机器人前瞻（公众号：robot_pro）
作者 | 许丽思
编辑 | 漠影

机器人前瞻5月25日报道，近日，具脑磐石完成新一轮亿元级融资，本轮融资由具备深厚类脑与具身产业背景的顶尖产业资本领投，老股东及多家顶尖基金复投和跟投。同时，更新一轮融资也在同步交割中，多维资本担任独家财务顾问。

这笔融资之所以值得关注，是因为具脑磐石押注的并不是国内常见的具身大脑主流技术路线，反而有点冷门——沿着JEPA的方向，基于类脑智能的底层技术范式，打造一个更面向具身落地的Cognitive World Model（认知世界模型）。

JEPA，全称Joint Embedding Predictive Architecture，是前Meta首席AI科学家、图灵奖得主杨立昆等人提出的一种新型 AI 架构。它强调AI不应只在像素或语言表层生成世界，而应在抽象表征空间中学习和预测世界。

简单来说，就是AI不应该通过死记硬背，逐帧去预测“放在桌边的杯子会掉下去”的画面；而是像人类一样，通过观察来学习世界的运行规律，在大脑内实现抽象概念学习，主动理解和掌握引力会让杯子往下掉这一符合物理常识的结果。

朱森华是具脑磐石的创始人，也是JEPA在中国少有的系统化推动者。他曾担任华为云AI算法创新Lab主任，是华为具身智能大脑的开创者和负责人，还是“华为天才少年”们的面试官之一。

他从自身脑与AI交叉研究的专业出发，零到一构建了华为云的脑与类脑AI云平台、华为云智能机器人业务，还带领“博士军团”孵化了首代盘古具身大模型。

朱森华把自己下场创业形容成“攒齐了七颗龙珠”，创办具脑磐石并不是一次突然转身，而是多年技术积累、产业经验和团队资源终于汇合到一起后的自然结果。

具脑磐石成立时间不长，2025年下半年开始正式运营，目前团队规模30多人。在该公司还没有产品、只有一份PPT时，就获得了众多投资人的支持。

投资人押注的是朱森华这票人、这条技术路线，以及他们对下一代具身智能范式的前置判断。

当行业还在卷本体、卷VLA、卷真机数据时，具脑磐石为什么要押注JEPA这条路线？带着这个问题，我们与朱森华进行了一场对话。

一、从华为走出，用创业公司的方式重做具身大脑

具脑磐石的诞生，首先来自朱森华对具身智能长期价值的判断。

在华为主导相关业务五六年后，他越来越确定，具身智能不是一个短期风口，而是面向下一代通用智能机器人、值得投入半辈子的长期赛道。

但在大厂体系内，前沿技术探索往往需要兼顾组织协同、业务节奏和商业化目标。对于具身智能这样仍处在早期的赛道来说，创业公司或许能提供另一种更灵活的探索方式。所以，朱森华选择用创业公司的方式重新做一次具身大脑。

回看朱森华过去的这些年，他完整经历了具身智能领域的技术演化。从早期SLAM导航、位置估计、Manipulation，到小模型、大模型、VLA、World Model和类脑智能等，让他更早地看到了现有VLA和大模型路线的边界，从创业第一天就坚定做类脑智能驱动的具身大脑。

成立两个月后，具脑磐石的核心团队就已经搭建完毕。众多成员都是朱森华在华为相关业务中长期磨合过的战友，彼此在技术理念、价值观和产业判断上已经形成高度共识。

从团队构成看，核心成员来自华为、联想、旷视、极智嘉等公司，朱森华主导研发和管理，其他核心成员则覆盖供应链、产品与解决方案、出海拓展、公司运营和投融资等维度。这种组合，让公司从一开始就带有明确的产业化意识。

同时，具脑磐石的技术人才结构并不只是传统机器人公司常见的算法、硬件和工程团队，更偏重底层理论和前沿探索的复合型人才。

具体来说，具脑磐石最需要的有三类人：第一类是VLA、大模型、Transformer架构方向的AI人才，他们是今天具身智能研发的基础；第二类是类脑计算专家，为该公司的理论算法创新提供底层指导；第三类是数学家和应用数学家，负责核心算法优化。

真正的挑战在于第二类人才。朱森华解释，在国内，真正懂脑与类脑、计算神经科学的人才集中在中国“脑计划”的两大高地，也就是“南脑”上海和“北脑”北京。南脑、北脑有大量学术人才，很多学者在实验室里做得很深，但真正愿意走向产业化、投身创业的人并不多。

具脑磐石公开技术理念后，吸引了大批全球脑与类脑中心背景的学生投递简历，包括斯坦福、宾夕法尼亚、清华、北大、复旦等国内外顶尖高校的人才，让他们看到了把计算神经科学从学术推向产业化的路径。

所以，投资人早期愿意下注具脑磐石，背后不只是对技术路线和团队履历的认可，更是看到了这支团队把脑科学推向机器人产业化的可能性。

二、一个理想的具身大脑，至少要逼近人脑的四项能力

要理解具脑磐石为什么选择这条路线，首先要回到一个更基础的问题：一个理想的具身大脑，到底应该是什么样的？

朱森华的答案很直接：至少要逼近人脑的四项能力：高泛化、低数据、可终身学习和低功耗。   

高泛化，意味着机器人不能只会处理训练的时候见过的物体和技能，而要像人一样理解物理世界背后的抽象概念和用途。比如一个人学会用碗吃饭后，换成在不同环境、不同形状、不同材质、不同颜色的碗之后，依旧可以把它当成是吃饭的容器，完成吃饭的动作。

低数据，即小样本数据学习。朱森华并不否认数据的重要性，人类学习也需要大量经验。但人类不需要穷举互联网量级的数据，才能理解一个概念或学会一种技能，而是通过少量训练实现概念的抽象理解和技能学习，即“举一反三”。机器人所需要具备的就是这种接近人类的小样本学习能力。

可终身学习，主要是为了解决当前AI系统中的灾难性遗忘问题。不少AI学会新技能后，旧能力可能被覆盖或削弱，但人类学习更像是不断叠加和修正，即“熟能生巧”。在现有Transformer深度学习范式下，这个问题很难被根治。

低功耗，就像人脑的功率大约只有25瓦一样，机器人需要减少训练和推理算力消耗。

在朱森华看来，AI长期被诟病的问题是“全球炼丹没有理论指导”，大量模型研发依赖试错、堆参数、堆数据、堆算力，但缺乏足够清晰的理论方向。

也正因为以上这四项能力都指向人脑，具脑磐石选择回到脑科学和计算神经科学中寻找方法论。

而Karl Friston提出的主动推理理论，就为低数据、高泛化、终身学习和低功耗提供了一套更接近人脑认知机制的理论框架，是类脑智能的长期方向。

主动推理理论强调，所有生物系统的行为，本质上都是不断生成对外界的预测，然后采取行动来减少预测和现实之间的偏差。就像人进入了一个陌生的房子，并不是等所有信息都喂到眼前，而是会主动判断门在哪里、障碍物在哪里、下一步该怎么走，不断修正自己对这个房子的心理地图。

在World Model这条大路线下，除了Karl Friston为代表的神经科学派之外，还有四个派别在进行探索。

杨立昆的JEPA路线，强调让AI像人类一样通过观察来了解世界运行规律，在抽象表征空间中学习和预测世界；

GoogleDeepMind代表的学习型仿真路线，更强调让智能体在实时的虚拟环境交互中，形成决策和行动能力；

OpenAI的Sora代表的视频生成路线，更强调通过世界模拟器，模拟物理世界变化；

李飞飞主导的空间智能路线，则更关注视觉真实和三维空间理解。

具脑磐石选择，便是以JEPA作为起点，以主动推理为终极方向，用类脑智能的认知机制改造具身大脑。

三、国内唯一对标杨立昆AMI的创企，让机器人学会理解抽象概念

据了解，具脑磐石是目前国内唯一对标杨立昆AMI的创业团队，双方的理论底座都指向主动推理派。

这两者都不相信单靠堆数据、堆算力，就能通向通用智能。朱森华认为，人类并不是这样学习的，真正的通用智能，需要系统性借鉴大脑优秀能力特性及其功能实现机制，才能拥有逼近人脑的能力。

既然主动推理是更长期的理论方向，为什么具脑磐石不直接对标Karl Friston？朱森华解释，JEPA在抽象学习、小样本数据学习上的算法工程能力，比主动推理流派要更成熟一些，更适合作为一家创业公司的起点。

这就像攀岩，主动推理是更高的山顶，但JEPA提供了一个已经可以抓住的岩点。具脑磐石要做的是把 JEPA 继续往 Goal、Memory、Action、System 推进，做成能够落地到机器人系统里的 Cognitive World Model（认知世界模型）。

以执行一项任务为例，传统深度学习方案往往需要穷举和拟合，更像是在学习Observation和Label之间的绝对差异，容易陷入过拟合或欠拟合。

而JEPA式路线更强调在隐空间中学习一种抽象分布，学习概念背后的稳定结构，理解“这个东西为什么是这个东西”。

朱森华用“线上视频和线下见面认人”来解释这种差异，人不会因为对方换了衣服，光线、角度变了，就认不出来，因为人学习到的是“他之所以是他”的抽象概念，而不是像素级的绝对匹配。

这种抽象概念学习能力，放到机器人身上，最直接影响两件事：操作技能和自主移动。前者决定机器人能不能真正干活，后者决定机器人能不能进入开放环境，具脑磐石也把这两部分作为重点发力方向。

在操作技能上，以“教机器人用杯子喝水”这个任务为例，多数具身公司会采集尽可能多种环境下多种类的杯子数据，让模型覆盖更多形状、材质和场景。

但人脑并不需要无穷无尽地列举杯子和模拟环境，一个人理解了“容器”的概念后，即便到了森林里，也可能把椰子壳当成取水和喝水的工具。

在自主移动上，很多机器人进入新环境前需要提前建图，但一个人第一次去朋友家，并不需要对方提前给一张3D地图，也能判断门在哪里、障碍物在哪里、电梯该怎么进，自主完成陌生环境的移动规划和认知导航。

围绕这一能力，具脑磐石提出类人认知地图机制，希望借鉴人类在开放环境中自由探索的神经机制，让机器人实现跨室内外开放场景的自由移动。

对未来家庭服务机器人来说，这是一项必备的能力，毕竟机器人要先能在陌生空间里行动，才谈得上真正服务人。

四、追逐星辰大海，也要沿途下蛋

和杨立昆先追求星辰大海、不急于商业化的姿态不同，具脑磐石坚持在长期技术目标之外，也要沿途下蛋，不断寻找阶段性商业落点。

这也是具脑磐石和纯学术路线最大的区别。JEPA核心目标更偏向解决泛化性，而具脑磐石还把低功耗、低数据、可终身学习视作同等重要的落地指标，因为这些能力在当前对于工程部署和场景应用更有价值。

谈到落地场景，朱森华觉得，具身智能落地不能简单分成“先进入家庭”或“先进入工商业”。家庭、工业、商服、康养只是不同阶段的细分场景选择，真正的逻辑要回到商业和技术的匹配上。

以中国市场为例，客户买单最核心的逻辑仍然是算ROI。但朱森华坦言，现阶段具身智能本体和大脑都还只是局部成熟，如果纯粹按ROI来算，大规模商业变现还远未到时候。

这也是具脑磐石从成立第一天就把目光投向海外的原因。日韩、欧美等发达市场人口老龄化更明显，面临事实性劳动力短缺。

对这些海外客户来说，即使机器人还不能完全替代人，价格比现有人力更贵，但只要它能补上一部分劳动力缺口或局部解决问题，保证生产和服务可持续，就有可能形成真实付费。

至于哪些场景值得优先进入，具脑磐石有一套明确的筛选标准。真正有价值的场景，不能只是一次性定制项目，而要有真实付费需求，有复制到更多客户和场景的空间，也要能在落地过程中不断反哺核心技术迭代。

这也意味着，具脑磐石并非什么业务都接。未来两到三年，该公司核心节奏仍然是技术攻关与技术摸高，每一个阶段性技术突破，都会先找到合适伙伴和客户去试炼沉淀，围绕行业场景构建上下游的合作生态，而不是盲目铺开商业化。

结语：所谓具身智能的泡沫，更像是一种认知失调

朱森华觉得，具身智能所谓的泡沫，更像是一种认知失调。外界常常沿用互联网投资和互联网应用的观察方式，希望今年投入，明年就有产出，能算回报、算ROI。

但具身智能不是这样的节奏。目前，全球还没有任何一套成熟可复制的具身智能答案。中国公司与海外顶尖团队仍站在同一起跑线上，一边探索技术突破，一边寻找商业落点，这是一条长坡厚雪的赛道。

所以，不能因为阶段性没有商业成果，就质疑这个赛道的价值。

真正的考验是，在全民疯狂、投资泡沫之后，是否还有具备产业愿景的投资方，能够支持有愿景、有能力的团队，在技术创新孵化和商业应用探索中持续往前走。

对具身智能企业来说，最终也不可能只靠融资、Demo和概念叙事穿越周期。它们必须一次次走进真实场景，面对真实客户，解决真实问题，把这场关于未来的想象，变成一门能够持续创造价值的产业。