机器人为啥困在Demo?讯飞新公司爻方智能给出答案:缺一味「本体认知」
<p>VLA不是终局</p> <p>逛过WAIC具身智能展区的人,多半有同一个疑问:</p>
都2026年了,机器人干活,怎么还是慢吞吞的?
转头一讨论,大家默认的答案是:技术不行,快不了。
但一位刚成立机器人公司的负责人,给出了一个扎心得多的解释:
不是不能快,是怕出错。速度是可以调快的,调快以后出错概率就会增加,给别人演示的时候就会掉链子。
原来,展台上的慢,是主动调低的安全档。

而不敢调快的根源,正是行业如今热议的「大脑」:机器人的大脑,还没跨过实用门槛。
换个环境、换个物体,动作就开始变形,所以很多展示只能停留在Demo层面,在精心布置的场景里小心完成。
说这话的人叫潘嘉,国家科技进步一等奖主要完成人、科大讯飞杰出科学家、具身智能前沿科学带头人。

就在WAIC 2026开幕前,科大讯飞悄悄注册了一家新公司:安徽爻方智能科技有限公司,注册资本3亿元,由潘嘉带队,专攻的正是机器人大脑。
同期,团队联合中国科学技术大学、聆动通用机器人交出了一篇技术报告:iFLYTEK-Embodied-Omni。

报告很厚,判断却很短:
现在主流的机器人大脑,造法就不对。
VLA不是终局,世界模型还需补上「本体认知」这一环
总结下来,爻方的思路可以概括成这样两点:
第一,VLA不是终局。这个当下最热的路线,天花板在哪还没人验证过,但理论上的短板,已经摆在了明面上。
第二,接棒VLA的世界模型,也有可以完善的空间,比如「本体认知」这味关键药引子。
要理解这两点,不妨来完整看一下整个行业围绕「大脑」的这场激烈争夺。

为什么大家都在争「大脑」?这背后其实是一个逐渐成型的共识:具身智能真正的瓶颈,从来不在身体,在大脑。
原因很简单,交互方式变了。
过去几十年,人机交互停在离身的符号层面。你说话它识别,你打字它应答,始终隔着一块屏幕。
而具身交互要的是另一件事:机器人得用身体走进物理世界。
倒一杯水,它就得知道壶有多重、水会怎么流、洒了怎么办。每一个动作背后,都是对物理规律的理解和推演。
这不是能力的线性延伸,是一次底层跃迁。
而承担这次跃迁的,只能是大脑。身体的关节、电机、灵巧手,供应链一年比一年成熟;但让身体知道该做什么、会发生什么的那颗大脑,还没造好。
瓶颈在此,战场也自然在此。
至于这颗「大脑」怎么造?行业的分歧,集中在两件事上:用什么架构,和拿什么数据喂。
先说架构之争。
很长一段时间里,VLA都是绝对主流。它直接将视觉和语言映射为动作,见效快、门槛低,所以一时备受追捧。
但VLA的软肋也越来越明显:
它更像一个「即时反应系统」,只管现在怎么做,不管做完之后世界会变成什么样。
就好比在路上开车,看到红灯它确实知道踩刹车,但它预判不到雨天路滑、这一脚下去车会打滑失控。
只对当下做反应,不对后果做推演——这就是「VLA不是终局」这一判断的根本原因。

△图片由AI生成
正是看到了这一点,世界模型接棒火了起来。其逻辑在于:
先预测未来画面,再从画面推出动作,让机器人也学会「先想后动」。
英伟达把这条路的招牌「Physical AI」喊成了年度关键词,各家世界模型在榜单上轮番刷榜,行业开始集体从VLA迁向WAM(World Action Model)。
看上去方向是对了,但爻方认为:这里面还藏着两个坑。
第一个坑是误差累积。
主流世界模型把预测和动作拆成两步串行:先生成未来画面,再从画面反推动作。问题就出在这中间的交接上,视觉预测一旦出错,误差就会直接传导进动作,任务越长,滚得越大。
学界给这个坑起过名字,叫「可执行性鸿沟」:
画面生成得毫无破绽,物理上却根本做不到,机械臂一执行就露馅。
第二个坑更隐蔽,即缺乏本体认知。借用潘嘉提到的打羽毛球的例子:
好的运动员会预判球的落点和速度,同时他对自己身体的极限能做到什么,也非常清楚。球在这里,我是跳过去扣杀,还是够一下把它救回来。
而现在的世界模型,恰恰缺了后半句。
现在的世界模型,更多还是在关注预测这一点。不管是世界模型还是之前的policy,都没办法通过任务去增加对本体的认识。
预判世界,却不认识自己。画面算得再准,不知道这具身体做不做得到,动作照样落空。
这,就是爻方要补的那味药引子:本体认知。

△图片由AI生成
有意思的是,英伟达其实也踩过前一个坑。
它早期的打法是标准两段式:Cosmos负责做梦,生成机器人干活的视频,再从画面里反推动作。到了今年2月的DreamZero,也就是新一代GR00T 2的底子,英伟达改了主意,把预测画面和生成动作塞进了同一个模型里联合训练。
换句话说,爻方押的「联合生成」这条路,头部玩家也走到了同一个路口。
但走到路口之后,两家迈的腿不太一样了。
在英伟达的方案里,机器人的本体状态只是喂给模型的一个输入信号;而在爻方这里,认识本体是一道必答的训练任务——告诉它未来几帧要到的位置,让它自己算出每个关节该怎么转。
一个把身体当条件,一个把身体当考题。
这个差别有多要紧?英伟达自己的技术文档里也写得很直白:靠2D视频做预训练,深度和空间理解会失准,预测看上去没问题,机械臂一伸手,够过头或者没够着。

△图源英伟达官网
画面对了,动作落空。病根,还是不认识自己。潘嘉在采访里也正面聊过这层差异:
以往的模型没办法通过任务去认识本体,爻方干脆把逆运动学做成了任务本身。

架构上的差异逐渐显现,那数据呢?
机器人数据比语言数据少了几个量级,Scaling Law这张底牌至今没能翻开,真机泛化也就迟迟没有公认解法。
眼下行业能用的数据来源,无非这几种:

△图片由AI生成
面对数据这道坎,爻方又甩出了一个让人意外的说法:行业当下最主流的叙事,可能是个陷阱。
当前行业最普遍的做法是:先量产再采集。
先最低限度跑起来,让数据自然回流,带动飞轮转起来,模型就能越来越强。
特斯拉验证过的路,机器人再走一遍。
但潘嘉对这种做法持保留意见。
在他看来,效果不过关就大规模铺货,用户不会买单,数据飞轮根本转不起来。飞轮的前提是有人愿意用,而不是先把轮子造出来。
量产之前,首先要跨过实用门槛。盲目上线,最后牺牲的就是品牌,第一个吃螃蟹的人,就变成了先烈。
听上去很有道理,不过要解决的问题却很现实:
不靠量产堆数据,泛化从哪来?
细挖爻方的解法
爻方的答案,其实就写在那篇技术报告里:用更聪明的架构,把有限的数据用到极致。
具体怎么落地?这里面有几个比较关键的动作。
关键1:大脑,是双核的
传统VLA的短板前面说过了。
对症下药,iFLYTEK-Embodied-Omni在VLM之外,专门引入VGM(视频生成模型),来负责预测未来的视觉状态。
说白了,机器人在动手之前,先在脑子里把动作的后果预演一遍,这种「预见」在长时序任务里尤其关键:
传统VLA往往只能等错误发生后被动补救,而它能在行动前就主动规避风险。
不过这里有个细节很值得琢磨:为什么偏偏挑视频生成来干预测这活?
眼下行业里能预测未来的技术路线主要有三条,而「视频生成」在不少人眼里恰恰是当中「不够高级」的一条,但爻方偏偏选了它。

△图片由AI生成
对于这点,潘嘉也没藏着掖着:
现在的视频生成也是用自回归大模型结合扩散模型做的,跟我们整套模型的backbone比较契合。
因为和自家架构合得来,所以选了它。至于将来会不会换其他路线,他也没把话说死,等哪条路成熟了同样能为我所用,眼下先挑最跑得通的那条。
务实,是爻方的底色。而它给模型取的名字,藏着同样的讲究。
除了世界模型,我们还有传统的VLA、policy学习,还增加了像逆运动学这样的任务,所以我叫它Embodied-Omni(统一多模态具身基础模型),而不是直接称作WAM。
一个「Omni」,装下了理解、预测、动作三件事。
而其中的逆运动学任务,正是前面反复说的那味药引子,「本体认知」的落地方式。
需要说明的是,「本体感知」(Proprioception)在机器人学中并非新概念,传统机器人很早就通过关节角度、扭矩等传感器来感知自身状态。
但感知是一回事,认知是另一回事。传感器能告诉模型身体现在在哪,不等于模型懂这具身体能做到什么。此前的技术路线,无论VLA还是主流世界模型,都很少把后者当成训练目标,融进端到端的具身大模型里。
爻方的做法是:不直接告诉模型手该怎么动,只给它看要到达的终点,逼它自己补全中间每一步,练的就是一副「身体的直觉」。
预测未来,是学会看世界;逆运动学,是学会看自己。
比主流的世界模型多做一步,这正是爻方的取胜之道。
关键2:大脑和小脑,得实时协同
光有双核还不够,两个脑区怎么配合,同样是门学问。
传统做法是「大脑想完,再交给小脑做」。规划和执行分成两段,信息单向传递,一棒接一棒。
听着顺,但误差累积的坑让人头疼。
iFLYTEK-Embodied-Omni把这套串行改成了「大脑-小脑」协同:
VLM(理解规划)、VGM(预判建模)、AGM(动作生成)三个模块,通过共享的多模态自注意力机制实时交互。
其中VLM和VGM构成高层大脑,管指令理解、任务规划、进度跟踪和未来预测;
AGM是低层小脑,把规划好的子目标翻译成能落地的动作。

还是拿羽毛球说事。
球飞过来,大脑先判断球速和落点、盘算这一拍怎么接,小脑同时预判自己的身体够不够得着、该用多大力。
两件事不是等一个想完另一个才动,而是几乎同时发生,一气呵成。
大脑和小脑实时对话,动作才能又快又稳。
关键3:以空间推理弥补真机数据不足
架构再巧,也得有数据喂。
既然要让有限的数据发挥最大作用,那挑什么数据、怎么配比,就成了关键一步。
和大多数公司把钱砸在真机数据上不同,爻方的配方,偏偏反着来。
- 带动作标注的机器人轨迹→26.88%;
- 无动作的人类操作视频→18.95%;
- 通用VQA数据→5.06%;
- 空间推理、感知与任务规划→49.11%。

最扎眼的是最后一档。
将近一半的训练数据,是2D/3D轨迹、2D/3D定位、空间指向、物体指向、任务规划这类「具身大脑数据」。
它们不需要一台真机吭哧吭哧去跑,却能结构化地喂出模型的「空间感」和「规划力」。
空口无凭,模型评测成绩单就是最好的说明。
不过在此之前,还得简单说一下爻方的训练方法。
理解、预测、动作,三个模块要学的东西天差地别,一股脑混着训,模型很容易顾此失彼。
所以爻方分了四步走:前三步让VLM、VGM、AGM各自开小灶,把专长练扎实;最后一步再联合微调,让三者在同一个框架里彼此对齐、协同起来。
四步走完,成绩相当能打:
- LIBERO-Plus零样本基准(七种环境扰动下考泛化):平均成功率89.6%,超过当时最强的VLA和WAM方法;
- RoboTwin 2.0双臂协同基准:标准与随机环境分别拿下93.68%和93.16%,几乎不受干扰;
- 长时序任务(连做七步,最考验预测能力):随机环境成绩反而更高,环境越乱,双核大脑越显本事。

不过跑分归跑分,能不能落到真机上,是另一道坎。
好在这条路,讯飞已经用真机蹚过了。
爻方出底座;科大讯飞控股子公司安徽聆动通用负责工业具身大脑-小脑-本体全链路自主可控,同时兼具本体和硬件。
P.S. 视频中用的还是聆动此前自研的iFlyBot-VLM和iFlyBot-VLA模型~

但这不影响结论:真机已经能落地干活,证明这条路走得通;剩下的,是把大脑换成更强的一颗。
方向已经有了,剩下的是时间问题。
新公司是新的,但这盘棋不是
到这里,很多看似简单的事情,也变得耐人寻味起来。
你以为这是讯飞又成立一家新公司的故事,但背后其实是:一家公司十几年的积累,等来了一个时代的转向。
先说这十几年的积累。
讯飞最硬的家底,其实就藏在文章开头那个场景里,机器人动作慢,是因为怕出错、跨不过实用门槛。
而「怎么把一项技术逼过实用门槛」,恰恰是讯飞过去十几年做得最多的一件事。
早年做语音识别,讯飞面对的客户是汽车厂、家电大厂。这些客户不看Demo,只认真章:车载语音在方言和噪音里能不能不出错,家电听错一次指令,用户可能就再也不打开了。
潘嘉就感慨,正是被客户一年年提着更高的要求打磨,才攒下一身让技术真正落地的工程化本事。
每一年我们做完一个东西,客户都会提出更高的要求。这里面积累了非常多工程化落地的经验,尤其在大模型时代,非常重要。
别的团队还在发愁「Demo怎么变产品」时,这道坎,讯飞已经趟了十几年。

而从语音到机器人,看着是跨界,实则是同一条路往深里走。
早些年,讯飞给机器人装的是「嘴巴」和「耳朵」,解决它怎么「能听会说」;
2022年的「超脑2030计划」,第一次把目标定在让机器人走进千家万户;
到今天,机器人超脑平台已经对外赋能了400多家企业。
听懂人之后,下一关自然是读懂物理世界。
带队的潘嘉,正是这条路径的缩影。2009年进讯飞研究院,从语音识别做起,拿过CHiME、OpenASR等国际评测冠军,是国家科技进步一等奖的主要完成人。
从语音到多模态再到具身大脑,换的是模态,不变的是那套把AI逼到能用的功夫。
不过光有积累还不够,还得赶上趟。
AI这几年最大的变化,是从语音、文字这类「离身」的交互,转向让机器人用身体走进物理世界。
说白了,战场从屏幕里挪到了屏幕外。
对讯飞来说,这个转向来得正是时候。过去积累的AI能力和工程化经验,刚好能用在新战场上。
到这里,整盘棋的分工就清楚了:讯飞出AI底座和产业资源,爻方专攻机器人大脑,聆动通用具有最新升级的统一多模态具身大模型iFLYTEK-Embodied-Omni,并负责工业具身大脑-小脑-本体全链路。
至于这盘棋往哪下,聆动通用CEO季超对行业接下来两三年的判断,说得很直白:
资本会越来越看重收入、订单、客户复购和项目回本周期。具身智能下一阶段不会只比谁讲得更宏大,而是比谁能把机器人真正送进工厂,并让客户持续付费。
新公司是新的,但这盘棋,讯飞其实已经下了很多年。
One More Thing
对了,差点忘了个有意思的事,这家公司为什么叫「爻方」?
潘嘉说,名字想了很久,最后是一位学哲学的朋友起的。
「爻」出自《易经》,是卦象里阴阳变动的最小单元。
阴一半、阳一半,这不就是0和1嘛,堪称中国最早的二进制。
好家伙,一家做AI的公司,名字里居然藏着几千年前的「代码」,有意思。
而「方」,取的是「变中求方」,在纷繁变幻的世界里,稳稳占住一席之地。
阴阳会变,方寸不乱。
放在具身智能这张还没人摸到底牌的牌桌上,「变中求方」四字,倒像是提前写好的一句注脚。
论文地址:
https://arxiv.org/abs/2607.02542
版权所有,未经授权不得以任何形式转载及使用,违者必究。
Related Articles
Binding of Isaac developer removes AI music from Repentance Plus
Terrence O'Brien is the Verge’s weekend editor. He’s covered the tech industry for over 18 years and knows a thing or two about synths.The Binding of Isaac: Repentance Plus has spent the last few days getting...
The vibe-coding revolution is coming to all the gadgets
This is The Stepback, a weekly newsletter breaking down one essential story from the tech world. For more on the vibe-hacking of everything, follow David Pierce. The Stepback arrives in our subscribers’...
Nature:糖尿病大鼠成功恢复正常血糖!用电刺激迷走神经控糖
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 2026-11-22 ...
A社数学家用Claude又证明另一千禧难题,逼出一份写了12年的940页纯人类手稿
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 2026-11-22 ...