具身智能領域迎來重要融資進展，具腦磐石公司宣布完成億元級新一輪融資。本輪融資由具備深厚類腦與具身產業背景的頂尖產業資本領投，老股東及多家知名基金復投跟投，多維資本擔任獨家財務顧問。與此同時，該公司下一輪融資也在同步推進交割。

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，重點推進認知世界模型（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。公司創始人朱森華被稱為“華為具身大腦一號位”，他長期專注于AI與腦認知交叉研究，擁有中山大學計算機與AI研究背景，博士畢業于賓夕法尼亞大學認知神經科學專業，并在中科院腦與認知科學國家重點實驗室完成博士后研究。

在華為任職期間，朱森華擔任華為云AI算法創新Lab主任，主導了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。他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，曾成功孵化多個產品事業部并實現全球規模商業落地。公司技術、供應鏈、運營團隊核心成員來自清華、北大、復旦、中科院等科研院所，并曾在華為、聯想、曠視、極智嘉等企業參與AI算法、機器人系統、供應鏈及全球商業化落地工作，形成了覆蓋前沿研究、模型研發到系統工程落地的完整閉環。

過去一年，具身智能賽道快速發展，行業焦點從“VLA”轉向“世界模型”。李飛飛布局空間智能，Yann LeCun創立AMI Labs探索因果推理，英偉達、Google DeepMind等科技巨頭加速布局物理仿真與真實交互技術。然而，關于世界模型的定義和技術路徑，業界尚未形成統一認知。不同團隊對其理解存在差異，導致討論多停留在技術名詞的組合層面。

朱森華認為，理解世界模型需回歸其技術本源與核心訴求。他指出，世界模型的底層邏輯源于腦與認知科學的“心智模型（Mental Model）”，是腦科學與AI的前沿交叉體系。當前許多討論未能觸及技術本質，導致概念迭代迅速卻缺乏實質性突破。具腦磐石選擇從認知科學角度出發，認為具身智能正從“動作智能”向“認知智能”演進，下一階段的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。

當前具身智能落地面臨多重挑戰：高質量真實數據獲取困難，模型跨場景泛化能力不足，機器人缺乏長期記憶與持續學習能力，且數據采集和算力資源有限。相比之下，人類大腦無需海量數據和高能耗算力，卻能在復雜環境中持續學習、感知、記憶、預測、規劃與行動。這正是具腦磐石選擇類腦智能路徑的原因——提取大腦智能化的核心功能神經機制，轉化為可計算的算法與架構，構建下一代具身智能大腦。

具腦磐石提出的類腦智能驅動認知世界模型，與Yann LeCun的JEPA（聯合嵌入預測架構）路線同向，均基于主動推理認知科學理論，聚焦推理、規劃與真實世界建模。JEPA的價值在于讓AI在抽象表征空間中學習狀態演化、推理未來趨勢，更接近人類大腦認知真實世界的規律。但對于需在真實環境中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。

朱森華舉例說明，人類過馬路時無需精確計算車輛速度和距離，只需掃視周邊環境即可安全通過，這體現了心智模型中的主動推理能力。具腦磐石的目標是將這種能力工程化，使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，適用于具身系統的世界模型需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，轉化為可落地的算法模型與工程化系統架構。公司設定了四個核心技術目標：低數據需求、高泛化能力、終身學習、低功耗運行，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，具腦磐石已在具身感知交互、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，并在國內外市場同步推進多個行業客戶真實場景PoC（概念驗證），將認知世界模型從算法框架推進到真實機器人系統。這種從算法到系統的推進方式，體現了具腦磐石對具身智能2.0的理解：讓機器人具備接近人類大腦的認知能力——從少量經驗中學習抽象規律，在復雜環境中持續感知和記憶，并在跨任務與泛場景中實現主動推理、穩定決策、持續行動。

朱森華進一步解釋了具腦磐石的技術層級體系：世界模型可分為五個層級，從下往上依次為視覺真實（如李飛飛的空間智能）、物理真實（如Sora通過數據理解物理規律）、交互真實（如Google DeepMind和英偉達的智能體交互學習）、抽象學習（如JEPA的表征層面抽象學習）和主動推理（源于認知神經科學的低數據、高泛化、終身學習、低功耗路徑）。這五個層級構成從基礎設施到智能能力演化的體系，前三層解決數據獲取和訓練環境問題，后兩層解決算法架構問題，可分頭探索也可相互支撐。

針對類腦智能路線的核心瓶頸，朱森華認為既非算力不足也非理論未破譯，而在于人才和體系。他指出，AI領域的許多核心概念源于腦科學，但腦科學尚未完全破譯人類大腦時，AI已取得顯著進展。當前真正缺乏的是同時具備腦科學與AI交叉背景的復合人才，以及一套系統性理論體系來指導發展方向。具腦磐石選擇類腦智能路徑，正是希望利用已有認知神經科學成果，指導算法架構和工程實現，提高技術發展效率。

在應用路線方面，具腦磐石提出了“一腦多機、一腦多形”策略。朱森華承認，當前尚無公司能用同一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。公司的短期策略是用類腦智能的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，長期目標是向行業生態伙伴開放通用具身大腦模型和場景應用生產力工具。他強調，多機協作本質是工程問題，用中央Agent大腦調度產線上形態、技能各異的機器人，是當前最高效可行的方案。具腦磐石也在用類腦智能機制改進Agent的感知、記憶、規劃、反饋糾錯等能力模塊，這套可擴展的工程系統既是世界模型成熟前的橋梁，也是未來能力完備后的自然延伸。