允中 發自 凹非寺
量子位 | 公眾號 QbitAI

2026年，世界模型成了AI圈最硬通的“社交貨幣”。

Yann LeCun離開Meta后創辦的AMI Labs，一舉拿下10.3億美元融資，投前估值為35億美元

李飛飛的World Labs持續押注空間智能，成為一級市場最搶手的標的之一；英偉達在GTC上拋出Physical AI，直言工業與機器人市場的潛在規模將達到50萬億美元

資本、人才、頂尖頭腦，都在往同一個方向匯聚——讓AI真正理解物理世界

紅杉AI峰會上，英偉達機器人負責人Jim Fan更是直接放話：行業的重心，正從VLA（視覺-語言-動作模型）轉向世界動作模型（World Action Models）。

這句話的沖擊力在于，把過去兩年具身智能行業最熱的技術路線，推到了一個新問題面前：機器人會看、會聽、會執行動作之后，下一步該是什么？

答案越來越清晰，它需要一個能理解物理世界、能預測行動后果、能持續修正經驗的、真正貼近人腦運作模式的機器人“大腦”

剛剛完成新一輪億元融資具腦磐石，從成立之初押注的正是這個方向。

具腦磐石由朱森華創立。他曾任華為云AI算法創新Lab主任，主導過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系統級項目。在業內，他被稱為“華為具身大腦一號位”

現在，他把創業方向押在了一個更具挑戰性的交叉點上：用認知神經科學，重做機器人的大腦模型。

具腦磐石給這套系統起了一個名字：認知世界模型，Cognitive World Model。

說得更直白一點，它想讓機器人擁有一顆會推演、會記憶、會自我更新的類腦認知中樞。

VLA觸頂，世界模型站上C位

過去兩年，VLA是具身智能行業里的主流敘事。

這一技術的邏輯很直接：將視覺、語言和動作統一進一個端到端模型，機器人能看懂環境、理解指令，并直接輸出行動。

這條路線已經在一些場景里已經驗證了價值。比如分揀、上下料、簡單裝配、倉儲搬運、零售后臺整理等任務，環境相對可控，動作鏈條相對明確，VLA能夠讓機器人從“能動”進一步走向“能按指令動”。

但隨著真實場景變復雜，VLA的能力邊界也開始顯現。

首先是數據

換一批物體、換一個光照、換一種桌面布局，模型往往要補充新的示范數據。機器人看起來在學習，很多時候仍然依賴人類提前喂給它的數據樣本。

其次是泛化

VLA更擅長從數據中學習統計相關性。它能知道“看到這個東西，大概率要做這個動作”，但面對物理因果、長期后果和開放環境變化，穩定性仍然不足。

再就是記憶

今天很多機器人完成一次任務后，很難像人一樣把經驗沉淀下來。下一次面對相似任務，仍然容易從頭開始。

這也是行業里那句老話的來處：有多少人工，才有多少智能。

世界模型的價值，正在這里顯現。

它試圖讓機器人在行動之前，先在內部完成一次“推演”：

如果我這樣抓，杯子會不會倒？如果我往前走，這條路是不是會被障礙物擋住？如果我先打開柜門，再拿東西，任務鏈條是否更穩？

人類每天都在做類似的事。

過馬路時，人并不會精確計算每輛車的速度、距離和軌跡，但只要掃一眼，就能判斷什么時候能過、什么時候該停。

這背后依靠的不是單一感知能力，也不是動作庫，而是一套關于世界如何運轉的心智模型。

具腦磐石要做的，就是把這套能力工程化，裝進機器人系統里。

五層地圖，把世界模型講明白

世界模型很熱，但麻煩也在這里：大家口中的“世界模型”，常常指向不同的技術層級。

有人說的是3D空間建模，有人說的是視頻生成，有人說的是仿真和強化學習，有人說的是JEPA，還有人說的是主動推理。

朱森華把當前世界模型的路線，自下而上拆成五層

第一層，是視覺真實

核心是從2D圖像走向3D空間理解。以李飛飛的World Labs為代表，解決的是“機器人怎么看世界”的基礎問題。

沒有這一層，后續的智能處理無從談起。

第二層，是物理真實

聚焦重力、摩擦、碰撞等物理規律的建模。以Sora等視頻生成模型為代表，模型試圖從海量視頻中學習物理直覺。

可問題在于，畫面逼真并不等于因果可靠。一個視頻可以非常像真實世界，但里面的物理邏輯未必穩定。

第三層，是交互真實

這一層更接近仿真、強化學習和機器人試錯。

它強調智能體通過“行動—反饋”積累經驗，DeepMind、英偉達等公司都在這一方向持續投入。

第四層，是抽象表征

這是Yann LeCun的JEPA架構的領地。它讓模型在隱空間里學習狀態如何變化，減少對像素級重建和token級預測的依賴。

舉個例子，模型無需逐幀預測一個杯子未來每個像素會變成什么樣，而是學習“杯子被推了一下，大概率會往哪個方向移動，是否會倒下”。

第五層：主動推理

這是具腦磐石最看重的一層。它來自認知神經科學，背后包括自由能最小化、預測編碼、貝葉斯大腦等理論，是目前最接近人類智能本質的理論框架。

翻譯成人話是：智能體會主動形成假設，預測結果，執行動作，再根據環境反饋修正自己的內部模型。

也就是，邊想邊做，邊做邊學。

在具腦磐石看來，前三層更多解決“看見世界、模擬世界、訓練世界”的問題；第四層開始進入抽象表征；第五層則真正觸及機器人認知能力的上限

也正因此，具腦磐石把自己定位為類腦智能驅動的具身智能2.0公司

這個判斷帶有明確的技術立場：機器人下一階段的競爭，不會只停留在動作生成和遙操作數據規模上，而會進入認知世界模型、主動推理、長期記憶和持續學習的整合競爭。

對標JEPA，但多走一步

具腦磐石的技術路線，與Yann LeCun推動的JEPA有著明顯關聯。

JEPA，全稱Joint Embedding Predictive Architecture，聯合嵌入預測架構

它的核心價值，是讓模型在抽象表征空間里學習世界狀態的變化。相比逐像素預測、逐token擬合，這種方法更接近人類對世界的理解方式，也更適合處理復雜環境中的泛化問題。

但對機器人來說，只有“表征—預測”還不夠。

機器人最終要進入真實物理世界。它需要感知環境、理解任務、預測后果、規劃動作、執行任務，還要從失敗和反饋中繼續學習。

因此，具腦磐石提出的認知世界模型，更像是一個面向具身落地的JEPA增強版

它要把JEPA的世界表征能力，推進到一條完整鏈路里：感知，認知，預測，規劃，行動，反饋，學習。

這也讓具腦磐石與“世界模擬器”路線拉開差異。

具腦磐石追求的重點，不是生成一個看起來足夠真實的視頻世界，而是為機器人提供一個可以參與真實任務閉環的認知計算推理引擎。

圍繞這套目標，具腦磐石把技術攻關拆成四個方向。

第一，類腦感知編解碼機制。這對應視覺、聽覺、力觸覺等多模態信息的融合，讓機器人更高效地理解真實環境。

第二，認知動態預測機制。這對應物體交互、空間變化、重力、碰撞等物理規律的理解，讓機器人具備推演行動后果的能力。

第三，終身學習記憶機制。這對應經驗沉淀和持續學習，讓機器人減少“學新忘舊”，逐步形成可遷移的任務經驗。

第四，低功耗稀疏計算架構。這對應未來機器人端側部署需求。真正進入家庭、工廠、門店的機器人，不能長期依賴高功耗云端推理。

這四個方向最終指向四個結果：低數據、高泛化、終身學習、低功耗。

這也是具身智能落地最難繞開的四道關：數據成本、跨場景適應、長期運行和算力約束。

具腦磐石的野心也在這里：它想把類腦智能從一個學術概念，推成可驗證、可部署、可商業化的具身智能大腦架構。

“華為具身大腦一號位”帶隊，團隊不止會做模型

融資落地后，具腦磐石也進入了一個更具體的階段。

具腦磐石，這家成立于2025年的類腦世界模型公司，近日完成了新一輪億元級融資，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。

同時，更新一輪融資也在同步交割中。多維資本擔任獨家財務顧問。

本輪融資后，具腦磐石將繼續投入核心技術研發、團隊擴充與全球市場拓展，重點推進Cognitive World Model的研發、工程化落地和真實場景驗證。

投資人愿意下注具腦磐石，除了世界模型這個方向足夠熱，也因為這支團隊的配置相對少見。

有投資人將其評價為“國內唯一兼具AI×腦科學交叉深度與產業落地廣度的組合”。

創始人朱森華是賓夕法尼亞大學認知神經科學博士、中科院博士后，長期從事AI與腦認知交叉研究。

進入華為后，他曾任華為云AI算法創新Lab主任，主導過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，也曾擔任華為“天才少年”面試官。

在業內，他也因此被稱為“華為具身大腦一號位”。

聯合創始人劉晉宇則補上了產品化和全球商業化能力。

他長期深耕AI機器人產品落地與全球化拓展，曾參與多個產品線從0到1孵化和規模化落地，在工業與商用場景中積累了豐富的產品定義、市場拓展和客戶交付經驗。

再往下看，具腦磐石核心團隊覆蓋清華、北大、復旦、中科院等頂尖院所，也有華為、聯想、曠視、極智嘉等一線企業背景，形成了從前沿技術研究、軟硬件研發、工程化到商業化落地的全鏈路配置。

這對一家做“具身大腦”的公司來說很關鍵。

因為認知世界模型最終要落到機器人系統里，既要處理模型架構和主動推理，也要面對本體差異、傳感器接入、動作執行、現場部署和客戶交付。

具腦磐石的團隊結構，恰好覆蓋了從理論到工程、從算法到商業化的關鍵環節。

在商業化上，具腦磐石選擇了一條相對務實的路線。

公司不會等待通用機器人大腦完全成熟，再去談落地。

而是優先沉淀具身技能學習、認知地圖移動導航、一腦多機協同等可復用模塊，在真實場景中形成數據與現金流閉環，再反哺核心研發。

場景選擇上，具腦磐石也有明確標準：客戶真實付費、方案具備跨場景復制性、技術挑戰能夠倒逼核心模型迭代。

目前，該公司已在國內外同步推進多個行業客戶PoC，并簽約多家海內外行業戰略合作伙伴。

產品路徑上，具腦磐石提出了“一腦多機、一腦多形”。

短期看，是用類腦智能驅動的Agent框架支持多機協作；中期看，是探索單一認知世界模型適配不同機器人本體；長期看，則是向行業開放通用具身大腦模型。

對具腦磐石來說，此輪融資之后最重要的答卷，就是讓認知世界模型在真實機器人任務中跑起來。