“具身智能需要的不仅是一套能够执行指令的控制系统，而是能够在真实世界中持续理解环境、积累经验、自主决策并不断提高能力的智能大脑。”
上海具脑磐石科技有限公司（以下简称“具脑磐石”）创始人兼CEO朱森华在中信建投证券于11月10日-12日举办的2027年度资本市场策略会上表示。
在朱森华看来，具身智能的最终目标，是让机器既拥有像人一样能够感知、认知、决策和规划的大脑，也拥有能够完成真实世界任务的执行本体。其中，低数据、高泛化、终身学习和低功耗，将成为具身智能大脑需要同时满足的关键要求。
2025年6月，朱森华创立了具脑磐石。在此之前，他长期从事AI与脑认知交叉研究，曾任华为云 AI 算法创新 Lab 主任，在华为体系内主导类脑智能与具身智能相关AI架构设计和系统级项目落地，被誉为“华为具身大脑一号位”。
具脑磐石借鉴人脑神经认知机制，构建类脑认知世界模型（Cognitive World Model，Cog-WM），通过算法架构创新提高具身智能系统的学习效率、环境适应能力和运行效率。
资料显示，具脑磐石于2026年5月下旬完成新一轮亿元级融资，投资机构包括深投控、上海天使会、合肥产投、玖兆投资等，老股东道禾长期投资继续追投。此轮资金将重点投入核心技术研发、团队扩充与全球市场拓展，加速类脑认知世界模型的研发、工程化落地与真实场景验证。据了解，基于公司技术路径和落地进展，公司目前已获得多家头部产业资本与财务资本的持续关注，更新一轮融资正同步交割中。
通用大模型进入机器人仍面临四大瓶颈，算法范式创新试图突破能力上限
自OpenAI发布Astra开始，通用大模型在机器人任务规划和策略生成方面展现巨大潜力。在朱森华看来，模型能够理解和规划动作，并不意味着能够高效、稳定地在真实物理世界中执行这些动作。
一项关于通用大模型作为机器人控制策略的研究，尝试通过模型直接生成动作、与代码执行工具协作，以及调用其他动作模型等方式，完成机器人抓取和放置任务。结果显示，部分方案能够取得较高的任务成功率，但在推理延迟、Token消耗和执行成本方面存在明显差异。
朱森华认为，这距离实时、低成本、长时间运行的机器人控制系统仍存在差距。尤其对于复杂装配、长时序操作和高精度控制等任务，机器人不仅需要理解下一步应该做什么，还需要在环境持续变化的情况下快速调整动作。
与此同时，具身智能的训练数据远比互联网文本和图像数据更难获取。机器人需要通过真实交互采集多模态数据，涉及不同设备、环境和操作对象，不仅数据采集成本高，而且数据格式、控制接口及质量标准难以统一。
“数据荒、泛化弱、增量难和功耗高是当前具身智能大脑面临的瓶颈。”朱森华总结。其中，数据荒反映了真实世界训练数据的稀缺性；泛化弱意味着模型在不同任务和环境之间迁移能力有限；增量难体现为模型难以像人一样持续积累经验；功耗高则制约了大规模模型在机器人端侧的实际部署。
目前，具身智能大脑的技术创新主要存在数据工程创新与算法范式创新两个方向。数据工程主要解决如何更有效地逼近现有模型架构的能力上限，而算法范式创新试图改变这一上限本身。
“算法能力上限决定数据价值”，朱森华指出，当数据获取成本下降、数据生产方式逐渐标准化之后，底层算法能否更高效地理解和利用数据，将成为影响智能系统能力的重要变量。
从人脑认知机制入手，探索具身导航与操作
在朱森华看来，人脑是目前已知具有高度适应能力和能效的生物智能系统。人类能够通过少量经验学习新技能，在不同环境之间迁移已有知识，并在持续交互过程中更新记忆和行为策略。基于此，具脑磐石借鉴认知神经科学中的认知地图、主动推理、记忆编码及预测机制，并结合联合嵌入预测架构（JEPA），构建面向真实物理环境的类脑认知世界模型。
2026年9月，具脑磐石在上海浦江论坛承办了全球首场类脑具身智能专题论坛，并在论坛期间发布的全球首个类脑认知世界模型Cog-WM 1.0，采用约10亿至13亿参数规模的模型架构，围绕具身导航与具身操作两类核心任务进行验证。与将导航和操作分别交给不同模型的处理方式不同，Cog-WM通过统一的类脑认知机制，实现感知、时空记忆、环境预测与行动决策之间的协同。
来源：具脑磐石
在技术架构上，Cog-WM 1.0借鉴人脑前额叶和海马-内嗅皮层系统的部分功能机制，将感知编码与目标调控、时空记忆的内容与结构分离、隐空间多层级预测整合到统一框架中。在导航任务中，机器人不再完全依赖预先建立的环境地图，而是能够在探索过程中持续更新空间记忆，并依据预测结果选择下一步行动。
测试结果显示，在HM3D-ObjectNav基准的相同50%测试子集上，Cog-WM Nav 1.0的任务成功率达到86.89%，较其复现的BSC-Nav基线提高8.39个百分点。这意味着，机器人在未知环境中寻找目标物体时，可以通过时空记忆和未来状态预测，提高主动探索及目标定位的成功率。
在具身操作方面，Cog-WM Manip1.0引入隐空间多层级预测与价值引导学习机制，让机器人不仅能够预测短期动作结果，还能够根据任务执行进展优化动作策略。该模型在LIBERO基准上的任务成功率达98.2%；在RoboTwin2.0 Hard的20项困难任务测试中，成功率达43.2%，相较π0.5基准线提高6个百分点。
探索延伸至人机交互与类脑芯片，构建类脑具身智能生态
在朱森华看来，具身智能系统要真正进入人类生活和生产环境，不仅需要理解物理空间，还需要更准确地识别人的情绪、意图和指令。因此，在类脑认知世界模型之外，具脑磐石还在探索将类脑技术与多模态人机交互、神经信号处理及专用计算硬件结合。
人类的认知状态和行为意图可以通过脑电、肌电、眼电等生理信号提供额外的信息。围绕该方向，具脑磐石开发了BrainArts类脑具身运营平台，探索通过多模态生理信号实现情绪感知、注意力识别及行为意图理解。
具脑磐石还开发了BrainFusion多生物电融合解码大模型。将脑电与肌电信号用于人机交互，以及结合脑电和眼电数据实现注意力感知、训练和行为控制，相关技术未来有望拓展至智能康养、运动健康、教育及辅助交互等领域。
与此同时，具脑磐石还提出了“EBKernelInside”战略，希望基于类脑智能AI能力底座，向不同机器人和智能终端提供底层技术服务。这一战略包括类脑具身智能软件服务（MaaS）、软硬一体化类脑智能模组，以及更长远的泛端侧AI产品等。
尽管类脑认知世界模型已在部分测试任务中取得进展，但朱森华认为，具身智能要真正实现商业化，还需要解决模型与不同硬件平台之间的适配、实际场景中的可靠性验证，以及上下游产业链协同等问题。
具身智能需要直接连接机器人硬件、感知系统和控制系统，并在真实物理环境中执行任务。这意味着，模型能力的提升必须进一步转化为具体场景中的操作效率、系统可靠性和部署成本优势。
据介绍，具脑磐石正在与机器人本体企业、算力平台、汽车产业链企业及科研机构开展合作。目前，公司已与乐聚机器人、星尘智能、上海国地中心、智动力、智身科技等企业，以及部分国内外工业和汽车产业链机构建立不同形式合作关系。
