9 月 14 日，上海具脑磐石科技有限公司（以下简称 "具脑磐石"）在其承办的 2026 浦江创新论坛・类脑具身智能分论坛 —— 全球首个 "类脑具身智能" 专题论坛 —— 正式发布全球首代类脑认知世界模型 Cog-WM 1.0。
Cog-WM 1.0 是全球首个基于成体系类脑神经机制研发的类脑隐空间预测世界模型，完成了从主动探索具身导航（Navigation）到价值引导具身操作（Manipulation）的能力验证。该模型系统借鉴人脑认知神经机制，构建类脑机制下隐空间预测驱动的统一架构，使机器人不再依赖预建地图和海量数据，也能在陌生环境中完成自主规划、语义导航与操作任务。为提升具身智能逼近人脑的高泛化能力水平提供了新的技术路径。
支撑这一定位的，是在公开基准上的测试数据：据算法团队披露，导航任务跟认知地图导航业界 SOTA——Nature Communications 上的 BSC-Nav（Ruan et al., 2026）Baseline 相比，Cog-WM 1.0 实现了无预建图自主导航且导航成功率提升超 10% 以上，展现出更高的准确率与泛化性。操作任务在具身操作任务基准上均优于基于海量数据预训练的 SOTA（π0.5）最多 16% 以上。
Cog-WM 1.0 已在轮式人形、四足机器人等多构型机器人本体完成在无预建图条件下即可自主导航与路径规划、时空记忆检索和空间关系问答与寻物等核心能力，并在轮式人形机器人上验证了操作能力，为机器人未来在开放世界实现开箱即用提供了技术基础。
具脑磐石创始人兼 CEO 朱森华博士
从感知到认知：先要回答三个绕不过去的问题
在陌生房间里寻找一盆植物，机器人可能要穿过多个区域，记住已经看过的地方，并在目标尚未出现时判断下一步该往哪里走。完成物品整理这类连续操作，则需要知道每一步动作会带来什么变化、这些变化又如何影响后续任务。
这两个任务看着不同，指向的却是同一组技术挑战：如何降低对海量任务数据和特定环境适配的依赖？如何让历史信息真正被用起来？如何提高长程任务的完成度？
具脑磐石的判断是：这三问不是再优化两年工程就能跨过去的局部问题，而是范式层面的结构性问题 —— 把数据扩大十倍、把参数扩大十倍，并不能自动换来物理世界的认知理解与真实交互能力。针对这三问，Cog-WM 1.0 给出的答案是：不再沿 "用更多数据补更多场景" 的路径外推，而是回到智能的本源 —— 人脑。
核心机制：类脑感知编码与目标调控、时空记忆、隐空间多层级预测
Cog-WM 1.0 的底层思路，是借鉴人脑认知地图中组织记忆、选择性更新信息、预测后续状态的机制，并与 JEPA（联合嵌入预测架构）结合，在模型提取的抽象特征空间中学习 "未来会怎么变"。用更直白的话说：它关注的不是像素怎么变，而是与任务有关的空间和状态怎么变，并据此支持行动。
支撑这一思路的，是三套成体系、可归因的机制（需要说明的是，这里的类脑对应是机制层面的启发，而非生物同构）：
・感知编码与目标调控 —— 在隐空间而非像素层面重建世界，根据目标调控只预测对决策有用的抽象表征，学习目标小了，数据需求自然小。
・时空记忆内容与结构分离 —— 空间结构是可以跨任务复用的，学会 "房间大概长什么样" 之后，换一个房间不需要重新学，且通过惊异更新，系统只对 "意外" 投入学习，不重复消化已知信息。
・隐空间多层级预测 —— 跨时空尺度分层预测，支持陌生环境长程探索。
在这套共同框架下，导航与操作采用了不同的实现路径：导航侧建立显式空间记忆并据此预测探索方向；操作侧在训练中学习不同时间跨度的状态变化，并利用执行经验改进策略。同一套类脑机制，在两个任务域上先后完成验证 —— 这正是 Cog-WM 1.0 区别于单点式算法改进的地方。两个方向的完整方法均已通过 arXiv 论文公开，把 "可检验" 落到了论文层面。
具脑磐石技术合伙人 Leon
Cog-WM Nav 1.0—— 导航：类脑时空记忆 & 隐空间多层级预测机制显著提升开放环境主动探索和语义导航成功率
机器人在环境中移动时，会不断看到物体、经过不同区域。如何把这些分散的观察组织起来、并在下一次任务中调用，是自主导航长期没有解决好的问题。Cog-WM Nav 1.0 的做法是把空间记忆与前瞻预测绑在一起：在记忆的隐空间里，结合任务目标与既有环境记忆预测后续空间表征与探索子目标，再综合目标语义与路径代价选择下一步行动 —— 既能利用已掌握的信息直奔目标，也能在缺少线索时判断该往哪探。
结果集中体现在：
・成功率：HM3D-ObjectNav 子集上，导航成功率（SR）由 78.50% 提升至 86.89%，相较 BSC-Nav 提升 8.39 个百分点（相对提升 10.69%），路径效率（SPL）同步由 47.70 提升至 48.35；
・部署条件：无需预置的地图先验。
一句话概括：Cog-WM Nav 1.0 在显著提升任务成功率的同时，把训练数据需求也降低了 ——"低数据、高泛化" 这条路线，第一次在公开基准上进行了验证。
任务：在无预置 3D 地图条件下，让机器人自主探索并导航到开放环境下最先发现的 "沙发" 旁。
能力价值：在当前视野范围内目标不可见情况下，Ours（右侧）算法驱动机器人依据未来隐空间预测选择开展了更高效的主动探索与导航，比 BSC-Nav（左侧）更早成功找到目标。
目前，Cog-WM Nav 1.0 已在四足机器人上完成部署，并应用于巡检 / 巡逻场景的客户现场；此前亦在多款构型的轮式人形的本体上完成验证与适配，具备无预建图条件下的自主导航与路径规划、时空记忆检索、空间关系问答与寻物等核心能力。
Cog-WM Manip 1.0— 操作：多时间尺度预测与价值调制，三大基准全面超越同路线基线
连续操作中的每一步，都会改变后续任务的条件。Cog-WM Manip 1.0 的操作分支通过多时间尺度预测，让模型在训练中同时学习近期动作后果与后续任务状态，建立 "当前动作" 和 "任务进展" 之间的联系；同时引入价值引导的经验学习：利用有效执行轨迹学习环境变化，再根据动作片段对任务推进的贡献引导策略改进 —— 一次失败任务里的有效调整仍能提供学习信息，一次成功任务里的低效步骤也能被区分出来。
在统一复现协议下，Cog-WM Manip 1.0 在三大主流操作基准上的成功率分别为：
其中 RoboTwin 2.0 Hard 是当前公认难度最高的操作基准之一，Cog-WM Manip 1.0 在三个基准上均超越使用海量数据预训练的行业基线。
比 "上了几个分" 更有说服力的，是机制的可归因性。消融实验显示，能力是一层层叠加出来的：纯策略 80.0%→加入局部预测 81.6%→加入多时域预测 82.0%→完整方法 84.6%（LIBERO-Plus）。每一层提升都对应一个明确的机制 —— 这也是 "成体系的类脑机制" 与 "打补丁式优化" 的根本分野。
在光照变化、视角迁移、背景纹理改变等扰动条件下，Cog-WM Manip 1.0 仍能高可靠完成任务，展现出良好的跨场景泛化性与鲁棒性。
具脑磐石创始人兼 CEO 朱森华表示：
"具身智能正处于从实验室走向产业落地的关键阶段，' 低数据依赖、高泛化能力 ' 是这一进程的核心命题。Cog-WM 1.0 初步验证了系统借鉴人脑功能神经认知机制、并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，仅靠堆砌海量数据是不够的，更应该系统借鉴人脑心智模型（Mental Model），改进算法模型的结构与架构，从而提升模型的能力上限。"
"类脑具身智能 ' 创新是一条少有人走的路，因为这是一条少有人能走的路，但一定是战略方向正确的路。具脑磐石团队从出发那天就旗帜鲜明地要专注做 ' 脑具身智能 ' 创新：敢走『少有人走』的路，能走『少有人能走』的路。"
从模仿学习走向类脑认知：范式之外，生态加速
Cog-WM 1.0 的发布为具身智能行业提供了一条可验证的新技术路线：以约更小的数据规模取得领先性能，说明 "以算法机制换取数据效率" 具备工程可行性；把长期记忆与前瞻预测纳入核心架构，为机器人在长程任务与复杂环境中的稳定执行提供了基础；更关键的是，类脑机制已在公开评测中完成工程验证 —— 具身智能的竞争，正从单一的大数据预训练范式，走向多元并存。
同一时间，类脑具身产业的生态也在加速成型。"2026 浦江创新论坛・类脑具身智能分论坛" 是全球首个类脑具身智能专题论坛，汇聚了上海、北京、深圳等具身智能产业高地及中国脑计划 "南脑"" 北脑 " 的顶尖专家，联动头部大厂与顶尖初创企业。
产业链层面，论坛贯通了类脑具身算法、类脑计算芯片及上下游企业，"政产学研用" 全面协同，并吸引了数十家顶尖资本到场关注。类脑智能是国家 "十五五计划" 重点布局的未来产业方向，本次论坛将为上海、为中国打造全球类脑智能创新策源地、抢占领跑全球的下一代 AI 根技术提供关键支撑。
以 Cog-WM 1.0 为起点，具身智能从模仿学习走向类脑认知的范式变革，正在从实验室走向产业现实。当机器人不再 "读死地图"，而是像人一样 "长记性"—— 具身智能才真正开始。
（来源：具脑磐石）
