華為具身大腦一號位創(chuàng)業(yè)，用認(rèn)知科學(xué)造世界模型，獲億元級融資

允中 發(fā)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(chuàng)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(xù)押注空間智能，成為一級市場最搶手的標(biāo)的之一；英偉達(dá)在GTC上拋出Physical AI，直言工業(yè)與機(jī)器人市場的潛在規(guī)模將達(dá)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(dá)機(jī)器人負(fù)責(zé)人Jim Fan更是直接放話：行業(yè)的重心，正從VLA（視覺-語言-動作模型）轉(zhuǎn)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(yè)最熱的技術(shù)路線，推到了一個新問題面前：機(jī)器人會看、會聽、會執(zhí)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(yù)測行動后果、能持續(xù)修正經(jīng)驗(yàn)的、真正貼近人腦運(yùn)作模式的機(jī)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(chuàng)立。他曾任華為云AI算法創(chuàng)新Lab主任，主導(dǎo)過AI腦科學(xué)云平臺、盤古具身大模型、全球具身智能產(chǎn)業(yè)創(chuàng)新中心等系統(tǒng)級項(xiàng)目。在業(yè)內(nèi)，他被稱為“華為具身大腦一號位”

現(xiàn)在，他把創(chuàng)業(yè)方向押在了一個更具挑戰(zhàn)性的交叉點(diǎn)上：用認(rèn)知神經(jīng)科學(xué)，重做機(jī)器人的大腦模型。

具腦磐石給這套系統(tǒng)起了一個名字：認(rèn)知世界模型，Cognitive World Model。

說得更直白一點(diǎn)，它想讓機(jī)器人擁有一顆會推演、會記憶、會自我更新的類腦認(rèn)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(yè)里的主流敘事。

這一技術(shù)的邏輯很直接：將視覺、語言和動作統(tǒng)一進(jìn)一個端到端模型，機(jī)器人能看懂環(huán)境、理解指令，并直接輸出行動。

這條路線已經(jīng)在一些場景里已經(jīng)驗(yàn)證了價值。比如分揀、上下料、簡單裝配、倉儲搬運(yùn)、零售后臺整理等任務(wù)，環(huán)境相對可控，動作鏈條相對明確，VLA能夠讓機(jī)器人從“能動”進(jìn)一步走向“能按指令動”。

但隨著真實(shí)場景變復(fù)雜，VLA的能力邊界也開始顯現(xiàn)。

首先是數(shù)據(jù)

換一批物體、換一個光照、換一種桌面布局，模型往往要補(bǔ)充新的示范數(shù)據(jù)。機(jī)器人看起來在學(xué)習(xí)，很多時候仍然依賴人類提前喂給它的數(shù)據(jù)樣本。

其次是泛化

VLA更擅長從數(shù)據(jù)中學(xué)習(xí)統(tǒng)計相關(guān)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(huán)境變化，穩(wěn)定性仍然不足。

再就是記憶

今天很多機(jī)器人完成一次任務(wù)后，很難像人一樣把經(jīng)驗(yàn)沉淀下來。下一次面對相似任務(wù)，仍然容易從頭開始。

這也是行業(yè)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(xiàn)。

它試圖讓機(jī)器人在行動之前，先在內(nèi)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??？如果我先打開柜門，再拿東西，任務(wù)鏈條是否更穩(wěn)？

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(guān)于世界如何運(yùn)轉(zhuǎn)的心智模型。

具腦磐石要做的，就是把這套能力工程化，裝進(jìn)機(jī)器人系統(tǒng)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(shù)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(qiáng)化學(xué)習(xí)，有人說的是JEPA，還有人說的是主動推理。

朱森華把當(dāng)前世界模型的路線，自下而上拆成五層

第一層，是視覺真實(shí)

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(jī)器人怎么看世界”的基礎(chǔ)問題。

沒有這一層，后續(xù)的智能處理無從談起。

第二層，是物理真實(shí)

聚焦重力、摩擦、碰撞等物理規(guī)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(xué)習(xí)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(shí)世界，但里面的物理邏輯未必穩(wěn)定。

第三層，是交互真實(shí)

這一層更接近仿真、強(qiáng)化學(xué)習(xí)和機(jī)器人試錯。

它強(qiáng)調(diào)智能體通過“行動—反饋”積累經(jīng)驗(yàn)，DeepMind、英偉達(dá)等公司都在這一方向持續(xù)投入。

第四層，是抽象表征

這是Yann LeCun的JEPA架構(gòu)的領(lǐng)地。它讓模型在隱空間里學(xué)習(xí)狀態(tài)如何變化，減少對像素級重建和token級預(yù)測的依賴。

舉個例子，模型無需逐幀預(yù)測一個杯子未來每個像素會變成什么樣，而是學(xué)習(xí)“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(rèn)知神經(jīng)科學(xué)，背后包括自由能最小化、預(yù)測編碼、貝葉斯大腦等理論，是目前最接近人類智能本質(zhì)的理論框架。

翻譯成人話是：智能體會主動形成假設(shè)，預(yù)測結(jié)果，執(zhí)行動作，再根據(jù)環(huán)境反饋修正自己的內(nèi)部模型。

也就是，邊想邊做，邊做邊學(xué)。

在具腦磐石看來，前三層更多解決“看見世界、模擬世界、訓(xùn)練世界”的問題；第四層開始進(jìn)入抽象表征；第五層則真正觸及機(jī)器人認(rèn)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(qū)動的具身智能2.0公司

這個判斷帶有明確的技術(shù)立場：機(jī)器人下一階段的競爭，不會只停留在動作生成和遙操作數(shù)據(jù)規(guī)模上，而會進(jìn)入認(rèn)知世界模型、主動推理、長期記憶和持續(xù)學(xué)習(xí)的整合競爭。

對標(biāo)JEPA，但多走一步

具腦磐石的技術(shù)路線，與Yann LeCun推動的JEPA有著明顯關(guān)聯(lián)。

JEPA，全稱Joint Embedding Predictive Architecture，聯(lián)合嵌入預(yù)測架構(gòu)

它的核心價值，是讓模型在抽象表征空間里學(xué)習(xí)世界狀態(tài)的變化。相比逐像素預(yù)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(fù)雜環(huán)境中的泛化問題。

但對機(jī)器人來說，只有“表征—預(yù)測”還不夠。

機(jī)器人最終要進(jìn)入真實(shí)物理世界。它需要感知環(huán)境、理解任務(wù)、預(yù)測后果、規(guī)劃動作、執(zhí)行任務(wù)，還要從失敗和反饋中繼續(xù)學(xué)習(xí)。

因此，具腦磐石提出的認(rèn)知世界模型，更像是一個面向具身落地的JEPA增強(qiáng)版

它要把JEPA的世界表征能力，推進(jìn)到一條完整鏈路里：感知，認(rèn)知，預(yù)測，規(guī)劃，行動，反饋，學(xué)習(xí)。

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(diǎn)，不是生成一個看起來足夠真實(shí)的視頻世界，而是為機(jī)器人提供一個可以參與真實(shí)任務(wù)閉環(huán)的認(rèn)知計算推理引擎。

圍繞這套目標(biāo)，具腦磐石把技術(shù)攻關(guān)拆成四個方向。

第一，類腦感知編解碼機(jī)制。這對應(yīng)視覺、聽覺、力觸覺等多模態(tài)信息的融合，讓機(jī)器人更高效地理解真實(shí)環(huán)境。

第二，認(rèn)知動態(tài)預(yù)測機(jī)制。這對應(yīng)物體交互、空間變化、重力、碰撞等物理規(guī)律的理解，讓機(jī)器人具備推演行動后果的能力。

第三，終身學(xué)習(xí)記憶機(jī)制。這對應(yīng)經(jīng)驗(yàn)沉淀和持續(xù)學(xué)習(xí)，讓機(jī)器人減少“學(xué)新忘舊”，逐步形成可遷移的任務(wù)經(jīng)驗(yàn)。

第四，低功耗稀疏計算架構(gòu)。這對應(yīng)未來機(jī)器人端側(cè)部署需求。真正進(jìn)入家庭、工廠、門店的機(jī)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(jié)果：低數(shù)據(jù)、高泛化、終身學(xué)習(xí)、低功耗。

這也是具身智能落地最難繞開的四道關(guān)：數(shù)據(jù)成本、跨場景適應(yīng)、長期運(yùn)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(xué)術(shù)概念，推成可驗(yàn)證、可部署、可商業(yè)化的具身智能大腦架構(gòu)。

“華為具身大腦一號位”帶隊，團(tuán)隊不止會做模型

融資落地后，具腦磐石也進(jìn)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(chǎn)業(yè)背景的頂尖產(chǎn)業(yè)資本領(lǐng)投，老股東及多家頂尖基金復(fù)投和跟投。

同時，更新一輪融資也在同步交割中。多維資本擔(dān)任獨(dú)家財務(wù)顧問。

本輪融資后，具腦磐石將繼續(xù)投入核心技術(shù)研發(fā)、團(tuán)隊擴(kuò)充與全球市場拓展，重點(diǎn)推進(jìn)Cognitive World Model的研發(fā)、工程化落地和真實(shí)場景驗(yàn)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?yàn)檫@支團(tuán)隊的配置相對少見。

有投資人將其評價為“國內(nèi)唯一兼具AI×腦科學(xué)交叉深度與產(chǎn)業(yè)落地廣度的組合”。

創(chuàng)始人朱森華是賓夕法尼亞大學(xué)認(rèn)知神經(jīng)科學(xué)博士、中科院博士后，長期從事AI與腦認(rèn)知交叉研究。

進(jìn)入華為后，他曾任華為云AI算法創(chuàng)新Lab主任，主導(dǎo)過AI腦科學(xué)云平臺、盤古具身大模型、全球具身智能產(chǎn)業(yè)創(chuàng)新中心等項(xiàng)目，也曾擔(dān)任華為“天才少年”面試官。

在業(yè)內(nèi)，他也因此被稱為“華為具身大腦一號位”。

聯(lián)合創(chuàng)始人劉晉宇則補(bǔ)上了產(chǎn)品化和全球商業(yè)化能力。

他長期深耕AI機(jī)器人產(chǎn)品落地與全球化拓展，曾參與多個產(chǎn)品線從0到1孵化和規(guī)?；涞?，在工業(yè)與商用場景中積累了豐富的產(chǎn)品定義、市場拓展和客戶交付經(jīng)驗(yàn)。

再往下看，具腦磐石核心團(tuán)隊覆蓋清華、北大、復(fù)旦、中科院等頂尖院所，也有華為、聯(lián)想、曠視、極智嘉等一線企業(yè)背景，形成了從前沿技術(shù)研究、軟硬件研發(fā)、工程化到商業(yè)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(guān)鍵。

因?yàn)檎J(rèn)知世界模型最終要落到機(jī)器人系統(tǒng)里，既要處理模型架構(gòu)和主動推理，也要面對本體差異、傳感器接入、動作執(zhí)行、現(xiàn)場部署和客戶交付。

具腦磐石的團(tuán)隊結(jié)構(gòu)，恰好覆蓋了從理論到工程、從算法到商業(yè)化的關(guān)鍵環(huán)節(jié)。

在商業(yè)化上，具腦磐石選擇了一條相對務(wù)實(shí)的路線。

公司不會等待通用機(jī)器人大腦完全成熟，再去談落地。

而是優(yōu)先沉淀具身技能學(xué)習(xí)、認(rèn)知地圖移動導(dǎo)航、一腦多機(jī)協(xié)同等可復(fù)用模塊，在真實(shí)場景中形成數(shù)據(jù)與現(xiàn)金流閉環(huán)，再反哺核心研發(fā)。

場景選擇上，具腦磐石也有明確標(biāo)準(zhǔn)：客戶真實(shí)付費(fèi)、方案具備跨場景復(fù)制性、技術(shù)挑戰(zhàn)能夠倒逼核心模型迭代。

目前，該公司已在國內(nèi)外同步推進(jìn)多個行業(yè)客戶PoC，并簽約多家海內(nèi)外行業(yè)戰(zhàn)略合作伙伴。

產(chǎn)品路徑上，具腦磐石提出了“一腦多機(jī)、一腦多形”。

短期看，是用類腦智能驅(qū)動的Agent框架支持多機(jī)協(xié)作；中期看，是探索單一認(rèn)知世界模型適配不同機(jī)器人本體；長期看，則是向行業(yè)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(rèn)知世界模型在真實(shí)機(jī)器人任務(wù)中跑起來。