写在前面：在 1956 年达特茅斯会议定义 AI 名词后的整整第 70 个年头，以深度学习范式为代表的第三 AI 浪潮中，全球人工智能（Artificial Intelligence）和具身智能（Embodied Intelligence）正处于技术创新与产业应用探索同步发展的繁荣期。

全球各个团队的创新工作迭代飞快，各种媒体头条上今天「xx 技术彻底刷屏」、明天「xx 技术应用元年」、后天「xx 技术完全颠覆」口吻的文章争奇斗艳，AI 生成+自媒体的观点真假难辨。

2026 年 5 月初，受邀于产业同行写一点具脑磐石公司的技术主张与行业观点，遂与众专家共同拟定以下文字。

1、具脑磐石想做什么？

以大语言模型为技术中枢的 VLA（Vision-Language-Action Model）、世界模型、策略学习与机器人控制的多种路线，可概括为当前具身智能的主流 1.0 范式。

它已经在语言-视觉-动作映射、模仿学习和任务规划中取得重要进展，但仍难以稳定解决开放环境中的因果理解、长期自主学习、能耗约束和跨身体形态迁移问题。

LLM-Centric 或大模型中心的具身智能 1.0 技术范式普遍面临高数据、低泛化、无法终身学习、高功耗「四大困境」。

全球范围内都有许多研究人员在对这些问题做局部改进的创新尝试，但几乎陷入于全球范围内的计算机科学家联合开展「工程试错」的状态，无论从数据还是算法创新有效性角度，都缺乏系统理论指导，仍然是「有多少人工才有多少智能」。

正是看到此类种种问题，全球范围内包括 Yann LeCun、Feifei Li、Ilya Sutskever、Richard Sutton、姚期智等 AI 领袖正在掀起具身智能算法范式变革，其中以向类脑认知智能 & 生物智能学习的范式正在形成共识。

但目前仍需要一个能够同时解释「感知-行动闭环、主动探索、记忆巩固、身体约束和能量预算」的统一算法范式理论框架。

具脑磐石定位为「类脑认知计算驱动的具身智能 2.0 范式引领者」。

具脑磐石先于全球杰出 AI 领袖、图灵奖获得者 Yann LeCun（杨立昆）离开 Meta 后创立的 AMI Labs 成立，是全球首个明确以脑科学、主动推理和认知世界模型为指导的具身智能科技公司。

并与 Yann LeCun 所倡导的 JEPA/world-model 路线以及 Karl Friston 主导发展的主动推理框架形成可比较的技术参照。

具脑磐石也是全球第一家在技术主张和底层认知科学指导理论上明确对标 AMI Labs 的公司。

具身智能 2.0 的目标，是构建一套让智能体同时具备低数据、高泛化、终身学习、低功耗等性能的统一算法范式，将形成可检验的算法指标：

在相同任务成功率下减少交互样本量，在分布外场景中保持因果泛化，在连续任务中降低遗忘率，并以单位能耗、单位时延和端侧算力预算衡量智能效率。

从第一性原理出发，向人脑——地球上已实现的最强具身大脑学习，旨在打造一个高泛化、低数据、可终身学习、低功耗的 Cognitive World Model（认知世界模型）：

面向行动的生成式认知模型，它在隐空间中联合表征外部世界状态、身体状态、任务偏好、行动后果与不确定性，并通过预测误差、期望自由能和能量约束共同驱动感知、规划和学习。

系统性地用清晰的脑科学理论和类脑智能思想为指导，以实现具身智能 2.0。

说到世界模型，行业里的理解并不统一。

更严谨地说，世界模型不是单一算法，而是一类能够压缩、预测并干预环境状态转移的内部生成模型；心智模型则更强调主体对任务、因果、目标、身体状态和他者意图的抽象表征。

二者只有与行动选择和学习更新闭环结合，才能真正构成具身智能的认知底座。

这条技术创新方向与其说是 Yann LeCun、Feifei Li 等全球顶尖 AI 科学家共同押注的下一代 AI 技术制高点，更是具脑磐石认可的从第一性原理出发的「战略方向正确」的必由之路。

截至当前，世界模型已在行业里已形成了包括 JEPA（抽象表征派）、空间智能（3D 显式建模派）、学习型仿真（生成交互派）、视频生成（世界模拟器派）、主动推理（神经科学派）在内的五大技术流派。

当下，一些行业分析报告简单总结和认为它们之间是哲学假设、技术路径截然不同。

但在具脑磐石看来，这五大流派并非毫无关系的并行，而是有着清晰技术层级与技术关联的一个体系，只是不同专业的团队在不同技术层级为解决具身智能 1.0 的「四大困境」在做分头探索。

具脑磐石技术视野里的世界模型技术体系层级大概如下五层，越往下，越为构建类人脑世界模型的基础能力，越往上，越为构建类人脑世界模型的抽象推理能力。

图 1：具脑磐石技术视野里的「World Model」技术层级体系

空间智能（3D 显式建模派）：以 Feifei Li 的 World Labs 为代表。主张以 3D 环境构建为认知基石，是打造 sim2real 融合的关键基石，也是未来降低模型训练成本和迭代速度的重要工作，但仅有 3D 表征并不能自动产生因果推理、任务偏好、主动探索和持续学习能力，因此它本身不构成突破智能上限的解题。

视频生成（世界模拟器派）：以 OpenAI 的 SORA 等工作为代表。主张基于时空数据（视频）学习以生成基于物理真实的视觉极致真实，领域里对以 OpenAI 的 Sora 为代表的视频生成模型成为替代仿真引擎的世界模拟器寄以厚望，但这种模型长处在于学习大规模时空统计和视觉预测，目前仍可能出现物理一致性、长时程因果、可控交互和稳定 3D 表征不足的问题。

因此，它更适合作为世界模型的数据驱动组件，而不能直接等同于可行动、可干预的具身世界模型。

学习型仿真（生成交互派）：以 Google DeepMind 为代表。主张在虚拟环境中类人智能体通过 Act & Feedback 闭环学习环境动态与策略。

它是非常贴近类人智能学习的指导思想，最接近具身智能的交互本质，但仍面临仿真真实性、奖励设计、探索效率、跨形态迁移和真实世界安全学习的挑战。

JEPA（抽象表征派）：以图灵奖得主、Meta 前首席科学家 Yann LeCun 创立的 AMI Labs 为代表。主张基于联合嵌入预测架构（Joint Embedding Predictive Architecture）的网络训练方法，主要思想是让模型不再进行像素、token 级别的绝对值差异学习，而是在隐空间里进行输入与输出的分布差异学习，预测缺失或未来信息，从而鼓励语义层面的预测表征，更贴合人脑高泛化、小数据的学习范式。

Yann LeCun 团队用包括 I-JEPA、V-JEPA 等系列工作证明了 JEPA 样本与计算效率上显著优于逐像素、逐 token 重建方法，但它在工程化可靠、终身学习、低功耗等方面仍有巨大改造和提升空间。

主动推理（神经科学）：以欧洲科学院院士、英国皇家学会院士、全球 top1 的认知神经科学家 Karl Friston（卡尔·弗里斯顿）任首席科学家的 Verses 为代表。

主张基于认知科学的主动推理（Active Inference）的认知学习框架，——参考《Active Inference: The free energy principle in Mind, brain, and Behavior》，以最小化自由能原则（Free Energy Principle, FEP）为核心原则以解释和建模人类智能。

其原理是用生成模型、变分推断、预测误差和期望自由能来统一知觉、行动选择与学习。

FEP 不是直接最小化不可直接获得的 surprise，而是通过最小化变分自由能作为 surprise 的上界来进行近似贝叶斯推断；

行动则通过最小化期望自由能，在偏好满足、风险降低和信息增益之间进行权衡。该框架对具身智能有重要启发，但仍需要与可扩展神经网络、机器人控制和真实世界学习系统结合，才能转化为工程可用的算法体系。

例如，深入理解 Yann LeCun 的 JEPA 系列算法架构可知，无论是其中涉及的「基于能量的模型（Energy based Model）」还是「基于 Discomfort 的 Cost」等算法创新理念都深深烙印着主动推理（Active Inference）有关「自由能（Free Energy）」、「惊异（Surprise）」等认知计算的规范。

基于主动推理的计算神经科学的框架，可望推动 AI 技术进一步解决可解释性、小样本学习、终身学习等核心问题的算法创新解决。Karl Friston 也于 2022 年加入认知计算公司 Verses 任首席科学家，该公司已公开上市。

在以上世界模型的技术流派体系里，具脑磐石主张的类脑智能驱动的具身智能 2.0 范式是以 Yann LeCun 的 JEPA 架构为可扩展学习机制的起点、以主动推理为感知-行动闭环的规范框架，以神经能量学和稀疏计算为端侧部署约束，以持续记忆和因果干预为长期自主性的关键能力，深度融合 Karl Friston 的主动推理（Active Inference）类脑智能学习框架。

具脑磐石的技术主张与能力内核来自于创始人朱森华深厚的 AI+认知神经科学的学术专业研究和产业系统工程锤炼，他不是单一的学术型创始人，也不是单一的工程型创始人，而是系统性地经历了脑认知科学博士与博士后的体系化学术训练、脑与类脑 AI 技术创新、具身智能技术范式创新到产业落地经验的复合型技术创业者。

对于一条横跨类脑智能、认知世界模型、机器人系统的综合技术路线而言，这种复合能力与产业历练正是具脑磐石敢于后发制人的独特优势。

具脑磐石核心团队汇聚来自中科院、清华、宾夕法尼亚大学等高校及华为、联想、旷视、极智嘉等企业的顶尖交叉学科 AI 专家，以脑与类脑智能为技术内核，以认知世界模型（Cognitive World Model）为载体，主张「用清晰的类脑智能思想替代盲目的计算」。

这是具脑磐石从创立之初就主张与坚持的具身智能创新路线，更是在当下具身智能算法范式变革浪潮中正在被验证的前瞻技术预判。

具脑磐石主张的类脑智能驱动的具身智能 2.0，是具脑磐石成为国内乃至全球唯一对标 Yann LeCun 的 AMI Labs 技术愿景的核心标识。

当前「类脑智能」正处于「AI 与 NI（Natural Intelligence）相互促进、螺旋上升」的最好发展时期。

一方面，得益于当前 AI 技术、算力基础设施等的发展，有效促进了脑科学领域科学研究、数据挖掘、因果分析、神经活动建模和因果推断的速度与深度；

另一面，脑科学对大脑结构与功能认知的基础研究快速发展，关于预测编码、主动感知、海马-皮层记忆系统、神经能量预算、稀疏编码和多尺度控制的研究，启发和加速了 AI 技术范式的变革，让 AI 在记忆、注意力、多模态处理、神经元改造、全局与局部特征加工、多层级智能计算架构等方面获得长足进步。

以 2021 年启动的「中国脑计划」为例，该脑计划以「南脑（上海）」和「北脑（北京）」为两大核心高地，以「研究大脑结构与功能」为主体，以「临床保护治疗」及「类脑智能转化」为两翼，吸收全球其它先行国家的脑计划实施经验，构建了宏伟的「一体两翼」脑与类脑研究研发目标。

上述可见，具脑磐石的技术主张并非无源之水，具脑磐石的技术主张是在深度融合认知神经科学、人工智能等交叉学科的底层专业理论做出的技术判断和技术实践。

2、主动推理（Active Inference）理论：核心技术底座

这套理论的底层逻辑要从Karl Friston说起。

主动推理（Active Inference）理论是 Karl Friston 等在自由能原则、预测编码和贝叶斯脑假说基础上发展出的规范性计算框架，用于解释和建模生命有机体如何在不确定环境中通过感知、行动和学习维持可生存状态。

可表述为：生命智能体通过最小化变分自由能来近似后验推断，通过最小化期望自由能来选择行动，从而令感知观察的「惊异（Surprise）」最小化。

要系统理解主动推理理论，可以从自上而下和自下而上两个逻辑角度去审视（图 2）。

图 2：Source from《Active inference: The Free Energy Principle in mind, Brain, and Behavior》

从顶层理论来看，就解释具身智能能力本源而言，主动推理（Active Inference）理论从「自由能最小化」出发能引申出一系列形式及实证假设，可用于解释大量认知科学与神经科学问题。

包括神经集群如何编码自由能最小化涉及的变量，最小化自由能的过程如何对应于特定认知过程，如知觉、行动选择和学习，以及主动推理的主体为推进自由能的最小化会采取哪些行动等。

主动推理架构之「主动」在于智能体通过行动主动地观察采样世界。智能体必须对其「行动-知觉」环路施以适应性的控制，由此获得带认知偏好的感知观察。

因此，在计算神经科学领域，该理论是具身智能大脑算法创新的重要理论指导源泉。

从底层计算来看，主动推理架构的底层逻辑从贝叶斯大脑的理念出发，该理念视大脑为一台推理引擎，致力于优化感知刺激之诱因的概率表征。

它把知觉、行动选择和学习统一到生成模型、变分自由能和期望自由能的计算之中：

知觉更新隐状态信念，学习更新模型参数，行动选择兼顾偏好实现、风险降低和信息增益。这一框架对具身智能的价值在于，它天然把不确定性、探索、身体状态和目标偏好纳入同一个闭环。

主动推理是（原本不可解的）推理问题的一种特殊的变分近似，这种近似有生物学意义上的可行性。

主动推理的底层逻辑有助于阐释主体如何最小化自由能——这意味着主动推理不仅是一条原则，还是对认知功能及其神经基础的机制解释。

Karl Friston 等提出的主动推理（Active Inference）理论既是一套解释生命体或具身智能体感知-行动闭环的规范框架，也提供了基于离散推理、连续推理及混合推理模型的计算建模框架。

Karl Friston 自 2022 年起担任首席科学家的认知计算公司 Verses 开展非大语言模型的 Agent 算法创新与应用，该公司已公开上市。

Karl Friston 的主动推理理论以自由能原则（FEP）为底层理论原则，用贝叶斯大脑模型诠释具身智能的计算本质，融合生成模型与预测编码给出计算神经建模的算法实现，统一了具身智能的感知、行动与学习闭环，为具身智能机器人提供「预测 - 误差 - 行动 - 更新」的通用算法框架（图 3）。

图 3：智能体基于自由能原则（FEP）的主动推理

——revised from《Active inference: The Free Energy Principle in mind, Brain, and Behavior》

主动推理认知计算框架下的自由能原则（FEP）、预测编码理论、贝叶斯大脑模型等核心类脑认知理论及其基于变分自由能与期望自由能的认知推理计算体系（图 4），共同为具脑磐石研发认知世界模型（Cognitive World Model，Cog-WM）提供了坚实的科学底层理论支撑，让 AI 算法范式创新从「工程试错」转向为「脑科学理论驱动」。

把脑科学中的可计算约束转化为算法目标函数、网络结构、学习规则和能耗指标，使具身智能从单纯工程试错转向「理论约束下的工程搜索」。

图 4：基于变分自由能与期望自由能的主动推理计算体系

——revised from《Active inference: The Free Energy Principle in mind, Brain, and Behavior》

具脑磐石打造的认知世界模型（Cognitive World Model，Cog-WM）的核心定位是认知计算推理引擎，而不是世界模拟器。

Cog-WM 是以类脑认知计算为核心驱动力，兼具小样本学习能力、高泛化抽象因果推理、高度可解释性、及终身学习能力的类人心智模型（Mental Model）的通用世界模型（General World Model）。

Cog-WM 是一个面向行动的生成式认知世界模型：

它在部分可观测环境中联合表示多模态观测 o、环境隐状态 s、身体状态 b、行动 a、策略 π、任务偏好 C、记忆 M 与能量预算 E，并通过近似后验推断 Q(s,b,M|o_{≤t})、状态转移模型 P(s_t,b_t|s_{t-1},b_{t-1},a_{t-1})、观测模型 P(o_t|s_t,b_t) 和策略选择模型 P(a_t|π) 构成闭环。

让智能体类人般感知理解世界、推理预测世界、行动交互于世界，实现感知 - 认知 - 预测 - 规划 - 行动 - 学习的闭环。

Cog-WM 以生成式认知计算为核心，目标是在隐空间中联合表示外部环境、身体状态、任务目标、行动后果和不确定性，进而支持小样本学习、跨场景泛化、因果推理、持续记忆和可解释行动选择。

具脑磐石主张系统地学习和借鉴人类大脑的功能认知机制，但并不主张像素级还原论式地模拟大脑，研发团队正在联合全球顶尖脑与类脑研究中心与产业研发机构，围绕类脑感知编解码机制、认知动态预测机制、终身学习记忆机制、低功耗稀疏计算架构等四大核心类脑认知计算机制系统地、持续地开展认知世界模型（Cognitive World Model，Cog-WM）关键技术的攻关，致力于构建低数据、高泛化、可终身学习、低功耗的具身智能 2.0 范式突破。

以下是具脑磐石有关四大核心类脑认知计算机制的技术攻关面向：

1. 类脑感知编解码机制

基于大脑功能分区与整合并行的多模态信息处理机制，攻关听觉、视觉、力触觉等多模态信息的高效编解码对齐技术方案，着力于解决当下 LLM-centric 的多模态数据融合对齐低效的问题，从数据融合与理解效率的根源上促使模型极大提升小样本学习与多模态融合感知能力；

2. 认知动态预测机制

基于人脑主动推理的预测编码机制，攻关以生成模型和变分贝叶斯计算为核心的世界动态因果模型，驱动智能体在抽象表征空间中高泛化地表征与预测未来、推演行动后果，着力于解决模型高效、高泛化、有因果逻辑地理解重力、空间、物体交互等物理规律；

3. 终身学习记忆机制

基于大脑神经突触可塑性及海马-新皮层互补学习系统、睡眠/离线重放和突触稳态等机制、拓扑视知觉等计算架构，攻关模型原生、多层级可塑性记忆技术方案，着力于解决模型缺乏原生的类人脑的可持续增量学习弱的问题，促使模型能高效地克服灾难性遗忘问题；

4. 低功耗稀疏计算架构

基于稀疏编码、事件驱动计算、树突样局部非线性、多舱室神经元和神经能量预算，攻关低训练和低推理能耗的原生模型架构，着力于提升具身智能大脑的低功耗端侧推理部署效能，致力于为未来走入千家万户的具身服务机器人打开商业应用空间。

具脑磐石直面具身智能 1.0 技术路线的各种能力瓶颈，从第一性原理出发，回归类脑智能基础理论，对标国际顶尖水平的创新路径，主张类脑智能驱动的具身智能大脑 2.0 范式变革，在战略方向大致正确的前提下，发挥自身专业与产业能力优势，走一条难走的路，走一条少有人能走的路。

为清晰展现具脑磐石攻关的认知世界模型（Cognitive World Model，Cog-WM）的定位和差异化优势，我们将其与主流具身智能、世界模型路线对比：

3、AI 技术发展史观：交叉学科是范式突破核心动力

从小模型时代的「有多少人工就有多少智能」，再到今天大模型时代「暴力堆参、海量喂数、疯狂烧卡」的 Scaling Law，业内专家都很清晰地洞悉深度学习为代表的生成式 AI 技术现状其优缺点，但大部分专家陷入于只有评论却少有破局主张的困境。

当具身智能进入真实世界交互、长期自主学习和端侧机器人部署时，单纯 scaling 难以解决能耗、因果、记忆和安全探索等结构性瓶颈。

当下以大企业为主导的「大炼丹」试错式的大模型研发模式已被各界诟病许多，当前生成式 AI 技术的下限是它必然是个局部领域可用的工具，但它的核心问题在于在既有的算法范式下有着清晰可见的能力上限。

当前的具身智能 AI 发展，最大的问题是没有清晰的理论指导，而是陷入于对在计算机科学领域发现的局部最优解做精致雕花的试错性探索。

可以武断地做个技术发展判断：能突破今天 AI 技术范式变革的理论指导绝无可能只存在于计算机科学领域，它必定自于包括脑与类脑认知智能的生物智能多学科交叉启发。

下一代具身智能突破很可能来自计算机科学、机器人学、认知神经科学、控制理论、物理仿真和神经能量学的交叉汇合，其中脑与类脑认知机制提供了极其重要的理论资源。这是 AI 技术发展的战略正确方向。

回望 AI 发展 70 年，从神经元的定义再到神经网络架构的发展，从局部优先处理再到全局优先加工，从线性注意力机制到多层级复杂注意力架构，从简单神经元计算到多舱室神经元进化，从稠密计算到稀疏推理，每个 AI 关键技术的发展底下无不体现着认知神经科学理论的底层支撑，尽管许多提出 AI 技术改进的专家并未有过系统的认知神经科学训练，但也的确得益于对人脑认知功能的朴素观察与理解。

当然，尽管具脑磐石主张「类脑智能」，但不可否认，人脑是人类数百万年进化的产物，在今天人类智力大爆发之前，人脑在数百万年的进化过程中主要目标服务于「生存」。

所以，其既有在碳基计算上优秀的智能能力表现，也应该看到其亦在硅基智能实现上的缺点，因此，我们主张在类脑智能 AGI 的创新路上，更应该是研究、学习、借鉴人脑智能杰出能力背后的认知功能神经机制。

类脑智能的关键是提炼大脑在能量预算、主动感知、预测控制、记忆巩固、稀疏表征和多尺度身体控制中的设计原则，并将其转化为可扩展的算法与硬件协同架构。

技术迭代的飞轮必然在人类发展历史进程中滚滚向前。

今天的 AI 技术发展得益于全球性的计算机科学工程化及多路径并行测试实践，但它也决不会以人的意志为转移地停留于当前低效的技术范式。

纵观人类技术发展史，打破单一学科的技术瓶颈的创新，往往来自交叉学科的技术突破。

比如，脑与认知科学的专家都高度一致地认为，决定脑科学研究深度与广度发展的是物理学观测技术的发展。

而如今决定计算机科学主导的具身智能 AI 技术范式变革的驱动力，也在各界领军专家里达成共识，它必然来自更底层的生物智能交叉学科，尤其是以类人脑的认知科学理论发展为核心变革动力。

同样，类脑智能技术的发展，需要全体交叉学科的 AI 科学家从不同维度、不同视角开展的多路径探索，怀抱技术发展史观积极拥抱技术变革的未来，并投身其中，走难而正确的路。

可喜的是，全球众多学界和产业界的 AI 技术领袖，正就当前以类脑认知为核心的 AI 技术瓶颈的突破方向达成新共识。

以中国为例，国家自然科学基金委更是在 2025 年初发布的《关于可解释、可通用的下一代人工智能方法重大研究计划》指南里，明确把「新一代脑启发的人工智能」和「类人认知的具身智能学习框架」列为重点支持范畴。

4、技术创新的哲学坚持：选定正确方向，坚持难而正确

基于前述有关具身智能技术创新的观察与判断，具脑磐石对于所选择和坚持的技术路线，除了从 AI+脑科学的专业角度出发外，还有着自身对于产业技术创新的独特哲学坚持：

（1）讲求方向大致正确：前瞻预判技术发展，不随波逐流

在具身智能行业沉迷于 Scaling Law 暴力堆数据、堆计算的当下，具脑磐石选择走一条少有人走的路、更是一条少有人能走的路，需要极大的技术判断力、技术定力和技术胸襟。

具脑磐石的技术文化是「博学、聚创、慎思、笃行」。具脑磐石创始团队基于其独特的学术与产业历练经历，受益于全面的多学科交叉专业和产业视野，「顺应天命」般地以极高的技术前瞻性领先同行提出并坚持了「用清晰的类脑智能思想替代盲目计算」技术主张，并在当下的产业界得到了验证与追随，展现出了极强的独立思考、独立判断的前瞻性。

尽管完成了正确的技术前瞻预判，如何在诸神混战的技术创新与变革过程中坚守初心，考验具脑磐石团队的技术定力。

当领域里无数人从不同角度、不同技术手段涌入来解决一个相同问题的时候，甚至是自身的技术坚持阶段性遇到挫折的时候，一个技术团队是否不被滚滚技术洪流带跑、带偏，能在时代的喧嚣中坚定地朝着最终的战略方向坚韧前行，考验团队对自身技术信仰是否具有有生命力的战略方向指引。

这点上，Yann LeCun 就是具脑磐石团队敬仰的一面旗帜。

再有，坚定地坚持自身的技术战略方向，并不意味着不需要兼容并包地吸收全球同行的算法工程优化创新和不同理念的技术创新思考。

具脑磐石创始团队有足够开放技术胸襟去跟同行们开放探讨，坦诚地面对可能出现的研发沉没成本，坦然地面对可能会走的弯路。

具脑磐石相信，恰恰是这种技术胸襟，让具脑磐石团队能在今天做出这种技术前瞻预判，也会让具脑磐石团队能在未来更好、更快地实现自身的技术愿景。

（2）正确地做难而正确的事：探索星辰大海的同时沿途下蛋，可持续地行稳致远

具脑磐石主张的「类脑智能驱动的具身智能 2.0」，难在技术选择，难在技术宣讲，难在人才密度。

技术选择难，在于该技术愿景的达成涉及认知科学、神经科学、人工智能、机器人学等多学科交叉，研发团队需要啃下抽象表征、因果推理、终身学习等核心技术硬骨头，每一步突破都需深耕底层理论与工程实现，技术难度高、研发周期长，敢不敢压上职业生涯去坚持和奋斗，很难。

技术宣讲难，在于该技术理念并非当下成熟的主流技术方案，能听懂的人少，能相信并投入资源支持的人更少。

人才招揽难，在于相比于全球「无校不在」的计算机科学专业，全球都只有很少的高校与研究所能开设「脑与类脑」研究中心和专业。

相较于当前各研发团队对计算机科学 AI 人才的可获得性相比，计算神经科学人才密度低，其人才可获得性是指数级困难。

尽管有以上种种困难，但从智能能力产生的第一性原理出发，已实现的低数据、高泛化、可终身学习、低功耗的人类大脑智能能力是 AI 无法绕过的参照，参考人脑「心智模型」的功能实现机制以打造「认知世界模型」是可以做出清晰判断的正确战略方向。

当然，坚持星辰大海的技术愿景，并不意味着蛮干。

从产业环境和人才获取角度看，当下全球范围内主要经济体正在轰轰烈烈开展的国家「脑计划」正在极大推动脑与类脑智能领域的学科发展和人才培养，国家「十五五」规划也正在支持脑与类脑的技术创新和产业培育；

从创新创业角度看，今天的具身智能 2.0 技术创新的产业转化不需要等到技术愿景完全实现之时才能开始，而是完全具备成熟一部分转化一部分的可行性。

具脑磐石们只要在坚持追求技术创新的长期主义愿景同时，正确选择符合市场规律的沿途下蛋技术转化策略，务实且可持续地开展企业运营，必能行稳致远。

5、以史为鉴，可以知兴替

技术变革与突破之艰辛，从来只是少数人的坚持所得。

回顾 AI 技术发展史，我们乐于从中得到激励技术坚持韧性的启发：君不见 Geffrey Hinton 坐 10 年冷板凳完成反向传播（Back Propagation）技术创新前，时人多畏难而放弃；

君不见 OpenAI 用 3 年时间基于 Decoder-only Transformer 架构打造出 GTP- 3.5 之前，包括提出 Transformer 的 Google 团队等皆畏难而放弃；

而如今的人们正在再次见证包括具脑磐石在内的 Yann LeCun 们正在主张和坚持走一条少有人能坚持走下去的路，相信诸君必然又会在不远的未来再次见证一场技术发展史的循环。

具脑磐石作为全球唯一对标 Yann LeCun 创立的 AMI Labs 的具身智能创业公司，将与全球 Yann LeCun 们一道在通往通用智能的路上走一条难而正确的长期主义之路，引领人类技术发展。

具脑磐石的愿景，不仅是要打造能落地应用的具身智能技术产品，更是立志要定义和引领具身智能 2.0 的范式变革，推动中国在全球 AI+脑科学的技术竞争和产业应用争夺全球领先。

历史反复地证明，尊重技术与商业发展规律、有耐心和有定力长期持续深耕核心技术突破的企业，终将行稳致远，成为引领技术和产业进步的中流砥柱。

*本文经授权转载至星河频率。文章观点仅代表作者本人。