作者：彭堃方
中国具身智能开始重新审视自己的优势。
产业开始探讨，过去引以为傲的长处，究竟能支撑产业走多远；走向下一阶段，又该建立什么样的新优势？
其中，共识的落点在于曾引以为傲的供应链与数据优势：供应链选择多，不等于真正适配到具身智能，“距离成熟的大工业体系仍有差距”；数据规模大，也不意味着智能会随之涌现，“分布肯定比简单的量更重要”。以往被视为确定性优势的东西，正在经历一轮祛魅。
过去，我们习惯用资源的丰富程度判断竞争力。随着机器人走向真实交付，“资源”转化为“能力”的效率，开始变得同样重要。
对中国具身智能而言，这意味着优势还需要向更深处生长。供应链决定机器人能以什么成本被造出来，数据与场景提供认识物理世界的材料，而机器人如何理解环境、保存经验、预测行动后果，则取决于底层的学习与认知机制。中国拥有把技术迅速推向现场的工程能力，也需要让现场的问题反过来推动原创架构，围绕底层创新自己的“根技术”。
9 月 14 日，“Beyond Data：类脑具身·认知启新——类脑具身智能前沿创新论坛”在上海杨浦长阳创谷举行。作为 2026 浦江创新论坛（第十九届）类脑智能未来产业前沿论坛分论坛，活动由具脑磐石（EBKernel）联合类脑智能产业创新发展联盟、上海类脑智能未来产业集聚区共同承办。“Beyond Data”所指向的，恰好是这层更深的追问：当数据与算力持续扩展，形成智能的方式本身，还有多大的创新空间？
在接受具身研习社采访时，具脑磐石 CEO 朱森华把公司的主张说得很直接：“用清晰的类脑智能机制代替盲目计算”。以全球首个类脑认知世界模型 Cog-WM 1.0 为起点，这家公司试图让机器人通过记忆、预测和主动探索，更有效地理解物理世界。顺着这条路往前看，中国具身智能有机会在数据与算力扩展之外，长出由脑科学和认知机制驱动的新一极。
一台机器人进入商场，能够到达指定店铺，导航任务就算完成了。但对一家希望长期使用机器人的商场来说，价值还在后面，它记不记得刚才经过哪里，能不能找回途中见过的物体，下一次执行任务时，还需不需要把相同的路重新摸索一遍？
人通常不会每次出门都从零认识世界。逛过几次商场，入口、店铺和楼层之间的关系就留在脑海。店铺暂时不在视野里，也不影响我们判断方向。具脑磐石希望带给机器人的，正是这种把一次经历留给下一次行动使用的能力。
这次发布的类脑认知世界模型 Cog-WM 1.0，已包含 Nav 导航与 Manip 操作两个分支。导航是这套认知机制率先验证的入口，操作能力也在同一框架下逐步推进。
朱森华形容：“传统导航是在读地图，Cog-WM 是在长记性。”换句话说就是，机器人开始形成可以被调用的空间经验。面向预先配置地图、依赖现场调试的部署方式，自主探索和记忆意味着一部分原本由工程师完成的环境适配，有机会交给机器人自己完成。
导航领域过去被认为“相当成熟”的技术，但具身智能走向产业后，并不如此。当机器人进入每个新场景仍需大量的勘察、配置和调试，部署并没有减轻。只有机器人对环境多一分自主理解，交付就可能少一分对现场人力的依赖。
导航分支 Cog-WM Nav 1.0 的做法，是把空间结构与具体的物体、事件分开组织，通过 Graph-Voxel 全局时空记忆保存它们之间的关系；当新观测偏离预期时，再优先更新值得记住的信息。同时，模型在隐空间中预测行动后果，把计算集中在有助于决策的抽象表征上。
这几项设计来自团队对认知地图、预测编码等类脑机制的借鉴。用更直白的话说，机器人要知道哪些经验可以复用、哪些变化需要留意，以及接下来往哪里走更有价值。记忆承担了过去，预测把过去的经验带向下一步行动。
在团队披露的真机演示中，机器人没有预置 3D 地图，也能在陌生环境中自主寻找目标。途中偶然看到的一盆植物，会成为之后能够检索的记忆。接到“找到之前看到过的那盆植物”的指令，它可以返回相应位置，还能回答植物旁边有什么。
这套技术路径下，“经历”可以先成为当前机器人的可用记忆，服务后续任务。毕竟，机器人运行得越久，就应该越熟悉自己工作的地方。客户购买的机器，开始有机会积累属于这个场景的使用价值。
具身研习社追问，为什么先从导航切入，再逐步延伸到操作？朱森华称导航为认知世界模型“最完整的最小闭环”，“一个导航任务天然要求智能体做完整个认知链条：感知环境、建立空间记忆、预测未来状态、主动选择去哪探索、决策行动，这恰好是认知世界模型最核心的五项能力的全集”。同时，这一领域的神经科学证据最充分。他强调：“先在最坚实的科学地基上验证范式，再去挑战证据链没那么完整的领域，这是研究纪律，不是保守。”
那这项导航技术有没有更“智能”呢？按照团队披露的评测口径，Cog-WM Nav 1.0 利用已有视觉预训练能力，以 145 个场景、577 条轨迹、约 15.4 小时导航任务数据训练，在所采用的 50% HM3D ObjectNav 评测子集上取得 86.89%的成功率。
这组结果提供了一条值得产业继续验证的线索：模型能力的增长，还取决于它如何组织和使用经验。空间关系能够复用，就能减少重复学习；预测聚焦于行动所需的信息，就有机会减少无效计算。数据竞赛因此多了一个维度——同样的采集投入，哪种架构能提炼出更多可迁移的能力？
这种对经验与预测的重视，已经延伸到此次同步发布的操作分支 Cog-WM Manip 1.0。连续操作时，每一步都会改变后续任务的条件。它通过多时间尺度预测，让模型在训练中同时学习近期动作后果与后续任务状态；再通过价值引导的经验学习，判断动作片段对任务推进的贡献。一次失败任务中的有效调整可以留下来，一次成功任务中的低效步骤也能被区分，经验因而有了更细致的用法。
按照团队披露的统一复现协议，Cog-WM Manip 1.0 在 LIBERO、LIBERO-Plus 和 RoboTwin 2.0 Hard 的 20 项任务上，成功率分别达到 98.2%、84.6%和 43.2%；其中，RoboTwin 2.0 Hard 较π0.5 基线提高 6 个百分点（相对提升 16.2%）。团队还在轮式人形机器人上验证了操作能力，并展示了光照、相机视角和背景纹理变化下的任务表现。对实际部署而言，这类扰动测试更贴近客户的日常：同一项工作，环境发生变化后，机器人能否继续完成？
导航与操作在共同的类脑框架下分别推进，使这条路线的价值跨出了单项技能。导航侧积累空间记忆、预测探索方向，操作侧学习动作后果、利用执行经验改进策略，同一套机制开始在不同任务域产生增益。下一步，将这些能力逐步接入“找到目标、走过去、完成操作”的连续任务，才能把局部能力转化为更完整的服务。对一家希望提供“具身大脑”的公司来说，这种底层机制的可扩展性，正是未来拓宽产品边界的基础。
具身智能需要新的技术路线，并不难形成口头共识。真正的行业惰性来自涉及人才、资金和研发周期：主流模型还在进步，为什么要花时间走一条更难的路？
行业内对数据量的逐渐祛魅，恰好给了这个问题一个入口。数据分布和质量决定了模型能接触什么，算法机制则进一步影响模型能够从中学会什么。前者值得持续投入，后者同样需要专门的研究力量。倘若行业把资源都押在对数据的“向外求”上，就容易遮蔽更底层的技术创新空间。
类脑路线的独立价值，正在于它把问题聚焦在更具决定性的技术范式探索上，“在现在的技术路线的能力天花板上，补一层它长不出来的认知层，抬高智能能力的上限”朱森华表示。人脑能够凭借有限经验认识陌生环境，在变化中保留记忆、调整判断，还能以较低能耗长期工作。把这些机制翻译为可计算、可验证的算法，有望同时改善数据效率、泛化和部署成本。
简言之，这组目标的商业方向很清楚：“用清晰的类脑智能机制代替盲目计算”，让具身智能能力以更低成本兑现。
把这笔账算开，类脑也就有了超出技术流派的市场意义。大型工厂可以为部署支付工程费用，分散的家庭、小型门店和养老空间，很难让每个现场都配上一支调试团队。更强的自主适应能力，有机会降低这些场景的服务门槛。认知机制最终影响的，可能是哪些需求能够成为一门成立的生意。
基于这一路线的与众不同，具身研习社此前很担心这种“小众”技术路线，会不会淹没在行业一波一波用来的“热点”中。当问到会不会因为路线“独”而受挫时，朱森华表示，“这是一条少有人走的路，因为这是一条少有人能走的路，但一定是战略方向正确的路”。现在，类脑这条路逐渐被人重视。
LeCun 的 AMI Labs，主动推理理论创始人 Karl Friston 和 Verses 不必多说，包括 Google Deepmind、Meta 等头部公司全都在投入这个方向。
所以具脑磐石在采访中并不总强调技术路线的“特立独行”，反倒是以一种包容和开放的态度来看待技术路线的选择。
具脑磐石直言其类脑路径，借鉴了 JEPA 在抽象隐空间进行预测的思路（这一思路目前正被更多国际公司与前沿机构 follow 与认可），也同时研究空间记忆、惊异驱动更新、多时间尺度预测和价值引导学习。朱森华对路线竞争的判断是，看“谁能先把机制变成可验证的系统”。
VLA 的指令理解和动作生成，可以与记忆、预测等能力在系统中结合。类脑作为独立路线的意义，是让这些认知问题拥有连续的研究议程和评价标准，避免它们始终被当成“眼前任务之外、可以往后推迟的工作”。
不过，客观来说类脑技术还处于“学术探索走向产业落地的初期转化阶段”。
具脑磐石选择“沿途下蛋”。技术成熟一部分，就寻找对应场景完成商业验证，让订单与反馈支持下一阶段研发。主动探索和语义导航可以先承担局部任务，后续操作能力再逐步接入。这样一来，长期研究能够持续接受市场校准，客户也可以从已经具备的能力中获得价值。
一条新路线值得投入，最终要因为它可能改变行业的成本结构和产品边界。Cog-WM 现阶段的横空出世，是为这种可能性提供了可以继续往下走的机制与实验依据。接下来，每一次场景验证，都应该让这笔价值账更加清楚。
在这个技术大时代，路线争锋不断只是表层，更深一层的争夺是“技术红利”蛋糕该怎么切。
朱森华把类脑视作一种“根技术”，而“根技术的底层逻辑，是产业安全和价值分配。”
科技行业的历史规律清楚的告诉我们：谁定义底层范式，谁拿走价值链最厚的一层。移动互联网时代，ARM 拿芯片架构的钱、Google 和苹果拿操作系统的钱，应用层再繁荣，利润分配早已在底层定型。“如果具身智能的底层范式完全由海外定义，我们的供应链优势和场景优势，就是在别人的地基上盖楼——楼盖得再高，最值钱的土地价值是别人的”朱森华语重心长的说。
正因如此，具脑磐石在 2026 浦江论坛的类脑具身专题论坛要格外被强调。
这是全球首次以“类脑具身”为主题的专题论坛，会上同步发布了全球首份《类脑认知世界模型技术白皮书》。来自上海、北京、深圳等具身智能产业高地及中国脑计划“南脑”“北脑”的专家，联动头部大厂与初创企业，连接算法、芯片和应用生态，以及数十家资本机构都汇聚于此。政产学研资的共同参与，让原本分散在不同城市、学科和产业环节的力量，围绕同一条技术路线展开协作。
换句话说，这正是在为原创路线组织产业力量，在为根技术补齐转化所需的协作条件。
当前中国具身智能的现状可以概括为“三强一弱”：硬件供应链、应用场景和工程迭代强，具身大脑的原创体系相对薄弱，而现在到了发力大脑创新的关键时刻。因为产业分工往往在底层技术逐渐稳定时形成。基础架构会影响开发工具怎么建、数据按什么方式组织、本体与芯片如何适配，也会影响合作伙伴把研发资源投向哪里。能够参与定义这些接口和方法的企业，更有机会把一次技术创新扩展为持续的产业影响力。
朱森华希望证明中国团队也能从脑科学和认知神经科学出发，提出并验证一套具身智能的大脑架构，无需总在海外模型给出下一轮答案之后再跟进。
可根技术偏偏有自己的时间。过去两年，融资、发布会、订单和演示视频不断推高行业速度，每家公司都被催着尽快交卷。机器人产业的成熟却同时受供应链、技术和场景牵引，其中任何一项跟不上，镜头里的速度就可能停在 Demo 里。
具脑磐石给自己的节奏是：“在根上慢，在用上快。”
研究机制、做消融验证、判断长期路线，需要愿意慢下来。底层方向走错，后续投入越大，返工代价越高；一旦能力得到验证，团队又要尽快把它送上真机、带进客户现场，在真实问题里完成工程迭代。朱森华强调：“机制没验证清楚就加速，是把资源烧在错误的地方；机制验证清楚之后不加速，是把机会让给别人。”
创业公司的考卷终究在市场里。技术能否解决客户现场的问题，能否从一次性项目长成可复制产品，客户是否愿意付费和续费，每一项都比路线宣言更硬。具脑磐石所说的“新的一极”，同样不能靠一家公司自己命名。
朱森华给出了两个判断标准。第一个要在客户现场完成，类脑技术需要产生真实、可复制的商业效果；第二个要看同行，只有更多团队进入、更多机制得到验证、上下游慢慢形成生态，它才有资格成为与数据和算力扩展并行的一极。
“只有具脑磐石走这条路，那叫孤例。一极不可能由一家公司构成。”朱森华的判断，也为此次论坛留下了后续要回答的问题：聚在一起的研究者、企业与资本，能否形成持续合作，让机制验证、软硬件适配和场景应用相互推进？当一条路线能够吸引更多团队共同完善、让更多产品使用，论坛所凝聚的力量才会进一步沉淀为产业生态。
结语
对中国具身智能来说，保留多种技术可能，比再演一场路线之争更重要。原创机制需要有机会走完从论文、Benchmark 到客户现场的漫长验证。主流路线继续扩展数据与模型，类脑路线寻找另一种智能效率，最后都得把能力交给真实任务，把成本交给市场核算。
热潮偏爱速度，根技术需要耐心。耐心也要不断拿出结果。Cog-WM 1.0 是一份早期答卷，距离包含建模世界、建模计算、建模自我与他人的完整认知世界模型和规模化落地还早。
尽管路漫漫，我们也会看到更多具脑磐石这样的企业上下求索。
特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)
