用峰會（圖源/企業）

聯合創始人劉晉宇長期聚焦AI機器人技術產品化與產品商業化，曾從0到1孵化多個產品事業部并實現全球規模商業落地；多位技術、供應鏈、運營合伙人來自清華、北大、復旦、中科院等科研院所，并曾在華為、聯想、曠視、極智嘉等公司參與AI算法、機器人系統、供應鏈及全球商業化落地。原生團隊已覆蓋前沿研究、模型研發到系統工程落地的完整閉環。

過去一年，具身智能賽道的風口迅速迭代，行業熱詞從“VLA”悄然換成了“世界模型”。

李飛飛押注空間智能，Yann LeCun創立AMI Labs探索因果推理，英偉達、Google DeepMind等科技巨頭加速布局物理仿真與真實交互技術。但熱度背后，一個基礎問題并未被厘清：世界模型究竟是什么？它是全新的學術理念、下一代AI的核心技術路線，還是仍在被市場反復驗證的階段性概念？不同團隊給出的定義和路徑各不相同。

具腦磐石創始人朱森華認為，要得到答案，需先回到問題的本源。“想真正讀懂世界模型，要厘清它的技術本源與核心訴求，清楚它從何而來、要解決產業的什么根本問題。”朱森華向硬氪指出，“世界模型的底層邏輯根植于腦與認知科學的‘心智模型（Mental Model）’，是當前腦科學與與AI的前沿交叉體系，缺乏這套認知體系，大多討論就容易停留在技術名詞的排列組合。今天是VLA疊加世界模型，明天是世界模型拼接VLA，看似迭代飛快，實則沒有觸達技術本質。”

這一判斷，直接影響了具腦磐石對技術路徑的選擇。在具腦磐石團隊看來，具身智能正在從“動作智能”走向“認知智能”。下一階段的核心，不只是讓機器人看懂任務、完成動作，而是讓機器人具備類人的小樣本抽象概念學習、多維環境感知、長期記憶和主動推理能力，并在真實世界中跨場景穩定行動。

然而，當前具身智能落地仍面臨多重瓶頸：高質量真實數據難以規模化獲取，模型跨場景泛化能力不足，每進入新環境往往需要重新訓練，機器人也缺少長期記憶與持續學習能力。數據不能無限采集，算力也不是無限資源。

反觀人類大腦，它無需海量示教數據，也無需高能耗高算力，卻能在復雜多變的環境中持續完成學習、感知、記憶、預測、規劃與行動。這正是具腦磐石選擇類腦智能作為底層路徑的原因，即不是從結構上簡單模擬大腦，而是提取大腦智能化的功能神經機制等核心能力，將其轉化為可計算的算法與架構，最終構建下一代具身智能大腦。

具腦磐石從創立之初便提出了類腦智能驅動的認知世界模型，與Yann LeCun所提出的JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）路線同向，基于共同的主動推理認知科學理論底座，聚焦推理、規劃與真實世界建模。JEPA的價值在于令AI不再只生成“看起來像”的結果，而是在抽象表征空間中學習狀態如何演化、推理未來趨勢，繼而更接近人類大腦認知真實世界的底層規律。

但對于需要進入真實環境中執行任務的機器人而言，僅具備“表征—預測”能力并不足以構成完整的智能閉環。

智能閉環（圖源/企業）

一個直觀案例是，人過馬路時，無需精準測量前后左右車輛的速度、距離、紅綠燈時間，只是簡單掃一眼周邊現狀，就能以合適的速度和節奏安全通過。這就是心智模型中的主動推理。朱森華表示，具腦磐石要做的認知世界模型，正是要把這套能力工程化，讓機器人不僅預測世界如何變化，還能憑借對環境的認知自主設定目標、規劃行動、執行操作，并從環境反饋中持續學習以修正自身行為。

這意味著，一個可用于具身系統的世界模型，必須涵蓋從狀態預測到決策執行的全鏈路能力。

具體到實現路徑上，公司正在將腦科學中對多艙室神經元、非線性注意力、多階段記憶、稀疏計算與主動推理等機制，轉化為可落地應用的算法模型與工程化系統架構。這一路徑最終指向四個核心技術目標：低數據、高泛化、終身學習、低功耗，共同突破具身智能在數據成本、跨場景適應、持續運行與算力限制等方面的現實約束。

目前，具腦磐石已在具身感知交互、規劃、移動導航、操作及群體具身等方向完成多項系統級技術驗證，并在國內及海外市場同步推進多個行業客戶真實場景PoC，將認知世界模型從算法框架推進到真實機器人系統。

這一從算法到系統的推進方式，也構成了具腦磐石對具身智能2.0的理解：不是讓機器人在演示中完成更多動作，而是讓機器人真正具備接近人類大腦的認知能力——從少量經驗中學習抽象規律，在復雜環境中持續感知和記憶，并在跨任務與泛場景中實現主動推理、穩定決策、持續行動。

以下為硬氪與具腦磐石創始人朱森華的訪談節選（略經編輯）：

硬氪：目前市場上關于世界模型的討論很多，我們如何理解這個概念？

朱森華：在我們看來，世界模型其實有五個層級，從下往上依次是，第一層的視覺真實；以李飛飛老師主導的空間智能為代表，解決從2D到3D的環境真實問題。第二層是物理真實；類似Sora通過堆數據理解物理規律，但這種方式是否真正可靠，還有爭議。第三層屬于交互真實；是以Google DeepMind、英偉達為代表，解決智能體在環境中的觸碰、反饋等交互過程如何學習。

第四層是抽象學習；以Yann LeCun團隊提出的JEPA為代表，不再逐像素學習，而是在表征層面進行抽象學習，解決泛化性問題。

第五層才進入到主動推理，即源于認知神經科學的主動推斷理論，追求低數據、高泛化、可終身學習、低功耗；其中，人類大腦已經證明了這套路徑可行。

具腦磐石技術視野里的“World Model”技術層級體系（圖源/企業）

這五個層級不是并行或相互獨立的流派，而是一個從基礎設施到智能能力演化的體系。前三層解決的是“如何更便宜、更可靠地獲得數據和訓練環境”的問題，后兩層解決的是“如何高效學習和推理”的算法架構問題。它們可以分頭探索，也可以相互支撐——基礎設施完善了，上層工作會更高效；但即便基礎設施不成熟，也不影響上層算法的驗證。

硬氪：類腦智能路線的核心瓶頸是什么？是算力還是理論未破譯？

朱森華： 都不是。實際上，今天AI領域里習以為常的很多核心概念，包括神經元、神經網絡、注意力機制和世界模型等，都源自腦科學。腦科學每成熟一步，AI就能往前推一步。但我們也看到，在腦科學遠未完全破譯人類大腦之前，AI已經走到了今天的高度。所以瓶頸不在于“理論還沒成熟，所以做不了”，也不在于算力不夠。

真正的瓶頸在于人才和體系，缺少同時具備腦科學與AI交叉背景的復合人才，也缺少一套系統性的理論體系來指導大家朝著確定性的方向用力。現在的狀態是“有多少人工才有多少智能”，大家在一個默認的框架里，依賴海量數據、海量算力，不停地試錯，從一個實驗室到另一個實驗室，哪條路跑通了就疊加上去繼續跑，但成本太高、效率太低。

所以我們真正需要的，是在一套相對清晰的理論體系指引下，朝著戰略方向大致正確的路徑，集中資源、分頭探索、相互借鑒。這也是具腦磐石選擇類腦智能的底層邏輯，不是等理論完全成熟再動手，而是用已有的認知神經科學成果，去指導算法架構和工程實現，讓技術走得更穩、更快。

硬氪：具腦磐石提出了“一腦多機、一腦多形”的應用路線，如何理解和落地？

朱森華：首先要承認，今天沒有哪家公司能用同一個模型適配所有形態的本體。跨構型本體的模型無法直接通用，這是階段性的現實。

我們的策略分三層：當前用類腦智能的Agent框架驅動多機協作；技術層面持續探索單一認知世界模型適配多種本體；硬件生態上與樂聚、星塵智能、智動力等多家本體廠商深度合作。長期目標是向具身行業生態伙伴開放我們的通用具身大腦模型和面向場景應用的生產力工具。

之所以這樣設計，是因為當前世界模型的泛化能力還遠沒到“一個模型驅動所有”的水平。多機協作本質是工程問題，產線上多個機器人同時工作，形態、技能各不相同。用一個中央Agent大腦去調度、分解任務、協調動作，是當下最高效、最可行的方案。值得強調的是，具腦磐石也在用類腦智能的機制在改進Agent的感知、記憶、規劃、反饋糾錯等能力模塊，它是一套可擴展的工程系統，是世界模型成熟前的工程化橋梁，也是未來能力完備后的自然延伸。