它試圖回答另一個問題，有沒有可能通過算法范式創新，從而繞開數據、乃至算力和能源的限制？

作者｜Li Yuan

編輯｜鄭玄

5 月 25 日，極客公園獲悉，具身智能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。

具腦磐石成立于 2025 年，是具身智能賽道里一家很新的公司。但從一開始，它選擇的就不是去年最熱鬧的 VLA 路線，也不只是把「世界模型」作為一個新概念貼到機器人身上。

這家公司從成立之初，就把技術主線放在了認知層的方向：以類腦智能為底層范式，以 JEPA 同向的抽象表征學習為關鍵路徑，構建面向真實物理世界的認知世界模型（Cognitive World Model）。

這個選擇，讓具腦磐石在今天顯得更有參照意義。

2026 年，Yann LeCun 離開 Meta 后創立 AMI Labs，將 JEPA、世界模型、推理與規劃重新推到下一代 AI 范式討論的中心。在尚未推出公開模型前，AMI Labs 的估值已達到 35 億美元。某種意義上，LeCun 的再次創業，讓一條此前偏前沿、偏少數派的技術路線，被更大范圍的產業和資本市場看見。

而在 AMI Labs 之前，具腦磐石已經把這條當時很多人還看不懂的路線，設定為公司的主線。

具腦磐石創始人朱森華博士曾任華為云 AI 算法創新 Lab 主任，在華為期間，他曾主導或參與 AI 腦科學云平臺、盤古具身大模型、深圳全球具身智能產業創新中心等項目，也參與過華為頂尖 AI 人才選拔，擔任過「天才少年」面試官。朱森華帶領團隊自 2020 年起，就在類腦 AI、世界模型上進行了技術探索和應用驗證。

過去兩年，具身智能行業的大部分討論都圍繞一個問題展開：機器人數據還不夠多。具身智能希望復刻大語言模型的經驗，通過堆砌大量的真機數據、仿真數據和異構數據，訓練出能夠泛化到更多任務的機器人模型。

但朱森華想追問的是，數據當然重要，如果算法范式本身沒有變化，只是繼續擴大數據和算力，機器人真的能獲得接近人類的智能能力嗎？

在他看來，今天以大模型和 VLA 為代表的具身智能路線，真正卡住的不是單點能力，而是四個結構性問題：需要大量數據才能學習，換一個場景就容易失效，訓練完成后難以持續更新，還要依賴很高的計算和能源成本。

在接受極客公園采訪時，朱森華的觀點很直接：今天具身智能的問題，很多人并不是不知道，而是知道之后沒有辦法真正「立」出一套新東西。因為一旦把舊范式的問題講透，就必須回答下一條路是什么。

具腦磐石想回答的，正是這個問題。

在公司看來，機器人需要的不只是更大的動作模型，而是一個能在物理世界中形成抽象表征、長期記憶、主動推理和持續學習能力的「大腦」。

人腦并不依賴巨大的算力和海量數據，才能在復雜環境中行動。比如人過馬路時，并不會精確計算每輛車的速度、每個行人的軌跡和紅綠燈的秒數，但仍然可以基于對環境的粗粒度理解，對未來狀態進行推理和預判：什么時候觀察、什么時候等待、什么時候通過。只有仿人腦認知的路線，可以實現低數據、高泛化、終身學習和低功耗。

具腦磐石這輪融資的看點，在于一條更少數派的具身智能路線正在被資本押注：當行業還在爭論怎樣獲得足夠多的數據時，它試圖回答另一個問題，有沒有可能通過算法范式創新，從而繞開數據、乃至算力和能源的限制？

01

以JEPA架構為核心的模型結構

要理解具腦磐石的技術路線，需要先把「世界模型」這個詞拆開。

過去半年，世界模型幾乎成了具身智能里最熱的概念之一。但它其實不是一條單一技術路線，而是一個很寬的技術體系集合。朱森華在采訪中中把它拆成了自下而上的幾個層級：空間智能解決「視覺真實」，視頻生成試圖解決「物理真實」，學習型仿真解決「交互真實」，再往上，才是以 JEPA 為代表的「抽象學習」。

也就是說，很多人今天談到世界模型，想到的是一個更逼真的模擬器：能不能生成足夠真實的環境，能不能預測下一幀畫面，能不能在虛擬世界里復現物理規律。

但在具腦磐石看來，這些還沒有真正進入機器人「認知世界」的那一層。它押注的是 JEPA。

JEPA，全稱 Joint Embedding Predictive Architecture，聯合嵌入預測架構。和很多生成式世界模型不同，JEPA 的核心不是生成下一幀畫面，而是在隱空間里預測狀態變化。它不要求模型逐像素復原世界，而是讓模型學習世界背后的結構和關系。

舉一個粗略的例子，同樣是學習開車，一類世界模型可能更像是在生成「車開過去之后，下一幀畫面是什么」：路面、車道線、前車位置、光影變化都要盡可能逼真。但 JEPA 更關心的是另一件事：當前道路狀態、前車運動、駕駛動作之間的抽象關系是什么；踩剎車、打方向、加速之后，世界狀態會怎樣變化。

這些狀態不需要以像素的方式被復原，而是可以被壓縮到一個更高層的表征里。

這也是為什么 JEPA 會被認為更接近人腦的認知方式。人腦并不是靠逐像素復原世界來理解世界和推理規劃。人過馬路、開車、拿起一個杯子，依賴的都不是對所有視覺細節的窮舉，而是一個更壓縮、更抽象的心智模型：哪些信息重要，哪些變化會帶來風險，下一步動作可能導致什么結果。

JEPA 解決的了抽象表征和泛化問題。具腦磐石想做的，是把這套抽象表征學習能力放進具身智能系統里。

它提出的 Cognitive World Model，即認知世界模型，是希望在 JEPA 的表征預測能力上，繼續引入腦科學里的注意力機制、動態記憶機制、預測編碼和稀疏計算機制，最終讓機器人具備四個能力：低數據、高泛化、終身學習、低功耗。

朱森華解釋這件事時，會反復回到人腦的機制。

比如，人睜開眼睛時，視網膜每時每刻都在接收環境數據。如果把它簡單理解成攝像頭，人腦面對的是連續不斷的高維輸入。但人腦并不會把所有像素以同等權重處理一遍。它有非常高效的前置注意力機制，會先篩選哪些信息重要，再進入后續理解和決策。

這對應到具腦磐石的算法方向，就是類腦感知編解碼：先在輸入側降低無效數據量，而不是把所有數據都喂進大模型之后再尋找特征。

多模態也是類似邏輯。今天很多 VLA 工作，是把視覺、語言、動作等模態向大語言模型對齊。但人類并不需要先學會語言，才能把聽覺、視覺、觸覺和動作經驗統合起來。一個小孩還不會完整說話時，也能完成大量感知、模仿和行動學習。朱森華認為，這背后有認知神經科學可以解釋的多模態融合機制，也可以被轉化成算法。

終身學習則對應大腦的突觸可塑性。人學會騎車之后，再學開車，并不會因此忘掉騎車。人的記憶也不是所有信息都永久存儲，而是有刷新、更新、臨時記憶和長期記憶之間的機制。朱森華認為，這些腦科學機制不需要被還原論式地完整復刻，但可以像飛機學習鳥類飛行一樣，抽象出背后的「空氣動力學」。

在這樣的架構下，機器人仍然需要數據，也仍然要解決工業、康養、零售、家庭里的真實任務。

但朱森華認為，如果模型學到的是更高層的表征，而不是被迫窮舉每一種場景細節，所有數據都可以更有效地進入同一個認知框架里，任務也會變得更容易學習和遷移。

他提到，團隊在既有 Open X-Embodiment 一類基準數據集上，曾看到過用約 1/10 數據完成同等技能學習的階段性結果。

這個數字仍然需要放在具體任務和測試條件里理解，但它指向了具腦磐石最核心的判斷：具身智能的問題未必只能靠更大的數據集解決，也可能要從模型架構本身重新打開。

02

不只做模型，也要把模型推到現場

具腦磐石選擇的路線足夠前沿，但它并不想把自己做成一家只停留在實驗室里的模型公司。

這和朱森華對創業時機的判斷有關。在他看來，一家公司要真正出來做這件事，至少要同時準備好三件事：技術主張是不是清楚，商業化策略是不是清楚，以及有沒有一支能同時支撐研發和商業落地的團隊。具腦磐石不是在成立之后再找方向，而是在這三件事都相對 ready 之后，才把這條路線公司化。

因此，具腦磐石并不希望等待這一前沿架構完全收斂后才開始進行商業化。

朱森華本人是一個復合型創始人。他有著 AI、腦科學和具身系統工程的交叉背景。同時，他在華為期間，除了探索「今天有局限的 AI」下一跳在哪里，還同時需要判斷這些創新技術未來能服務什么客戶、解決什么問題。這讓他不是從論文里抽象地選擇類腦路線，而是在大廠體系內經歷過從技術預判、系統架構到產業驗證的完整鏈條。

他還提到，具腦磐石的核心團隊也不是臨時拼起來的。公司的聯創和合伙人團隊，有的是他在華為的原班同事，有的是從 2021 年開始一起把 AI 和腦科學帶入具身智能機器人業務的外部伙伴。這些人過去多年已經在技術研發、算法工程、供應鏈、商業化、運營、海外拓展上有過磨合。其商業化團隊曾在工業和商用場景實現機器人的萬臺級規模部署和億元級年收入。

這決定了具腦磐石的商業化策略是「成熟一部分，轉化一部分」。

朱森華把它稱為真實客戶場景對技術閉環的牽引，更直接的說法叫「沿途下蛋」：長期目標是類腦具身智能和 Cognitive World Model，但階段性會釋放可落地模塊，形成數據閉環與現金回流。

從披露的信息看，具腦磐石目前已在具身感知交互、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，正在把認知世界模型從算法框架推進到真實機器人系統。今年以來，公司已經與國內汽車產業上下游多家龍頭公司展開場景落地合作，海外市場也攜手日本合作伙伴完成了首個工業場景 PoC 驗證。

它選擇場景時有三個標準：客戶是否真的有付費意愿，場景是否具備規?；瘡椭瓶赡?，以及這個場景能不能反過來牽引核心技術發展。換句話說，具腦磐石不想做一次性定制項目，而是希望在工業、康養、零售等方向里，找到既能形成商業回流，又能沉淀通用能力的任務場景。

這三個標準背后，還有一個更實際的商業判斷：國內和海外客戶的商業邏輯不一樣。朱森華認為，國內客戶更多會考慮機器人能不能完全替代人、ROI 能不能算得過來。但在當前階段，一套幾十萬、上百萬的具身機器人解決方案，未必能立刻證明比人更便宜、更高效。而在海外市場，尤其日韓、歐美為代表的發達國家，則面臨更直接的勞動力短缺問題。即便機器人暫時還達不到完全替代人的能力，只要能在局部場景補充勞動力缺口，客戶也可能為此付費。這解釋了為什么具腦磐石會同時把出海作為公司戰略之一。

朱森華在采訪中也強調，今天不同技術路線最終面對的客戶問題并沒有本質差別。工業里要解決的還是巡檢、搬運、碼垛、上下料、裝配等；康養和零售里要解決的還是交互、服務和效率。區別不在于不同客戶提出的場景各異需求，而在于完成同一個任務時，模型需要多少數據，交付需要多長周期，遷移到下一個場景的成本有多高，以及系統能不能長期穩定運行。

具腦磐石公司目前總部在上海，現階段團隊已有幾十人、集中在上海辦公。對于一家剛成立不久的公司來說，這種配置也對應了它的階段：先集中投入把核心研發、場景驗證和商業化閉環跑起來，而不是一開始就拉開一張過大的研發攤子。

03

在前沿找路

具腦磐石這家公司有一個很鮮明的氣質：它不是沿著行業最熱的詞往前走，而是一直試圖把問題拉回到「AI 到底要往哪里去」。

這和朱森華本人的表達方式有關。他在采訪中很少把問題只講成某個模型、某個指標、某個客戶，而是習慣從技術史和范式變化的角度看具身智能。

他提出，現有的舊范式的問題大家都知道：大模型有幻覺，VLA 泛化有限，機器人數據很貴，端到端模型部署成本高，持續學習困難，這些問題從業者大多知道。但是因為很多人認為沒有更好的框架來解決這個問題，就回避這個問題。

朱森華有一個說法很能概括他的判斷：今天 AI 的很多進展仍然是「有多少人工，才有多少智能」。這里的「人工」既指數據，也指工程試錯。一個實驗室探索出一個技巧，行業跟上；另一個團隊試出一個新方法，再被吸收進來。這個過程當然能推動能力進步，但它并沒有回答一個更底層的問題：智能為什么會產生，模型為什么能學習，系統為什么能在長期交互中演化。

這也是他為什么反復強調認知神經科學。

在他看來，人工智能從一開始就和人腦有關。從神經元建模、神經網絡，到注意力機制，很多關鍵概念都來自對人腦智能的觀察和抽象。今天如果 AI 要突破低數據、高泛化、終身學習和低功耗這些瓶頸，也不太可能只靠在既有 Transformer 框架 或 VLA 架構上繼續堆數據、堆算力，而需要回到人類智能本身，站在第一性原理尋找可被計算化、工程化的機制。

人工智能最早的來源正是來自類腦，只是今天的大模型路線在工程上走得太快，反而讓很多人忘了這些概念最初來自哪里。

朱森華把這件事放在了一個中美正在同一前沿上推進的大環境判斷中。

他認為，今天的具身智能和下一代 AI 并不是一個已經有成熟路線、國內團隊只要追隨對標的階段。VLA、世界模型、JEPA、主動推理都還在技術孵化期，沒有任何一條路線已經被證明是終局。在這個階段，中國公司不是只能等美國先走出標準答案，而是有機會和國際頂尖團隊在同一前沿探索。

在與投資人交流里也能看出這種張力。朱森華提到，在 LeCun 舉起 AMI Labs 這面旗幟之前，投資人會習慣性追問「市場上對標你的公司是誰」。這背后是一種路徑依賴：美國先有一個成熟對象，中國再找對標。但他認為，今天 AI 和具身智能已經不是一個有成熟技術可抄、可追隨的階段，而是中美同時處在技術孵化和路線培育期。投資人要判斷的不再只是「像不像某個美國公司」，而是方向是否正確，以及人和事是否匹配。

當然，這條路并不容易。朱森華也承認，類腦智能驅動的具身智能 2.0 難在技術選擇，難在技術宣講，也難在人才密度。它需要認知科學、神經科學、人工智能、機器人學等多學科交叉，而這類人才本身就比傳統計算機科學人才稀缺得多。它也需要更長時間的技術驗證，不像跟隨成熟框架那樣容易獲得短期共識。

朱森華講到：「今天沒有一個技術范式可以明確告訴你，我就是未來，不需要改進了。在我看來，從方法論、哲學論角度上來說，第一重要的事情是你選的方向是否正確?！?/p>

*頭圖來源：具腦磐石

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你如何看待類腦智能驅動的具身智能？