具身智能領域迎來一則重磅消息：具身智能大腦公司「具腦磐石」宣布完成新一輪億元級融資。本輪融資由具有深厚類腦與具身產業背景的頂尖產業資本領投，老股東及多家頂尖基金復投和跟投，多維資本擔任獨家財務顧問。同時，新一輪融資也在同步推進交割。此次融資資金將主要用于核心技術研發、人才團隊擴充以及全球化市場拓展，加速認知世界模型（Cognitive World Model）的研發、工程化落地與真實場景驗證。

具腦磐石成立于2025年，以類腦智能為底層范式，致力于構建面向真實物理世界的認知世界模型。公司由“華為具身大腦一號位”朱森華創立并擔任CEO。朱森華長期專注于AI與腦認知交叉研究，在學術領域成果豐碩，曾在中山大學從事計算機與AI研究，博士畢業于賓夕法尼亞大學認知神經科學專業，還在中科院腦與認知科學國家重點實驗室完成博士后研究。進入華為后，他擔任過華為云AI算法創新Lab主任，主導并負責AI腦科學云平臺、盤古具身大模型、全球具身智能產業創新中心等項目，推動了世界模型與類腦智能融合路線的系統性驗證，是華為具身智能大腦的開創者，兼具腦認知科學研究、類腦AI路線創新驗證與具身智能產業落地的復合能力。

具腦磐石的聯合創始人劉晉宇長期聚焦AI機器人技術產品化與商業化，曾成功從0到1孵化多個產品事業部并實現全球規模商業落地。公司多位技術、供應鏈、運營合伙人來自清華、北大、復旦、中科院等科研院所，且曾在華為、聯想、曠視、極智嘉等公司參與AI算法、機器人系統、供應鏈及全球商業化落地工作，原生團隊已覆蓋前沿研究、模型研發到系統工程落地的完整閉環。

過去一年，具身智能賽道發展迅速，行業熱詞從“VLA”轉變為“世界模型”。李飛飛押注空間智能，Yann LeCun創立AMI Labs探索因果推理，英偉達、Google DeepMind等科技巨頭也加速布局物理仿真與真實交互技術。然而，對于世界模型的定義和路徑，不同團隊看法各異，一個基礎問題尚未厘清：世界模型究竟是全新的學術理念、下一代AI的核心技術路線，還是仍在被市場反復驗證的階段性概念？

具腦磐石創始人朱森華認為，要弄清楚世界模型，需先回到問題本源，厘清其技術本源與核心訴求，明確它從何而來、要解決產業的什么根本問題。他指出，世界模型的底層邏輯根植于腦與認知科學的“心智模型（Mental Model）”，是當前腦科學與AI的前沿交叉體系。缺乏這套認知體系，大多討論容易停留在技術名詞的排列組合。這一判斷影響了具腦磐石的技術路徑選擇。在團隊看來，具身智能正從“動作智能”走向“認知智能”，下一階段核心是讓機器人具備類人的小樣本抽象概念學習、多維環境感知、長期記憶和主動推理能力，并在真實世界中跨場景穩定行動。

但當前具身智能落地面臨諸多瓶頸，如高質量真實數據難以規模化獲取、模型跨場景泛化能力不足、機器人缺少長期記憶與持續學習能力等。而人類大腦無需海量示教數據和高能耗高算力，就能在復雜多變環境中持續完成學習、感知、記憶、預測、規劃與行動。這正是具腦磐石選擇類腦智能作為底層路徑的原因，即提取大腦智能化的功能神經機制等核心能力，轉化為可計算的算法與架構，構建下一代具身智能大腦。

具腦磐石從創立之初就提出類腦智能驅動的認知世界模型，與Yann LeCun提出的JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）路線同向，基于共同的主動推理認知科學理論底座，聚焦推理、規劃與真實世界建模。JEPA能讓AI在抽象表征空間中學習狀態如何演化、推理未來趨勢，更接近人類大腦認知真實世界的底層規律。不過，對于需要進入真實環境執行任務的機器人而言，僅具備“表征—預測”能力不足以構成完整智能閉環。

朱森華舉例，人過馬路時無需精準測量車輛速度、距離、紅綠燈時間，掃一眼周邊就能安全通過，這就是心智模型中的主動推理。具腦磐石要做的認知世界模型，就是把這套能力工程化，讓機器人不僅能預測世界變化，還能自主設定目標、規劃行動、執行操作，并從環境反饋中持續學習修正行為。這意味著，用于具身系統的世界模型必須涵蓋從狀態預測到決策執行的全鏈路能力。

在實現路徑上，具腦磐石將腦科學中的多艙室神經元、非線性注意力、多階段記憶、稀疏計算與主動推理等機制，轉化為可落地應用的算法模型與工程化系統架構，指向低數據、高泛化、終身學習、低功耗四個核心技術目標，以突破具身智能在數據成本、跨場景適應、持續運行與算力限制等方面的現實約束。目前，公司已在具身感知交互、規劃、移動導航、操作及群體具身等方向完成多項系統級技術驗證，并在國內及海外市場同步推進多個行業客戶真實場景PoC，將認知世界模型從算法框架推進到真實機器人系統。

在訪談中，朱森華還對世界模型的概念進行了詳細闡述。他認為世界模型有五個層級，從下往上依次為：第一層視覺真實，以李飛飛主導的空間智能為代表，解決從2D到3D的環境真實問題；第二層物理真實，類似Sora通過堆數據理解物理規律，但可靠性存爭議；第三層交互真實，以Google DeepMind、英偉達為代表，解決智能體在環境中的觸碰、反饋等交互過程學習問題；第四層抽象學習，以Yann LeCun團隊提出的JEPA為代表，在表征層面進行抽象學習，解決泛化性問題；第五層主動推理，源于認知神經科學的主動推斷理論，追求低數據、高泛化、可終身學習、低功耗，人類大腦已證明這套路徑可行。這五個層級構成從基礎設施到智能能力演化的體系，前三層解決數據和訓練環境問題，后兩層解決算法架構問題，可分頭探索也可相互支撐。

當被問到類腦智能路線的核心瓶頸時，朱森華表示，既不是算力問題，也不是理論未破譯。AI領域的很多核心概念源自腦科學，腦科學每成熟一步，AI就能往前推一步。當前真正的瓶頸在于人才和體系，缺少同時具備腦科學與AI交叉背景的復合人才，也缺少一套系統性的理論體系來指導發展方向。大家依賴海量數據和算力試錯，成本高、效率低。具腦磐石選擇類腦智能，是用已有的認知神經科學成果指導算法架構和工程實現，讓技術發展更穩更快。

朱森華還介紹了具腦磐石提出的“一腦多機、一腦多形”應用路線。他承認目前沒有公司能用同一個模型適配所有形態的本體，跨構型本體的模型無法直接通用。公司的策略分三層：當前用類腦智能的Agent框架驅動多機協作；技術層面持續探索單一認知世界模型適配多種本體；硬件生態上與樂聚、星塵智能、智動力等多家本體廠商深度合作，長期目標是向具身行業生態伙伴開放通用具身大腦模型和面向場景應用的生產力工具。多機協作本質是工程問題，用中央Agent大腦調度、分解任務、協調動作是當下最高效可行的方案，且具腦磐石用類腦智能機制改進Agent的能力模塊，它既是世界模型成熟前的工程化橋梁，也是未來能力完備后的自然延伸。