具腦磐石發佈業界首個類腦認知世界模型 Cog-WM 1.0

9月14日，上海具腦磐石科技有限公司（以下簡稱"具腦磐石"）在其承辦的 2026 浦江創新論壇·類腦具身智能分論壇——全球首個"類腦具身智能"專題論壇——正式發佈全球首代類腦認知世界模型 Cog-WM 1.0。Cog-WM 1.0 是全球首個基於成體系類腦神經機制研發的類腦隱空間預測世界模型，完成了從主動探索具身導航（Navigation）到價值引導具身操作（Manipulation）的能力驗證。該模型系統借鑑人腦認知神經機制，構建類腦機制下隱空間預測驅動的統一架構，使機器人不再依賴預建地圖和海量數據，也能在陌生環境中完成自主規劃、語義導航與操作任務。

為提升具身智能逼近人腦的高泛化能力水平提供了新的技術路徑。支撐這一定位的，是在公開基準上的測試數據：據算法團隊披露，導航任務跟認知地圖導航業界SOTA——Nature Communications上的BSC-Nav（Ruan et al., 2026）Baseline相比，Cog-WM 1.0 實現了無預建圖自主導航且導航成功率提升超 10%以上，展現出更高的準確率與泛化性。操作任務在具身操作任務基準上均優於基於海量數據預訓練的SOTA （π0.5）最多16%以上。Cog-WM 1.

0 已在輪式人形、四足機器人等多構型機器人本體完成在無預建圖條件下即可自主導航與路徑規劃、時空記憶檢索和空間關係問答與尋物等核心能力，並在輪式人形機器人上驗證了操作能力，為機器人未來在開放世界實現開箱即用提供了技術基礎。從感知到認知：先要回答三個繞不過去的問題在陌生房間裡尋找一盆植物，機器人可能要穿過多個區域，記住已經看過的地方，並在目標尚未出現時判斷下一步該往哪裡走。完成物品整理這類連續操作，則需要知道每一步動作會帶來什麼變化、這些變化又如何影響後續任務。這兩個任務看著不同，指向的卻是同一組技術挑戰：如何降低對海量任務數據和特定環境適配的依賴？如何讓歷史信息真正被用起來？

如何提高長程任務的完成度？具腦磐石的判斷是：這三問不是再優化兩年工程就能跨過去的局部問題，而是範式層面的結構性問題——把數據擴大十倍、把參數擴大十倍，並不能自動換來物理世界的認知理解與真實交互能力。針對這三問，Cog-WM 1.0 給出的答案是：不再沿"用更多數據補更多場景"的路徑外推，而是回到智能的本源——人腦。核心機制：類腦感知編碼與目標調控、時空記憶、隱空間多層級預測Cog-WM 1.0 的底層思路，是借鑑人腦認知地圖中組織記憶、選擇性更新信息、預測後續狀態的機制，並與 JEPA（聯合嵌入預測架構）結合，在模型提取的抽象特徵空間中學習"未來會怎麼變"。

用更直白的話說：它關注的不是像素怎麼變，而是與任務有關的空間和狀態怎麼變，並據此支持行動。支撐這一思路的，是三套成體系、可歸因的機制（需要說明的是，這裡的類腦對應是機制層面的啟發，而非生物同構）：• 感知編碼與目標調控——在隱空間而非像素層面重建世界，根據目標調控只預測對決策有用的抽象表徵，學習目標小了，數據需求自然小。• 時空記憶內容與結構分離——空間結構是可以跨任務複用的，學會"房間大概長什麼樣"之後，換一個房間不需要重新學，且通過驚異更新，系統只對"意外"投入學習，不重複消化已知信息。• 隱空間多層級預測——跨時空尺度分層預測，支持陌生環境長程探索。

在這套共同框架下，導航與操作採用了不同的實現路徑：導航側建立顯式空間記憶並據此預測探索方向；操作側在訓練中學習不同時間跨度的狀態變化，並利用執行經驗改進策略。同一套類腦機制，在兩個任務域上先後完成驗證——這正是 Cog-WM 1.0 區別於單點式算法改進的地方。兩個方向的完整方法均已通過 arXiv 論文公開，把"可檢驗"落到了論文層面。Cog-WM Nav 1.0 —— 導航：類腦時空記憶 & 隱空間多層級預測機制顯著提升開放環境主動探索和語義導航成功率機器人在環境中移動時，會不斷看到物體、經過不同區域。如何把這些分散的觀察組織起來、並在下一次任務中調用，是自主導航長期沒有解決好的問題。

Cog-WM Nav 1.0 的做法是把空間記憶與前瞻預測綁在一起：在記憶的隱空間裡，結合任務目標與既有環境記憶預測後續空間表徵與探索子目標，再綜合目標語義與路徑代價選擇下一步行動——既能利用已掌握的信息直奔目標，也能在缺少線索時判斷該往哪探。結果集中體現在：• 成功率：HM3D-ObjectNav子集上，導航成功率（SR）由 78.50% 提升至 86.89%，相較 BSC-Nav 提升 8.39 個百分點（相對提升 10.69%），路徑效率（SPL）同步由 47.70 提升至 48.35；• 部署條件：無需預置的地圖先驗。一句話概括：Cog-WM Nav 1.

0 在顯著提升任務成功率的同時，把訓練數據需求也降低了——"低數據、高泛化"這條路線，第一次在公開基準上進行了驗證。任務：在無預置3D地圖條件下，讓機器人自主探索並導航到開放環境下最先發現的“沙發”旁能力價值：在當前視野範圍內目標不可見情況下，Ours（右側） 算法驅動機器人依據未來隱空間預測選擇開展了更高效的主動探索與導航，比BSC-Nav（左側）更早成功找到目標。目前，Cog-WM Nav 1.0 已在四足機器人上完成部署，並應用於巡檢/巡邏場景的客戶現場；此前亦在多款構型的輪式人形的本體上完成驗證與適配，具備無預建圖條件下的自主導航與路徑規劃、時空記憶檢索、空間關係問答與尋物等核心能力。

Cog-WM Manip 1.0 ——操作：多時間尺度預測與價值調製，三大基準全面超越同路線基線連續操作中的每一步，都會改變後續任務的條件。Cog-WM Manip 1.0 的操作分支通過多時間尺度預測，讓模型在訓練中同時學習近期動作後果與後續任務狀態，建立"當前動作"和"任務進展"之間的聯繫；同時引入價值引導的經驗學習：利用有效執行軌跡學習環境變化，再根據動作片段對任務推進的貢獻引導策略改進——一次失敗任務裡的有效調整仍能提供學習信息，一次成功任務裡的低效步驟也能被區分出來。在統一復現協議下，Cog-WM Manip 1.0 在三大主流操作基準上的成功率分別為：其中 RoboTwin 2.

0 Hard是當前公認難度最高的操作基準之一，Cog-WM Manip 1.0 在三個基準上均超越使用海量數據預訓練的行業基線。比"上了幾個分"更有說服力的，是機制的可歸因性。消融實驗顯示，能力是一層層疊加出來的：純策略 80.0% → 加入局部預測 81.6% → 加入多時域預測 82.0% → 完整方法 84.6%（LIBERO-Plus）。每一層提升都對應一個明確的機制——這也是"成體系的類腦機制"與"打補丁式優化"的根本分野。在光照變化、視角遷移、背景紋理改變等擾動條件下，Cog-WM Manip 1.0 仍能高可靠完成任務，展現出良好的跨場景泛化性與魯棒性。

具腦磐石創始人兼 CEO 朱森華表示："具身智能正處於從實驗室走向產業落地的關鍵階段，'低數據依賴、高泛化能力'是這一進程的核心命題。Cog-WM 1.0 初步驗證了系統借鑑人腦功能神經認知機制、並以之提升算法模型能力上限的可行性——具身智能能力的突破，僅靠堆砌海量數據是不夠的，更應該系統借鑑人腦心智模型（Mental Model），改進算法模型的結構與架構，從而提升模型的能力上限。"'類腦具身智能'創新是一條少有人走的路，因為這是一條少有人能走的路，但一定是戰略方向正確的路。具腦磐石團隊從出發那天就旗幟鮮明地要專注做'類腦具身智能'創新：敢走『少有人走』的路，能走『少有人能走』的路。

"從模仿學習走向類腦認知：範式之外，生態加速Cog-WM 1.0 的發佈為具身智能行業提供了一條可驗證的新技術路線：以約更小的數據規模取得領先性能，說明"以算法機制換取數據效率"具備工程可行性；把長期記憶與前瞻預測納入核心架構，為機器人在長程任務與複雜環境中的穩定執行提供了基礎；更關鍵的是，類腦機制已在公開評測中完成工程驗證——具身智能的競爭，正從單一的大數據預訓練範式，走向多元並存。同一時間，類腦具身產業的生態也在加速成型。

“2026 浦江創新論壇·類腦具身智能分論壇”是全球首個類腦具身智能專題論壇，匯聚了上海、北京、深圳等具身智能產業高地及中國腦計劃"南腦""北腦"的頂尖專家，聯動頭部大廠與頂尖初創企業。產業鏈層面，論壇貫通了類腦具身算法、類腦計算芯片及上下游企業，"政產學研用"全面協同，並吸引了數十家頂尖資本到場關注。類腦智能是國家“十五五計劃”重點佈局的未來產業方向，本次論壇將為上海、為中國打造全球類腦智能創新策源地、搶佔領跑全球的下一代 AI 根技術提供關鍵支撐。以 Cog-WM 1.0 為起點，具身智能從模仿學習走向認類腦知的範式變革，正在從實驗室走向產業現實。

當機器人不再"讀死地圖"，而是像人一樣"長記性"——具身智能才真正開始。關於具腦磐石具腦磐石成立於 2025 年 6 月，集結來自華為、聯想、曠視、極智嘉、中山大學、賓夕法尼亞大學、中科院、清華等頂尖企業和科研院所、長期耕耘具身智能業務的技術專家和企業高管全職投入，具備 10 年+ 的 AI & NI 交叉研發、15 年+ 的機器人產業鏈協同能力與萬臺級機器人規模落地經驗，是一個原生具備市場認知、前沿技術研發、國內外市場運營經驗的複合型初創團隊。

具腦磐石以"為具身智能體鑄造像人一樣聰明的「類腦 · 具身大腦」"為使命，主張"用清晰的類腦智能思想替代盲目的計算"，目標是打造和逼近"低數據、高泛化、可終身學習、低功耗"的類人智能。具腦磐石具備全球稀缺的從底層進行算法根技術創新的能力，是國內唯一對標楊立昆 AMI Lab 技術願景的團隊。欲瞭解更多信息，請訪問官方網站：http://www.ebkernel.com/或關注官方微信公眾號【具腦磐石EBKernel】。