機器人前瞻（公眾號：robot_pro）
作者 許麗思
編輯 漠影

機器人前瞻5月25日報道，近日，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。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。

這筆融資之所以值得關注，是因為具腦磐石押注的并不是國內常見的具身大腦主流技術路線，反而有點冷門——沿著JEPA的方向，基于類腦智能的底層技術范式，打造一個更面向具身落地的Cognitive World Model（認知世界模型）。

JEPA，全稱Joint Embedding Predictive Architecture，是前Meta首席AI科學家、圖靈獎得主楊立昆等人提出的一種新型 AI 架構。它強調AI不應只在像素或語言表層生成世界，而應在抽象表征空間中學習和預測世界。

簡單來說，就是AI不應該通過死記硬背，逐幀去預測“放在桌邊的杯子會掉下去”的畫面；而是像人類一樣，通過觀察來學習世界的運行規律，在大腦內實現抽象概念學習，主動理解和掌握引力會讓杯子往下掉這一符合物理常識的結果。

朱森華是具腦磐石的創始人，也是JEPA在中國少有的系統化推動者。他曾擔任華為云AI算法創新Lab主任，是華為具身智能大腦的開創者和負責人，還是“華為天才少年”們的面試官之一。

他從自身腦與AI交叉研究的專業出發，零到一構建了華為云的腦與類腦AI云平臺、華為云智能機器人業務，還帶領“博士軍團”孵化了首代盤古具身大模型。

朱森華把自己下場創業形容成“攢齊了七顆龍珠”，創辦具腦磐石并不是一次突然轉身，而是多年技術積累、產業經驗和團隊資源終于匯合到一起后的自然結果。

具腦磐石成立時間不長，2025年下半年開始正式運營，目前團隊規模30多人。在該公司還沒有產品、只有一份PPT時，就獲得了眾多投資人的支持。

投資人押注的是朱森華這票人、這條技術路線，以及他們對下一代具身智能范式的前置判斷。

當行業還在卷本體、卷VLA、卷真機數據時，具腦磐石為什么要押注JEPA這條路線？帶著這個問題，我們與朱森華進行了一場對話。

一、從華為走出，用創業公司的方式重做具身大腦

具腦磐石的誕生，首先來自朱森華對具身智能長期價值的判斷。

在華為主導相關業務五六年后，他越來越確定，具身智能不是一個短期風口，而是面向下一代通用智能機器人、值得投入半輩子的長期賽道。

但在大廠體系內，前沿技術探索往往需要兼顧組織協同、業務節奏和商業化目標。對于具身智能這樣仍處在早期的賽道來說，創業公司或許能提供另一種更靈活的探索方式。所以，朱森華選擇用創業公司的方式重新做一次具身大腦。

回看朱森華過去的這些年，他完整經歷了具身智能領域的技術演化。從早期SLAM導航、位置估計、Manipulation，到小模型、大模型、VLA、World Model和類腦智能等，讓他更早地看到了現有VLA和大模型路線的邊界，從創業第一天就堅定做類腦智能驅動的具身大腦。

成立兩個月后，具腦磐石的核心團隊就已經搭建完畢。眾多成員都是朱森華在華為相關業務中長期磨合過的戰友，彼此在技術理念、價值觀和產業判斷上已經形成高度共識。

從團隊構成看，核心成員來自華為、聯想、曠視、極智嘉等公司，朱森華主導研發和管理，其他核心成員則覆蓋供應鏈、產品與解決方案、出海拓展、公司運營和投融資等維度。這種組合，讓公司從一開始就帶有明確的產業化意識。

同時，具腦磐石的技術人才結構并不只是傳統機器人公司常見的算法、硬件和工程團隊，更偏重底層理論和前沿探索的復合型人才。

具體來說，具腦磐石最需要的有三類人：第一類是VLA、大模型、Transformer架構方向的AI人才，他們是今天具身智能研發的基礎；第二類是類腦計算專家，為該公司的理論算法創新提供底層指導；第三類是數學家和應用數學家，負責核心算法優化。

真正的挑戰在于第二類人才。朱森華解釋，在國內，真正懂腦與類腦、計算神經科學的人才集中在中國“腦計劃”的兩大高地，也就是“南腦”上海和“北腦”北京。南腦、北腦有大量學術人才，很多學者在實驗室里做得很深，但真正愿意走向產業化、投身創業的人并不多。

具腦磐石公開技術理念后，吸引了大批全球腦與類腦中心背景的學生投遞簡歷，包括斯坦福、賓夕法尼亞、清華、北大、復旦等國內外頂尖高校的人才，讓他們看到了把計算神經科學從學術推向產業化的路徑。

所以，投資人早期愿意下注具腦磐石，背后不只是對技術路線和團隊履歷的認可，更是看到了這支團隊把腦科學推向機器人產業化的可能性。

二、一個理想的具身大腦，至少要逼近人腦四項能力

要理解具腦磐石為什么選擇這條路線，首先要回到一個更基礎的問題：一個理想的具身大腦，到底應該是什么樣的？

朱森華的答案很直接：至少要逼近人腦的四項能力：高泛化、低數據、可終身學習和低功耗。

高泛化，意味著機器人不能只會處理訓練的時候見過的物體和技能，而要像人一樣理解物理世界背后的抽象概念和用途。比如一個人學會用碗吃飯后，換成在不同環境、不同形狀、不同材質、不同顏色的碗之后，依舊可以把它當成是吃飯的容器，完成吃飯的動作。

低數據，即小樣本數據學習。朱森華并不否認數據的重要性，人類學習也需要大量經驗。但人類不需要窮舉互聯網量級的數據，才能理解一個概念或學會一種技能，而是通過少量訓練實現概念的抽象理解和技能學習，即“舉一反三”。機器人所需要具備的就是這種接近人類的小樣本學習能力。

可終身學習，主要是為了解決當前AI系統中的災難性遺忘問題。不少AI學會新技能后，舊能力可能被覆蓋或削弱，但人類學習更像是不斷疊加和修正，即“熟能生巧”。在現有Transformer深度學習范式下，這個問題很難被根治。

低功耗，就像人腦的功率大約只有25瓦一樣，機器人需要減少訓練和推理算力消耗。

在朱森華看來，AI長期被詬病的問題是“全球煉丹沒有理論指導”，大量模型研發依賴試錯、堆參數、堆數據、堆算力，但缺乏足夠清晰的理論方向。

也正因為以上這四項能力都指向人腦，具腦磐石選擇回到腦科學和計算神經科學中尋找方法論。

而Karl Friston提出的主動推理理論，就為低數據、高泛化、終身學習和低功耗提供了一套更接近人腦認知機制的理論框架，是類腦智能的長期方向。

主動推理理論強調，所有生物系統的行為，本質上都是不斷生成對外界的預測，然后采取行動來減少預測和現實之間的偏差。就像人進入了一個陌生的房子，并不是等所有信息都喂到眼前，而是會主動判斷門在哪里、障礙物在哪里、下一步該怎么走，不斷修正自己對這個房子的心理地圖。

在World Model這條大路線下，除了Karl Friston為代表的神經科學派之外，還有四個派別在進行探索。

楊立昆的JEPA路線，強調讓AI像人類一樣通過觀察來了解世界運行規律，在抽象表征空間中學習和預測世界；

GoogleDeepMind代表的學習型仿真路線，更強調讓智能體在實時的虛擬環境交互中，形成決策和行動能力；

OpenAI的Sora代表的視頻生成路線，更強調通過世界模擬器，模擬物理世界變化；

李飛飛主導的空間智能路線，則更關注視覺真實和三維空間理解。

具腦磐石選擇，便是以JEPA作為起點，以主動推理為終極方向，用類腦智能的認知機制改造具身大腦。

三、國內唯一對標楊立昆AMI的創企，讓機器人學會理解抽象概念

據了解，具腦磐石是目前國內唯一對標楊立昆AMI的創業團隊，雙方的理論底座都指向主動推理派。

這兩者都不相信單靠堆數據、堆算力，就能通向通用智能。朱森華認為，人類并不是這樣學習的，真正的通用智能，需要系統性借鑒大腦優秀能力特性及其功能實現機制，才能擁有逼近人腦的能力。

既然主動推理是更長期的理論方向，為什么具腦磐石不直接對標Karl Friston？朱森華解釋，JEPA在抽象學習、小樣本數據學習上的算法工程能力，比主動推理流派要更成熟一些，更適合作為一家創業公司的起點。

這就像攀巖，主動推理是更高的山頂，但JEPA提供了一個已經可以抓住的巖點。具腦磐石要做的是把 JEPA 繼續往 Goal、Memory、Action、System 推進，做成能夠落地到機器人系統里的 Cognitive World Model（認知世界模型）。

以執行一項任務為例，傳統深度學習方案往往需要窮舉和擬合，更像是在學習Observation和Label之間的絕對差異，容易陷入過擬合或欠擬合。

而JEPA式路線更強調在隱空間中學習一種抽象分布，學習概念背后的穩定結構，理解“這個東西為什么是這個東西”。

朱森華用“線上視頻和線下見面認人”來解釋這種差異，人不會因為對方換了衣服，光線、角度變了，就認不出來，因為人學習到的是“他之所以是他”的抽象概念，而不是像素級的絕對匹配。

這種抽象概念學習能力，放到機器人身上，最直接影響兩件事：操作技能和自主移動。前者決定機器人能不能真正干活，后者決定機器人能不能進入開放環境，具腦磐石也把這兩部分作為重點發力方向。

在操作技能上，以“教機器人用杯子喝水”這個任務為例，多數具身公司會采集盡可能多種環境下多種類的杯子數據，讓模型覆蓋更多形狀、材質和場景。

但人腦并不需要無窮無盡地列舉杯子和模擬環境，一個人理解了“容器”的概念后，即便到了森林里，也可能把椰子殼當成取水和喝水的工具。

在自主移動上，很多機器人進入新環境前需要提前建圖，但一個人第一次去朋友家，并不需要對方提前給一張3D地圖，也能判斷門在哪里、障礙物在哪里、電梯該怎么進，自主完成陌生環境的移動規劃和認知導航。

圍繞這一能力，具腦磐石提出類人認知地圖機制，希望借鑒人類在開放環境中自由探索的神經機制，讓機器人實現跨室內外開放場景的自由移動。

對未來家庭服務機器人來說，這是一項必備的能力，畢竟機器人要先能在陌生空間里行動，才談得上真正服務人。

四、追逐星辰大海，也要沿途下蛋

和楊立昆先追求星辰大海、不急于商業化的姿態不同，具腦磐石堅持在長期技術目標之外，也要沿途下蛋，不斷尋找階段性商業落點。

這也是具腦磐石和純學術路線最大的區別。JEPA核心目標更偏向解決泛化性，而具腦磐石還把低功耗、低數據、可終身學習視作同等重要的落地指標，因為這些能力在當前對于工程部署和場景應用更有價值。

談到落地場景，朱森華覺得，具身智能落地不能簡單分成“先進入家庭”或“先進入工商業”。家庭、工業、商服、康養只是不同階段的細分場景選擇，真正的邏輯要回到商業和技術的匹配上。

以中國市場為例，客戶買單最核心的邏輯仍然是算ROI。但朱森華坦言，現階段具身智能本體和大腦都還只是局部成熟，如果純粹按ROI來算，大規模商業變現還遠未到時候。

這也是具腦磐石從成立第一天就把目光投向海外的原因。日韓、歐美等發達市場人口老齡化更明顯，面臨事實性勞動力短缺。

對這些海外客戶來說，即使機器人還不能完全替代人，價格比現有人力更貴，但只要它能補上一部分勞動力缺口或局部解決問題，保證生產和服務可持續，就有可能形成真實付費。

至于哪些場景值得優先進入，具腦磐石有一套明確的篩選標準。真正有價值的場景，不能只是一次性定制項目，而要有真實付費需求，有復制到更多客戶和場景的空間，也要能在落地過程中不斷反哺核心技術迭代。

這也意味著，具腦磐石并非什么業務都接。未來兩到三年，該公司核心節奏仍然是技術攻關與技術摸高，每一個階段性技術突破，都會先找到合適伙伴和客戶去試煉沉淀，圍繞行業場景構建上下游的合作生態，而不是盲目鋪開商業化。

結語：所謂具身智能的泡沫，更像是一種認知失調

朱森華覺得，具身智能所謂的泡沫，更像是一種認知失調。外界常常沿用互聯網投資和互聯網應用的觀察方式，希望今年投入，明年就有產出，能算回報、算ROI。

但具身智能不是這樣的節奏。目前，全球還沒有任何一套成熟可復制的具身智能答案。中國公司與海外頂尖團隊仍站在同一起跑線上，一邊探索技術突破，一邊尋找商業落點，這是一條長坡厚雪的賽道。

所以，不能因為階段性沒有商業成果，就質疑這個賽道的價值。

真正的考驗是，在全民瘋狂、投資泡沫之后，是否還有具備產業愿景的投資方，能夠支持有愿景、有能力的團隊，在技術創新孵化和商業應用探索中持續往前走。

對具身智能企業來說，最終也不可能只靠融資、Demo和概念敘事穿越周期。它們必須一次次走進真實場景，面對真實客戶，解決真實問題，把這場關于未來的想象，變成一門能夠持續創造價值的產業。