华为具身大脑一号位创业，用认知科学造世界模型，获亿元级融资

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 华为具身大脑一号位创业，用认知科学造世界模型，获亿元级融资 思邈 2026-05-25 10:28:17 来源： 量子位 用“人类心智”重做具身智能 允中 发自 凹非寺 量子位 | 公众号 QbitAI 2026年， 世界模型 成了AI圈最硬通的“社交货币”。 Yann LeCun离开Meta后创办的AMI Labs，一举拿下10.3亿美元融资，投前估值为 35亿美元 。 李飞飞的World Labs持续押注空间智能，成为一级市场最抢手的标的之一；英伟达在GTC上抛出Physical AI，直言工业与机器人市场的潜在规模将达到 50万亿美元 。 资本、人才、顶尖头脑，都在往同一个方向汇聚—— 让AI真正理解物理世界 。 红杉AI峰会上，英伟达机器人负责人Jim Fan更是直接放话：行业的重心，正从VLA（视觉-语言-动作模型）转向世界动作模型（World Action Models）。 这句话的冲击力在于，把过去两年具身智能行业最热的技术路线，推到了一个新问题面前：机器人会看、会听、会执行动作之后，下一步该是什么？ 答案越来越清晰，它需要一个能理解物理世界、能预测行动后果、能持续修正经验的、真正贴近人脑运作模式的 机器人“大脑” 。 刚刚完成新一轮 亿元融资 的 具脑磐石 ，从成立之初押注的正是这个方向。 具脑磐石由 朱森华 创立。他曾任 华为云AI算法创新Lab主任 ，主导过AI脑科学云平台、盘古具身大模型、全球具身智能产业创新中心等系统级项目。在业内，他被称为 “华为具身大脑一号位” 。 现在，他把创业方向押在了一个更具挑战性的交叉点上：用认知神经科学，重做机器人的大脑模型。 具脑磐石给这套系统起了一个名字： 认知世界模型，Cognitive World Model。 说得更直白一点，它想让机器人拥有一颗会推演、会记忆、会自我更新的类脑认知中枢。 VLA触顶，世界模型站上C位 过去两年，VLA是具身智能行业里的主流叙事。 这一技术的逻辑很直接：将视觉、语言和动作统一进一个端到端模型，机器人能看懂环境、理解指令，并直接输出行动。 这条路线已经在一些场景里已经验证了价值。比如分拣、上下料、简单装配、仓储搬运、零售后台整理等任务，环境相对可控，动作链条相对明确，VLA能够让机器人从“能动”进一步走向“能按指令动”。 但随着真实场景变复杂，VLA的能力边界也开始显现。 首先是 数据 。 换一批物体、换一个光照、换一种桌面布局，模型往往要补充新的示范数据。机器人看起来在学习，很多时候仍然依赖人类提前喂给它的数据样本。 其次是 泛化 。 VLA更擅长从数据中学习统计相关性。它能知道“看到这个东西，大概率要做这个动作”，但面对物理因果、长期后果和开放环境变化，稳定性仍然不足。 再就是 记忆 。 今天很多机器人完成一次任务后，很难像人一样把经验沉淀下来。下一次面对相似任务，仍然容易从头开始。 这也是行业里那句老话的来处： 有多少人工，才有多少智能。 世界模型的价值，正在这里显现。 它试图让机器人在行动之前，先在内部完成一次“推演”： 如果我这样抓，杯子会不会倒？如果我往前走，这条路是不是会被障碍物挡住？如果我先打开柜门，再拿东西，任务链条是否更稳？ 人类每天都在做类似的事。 过马路时，人并不会精确计算每辆车的速度、距离和轨迹，但只要扫一眼，就能判断什么时候能过、什么时候该停。 这背后依靠的不是单一感知能力，也不是动作库，而是一套关于世界如何运转的心智模型。 具脑磐石要做的，就是 把这套能力工程化，装进机器人系统里。 五层地图，把世界模型讲明白 世界模型很热，但麻烦也在这里：大家口中的“世界模型”，常常指向不同的技术层级。 有人说的是3D空间建模，有人说的是视频生成，有人说的是仿真和强化学习，有人说的是JEPA，还有人说的是主动推理。 朱森华把当前世界模型的路线，自下而上拆成 五层 。 第一层，是 视觉真实 。 核心是从2D图像走向3D空间理解。以李飞飞的World Labs为代表，解决的是“机器人怎么看世界”的基础问题。 没有这一层，后续的智能处理无从谈起。 第二层，是 物理真实 。 聚焦重力、摩擦、碰撞等物理规律的建模。以Sora等视频生成模型为代表，模型试图从海量视频中学习物理直觉。 可问题在于，画面逼真并不等于因果可靠。一个视频可以非常像真实世界，但里面的物理逻辑未必稳定。 第三层，是 交互真实 。 这一层更接近仿真、强化学习和机器人试错。 它强调智能体通过“行动—反馈”积累经验，DeepMind、英伟达等公司都在这一方向持续投入。 第四层，是 抽象表征 。 这是Yann LeCun的JEPA架构的领地。它让模型在隐空间里学习状态如何变化，减少对像素级重建和token级预测的依赖。 举个例子，模型无需逐帧预测一个杯子未来每个像素会变成什么样，而是学习“杯子被推了一下，大概率会往哪个方向移动，是否会倒下”。 第五层： 主动推理 。 这是具脑磐石最看重的一层。它来自认知神经科学，背后包括自由能最小化、预测编码、贝叶斯大脑等理论，是目前最接近人类智能本质的理论框架。 翻译成人话是：智能体会主动形成假设，预测结果，执行动作，再根据环境反馈修正自己的内部模型。 也就是，边想边做，边做边学。 在具脑磐石看来，前三层更多解决“看见世界、模拟世界、训练世界”的问题；第四层开始进入抽象表征；第五层则 真正触及机器人认知能力的上限 。 也正因此，具脑磐石把自己定位为类脑智能驱动的 具身智能2.0公司 。 这个判断带有明确的技术立场：机器人下一阶段的竞争，不会只停留在动作生成和遥操作数据规模上，而会进入认知世界模型、主动推理、长期记忆和持续学习的整合竞争。 对标JEPA，但多走一步 具脑磐石的技术路线，与 Yann LeCun推动的JEPA 有着明显关联。 JEPA，全称Joint Embedding Predictive Architecture， 联合嵌入预测架构 。 它的核心价值，是让模型在抽象表征空间里学习世界状态的变化。相比逐像素预测、逐token拟合，这种方法更接近人类对世界的理解方式，也更适合处理复杂环境中的泛化问题。 但对机器人来说，只有“表征—预测”还不够。 机器人最终要进入真实物理世界。它需要感知环境、理解任务、预测后果、规划动作、执行任务，还要从失败和反馈中继续学习。 因此，具脑磐石提出的认知世界模型，更像是一个面向具身落地的 JEPA增强版 。 它要把JEPA的世界表征能力，推进到一条完整链路里：感知，认知，预测，规划，行动，反馈，学习。 这也让具脑磐石与“世界模拟器”路线拉开差异。 具脑磐石追求的重点，不是生成一个看起来足够真实的视频世界，而是为机器人提供一个可以参与真实任务闭环的认知计算推理引擎。 围绕这套目标，具脑磐石把技术攻关拆成四个方向。 第一，类脑感知编解码机制。 这对应视觉、听觉、力触觉等多模态信息的融合，让机器人更高效地理解真实环境。 第二，认知动态