北京
文｜邱曉芬
編輯｜蘇建勛
朱森華是個把嚴謹刻進骨子里的人。
作為腦神經科學的博士后，在我們訪談當天，他將我們提供的一份訪談提綱，寫成了一份七頁紙、近萬字的回復，當中還用字母、數字把觀點分門別類，并做了圖輔助理解，像是在完成一篇道地的學術論文。
研究大腦，就是研究人，這從朱森華的聊天習慣就能看出，他不會一直單方面的滔滔不絕，而是會停下來，詢問我們對某些問題的看法，也會因為我的“文科出身、媒體背景”，調整回答方式。
在華為的六年時間里，朱森華曾擔任華為云AI算法創新Lab主任，也是華為云AI部門智能機器人業務的開創者，同時還是“華為天才少年”們的面試官之一。
他曾帶領一支“博士軍團”，從零到一構建了華為云的腦與類腦AI云平臺、華為云智能機器人業務，還孵化了華為云的首個具身大模型。
在這波具身智能浪潮中，華為不算高調。但如果對2023 年的華為HDC（開發者大會）有印象，應該會記得華為云搶在國內一眾大廠之前發布了首個可真人交互的“具身工匠”能力原型。
△華為在2023年的HDC大會上首次發布具身大模型
這一原型搭載的便是朱森華主導研發的華為云首代盤古具身大模型。從當時的效果來看，這一具身大腦已經具備了真人能力，能對復雜任務進行自主規劃，并自主生成動作指令等等。
2025年10月份，朱森華離職，創立具身大腦公司“具腦磐石”。選在此時創業，朱森華形容為“萬事具備”。
成立兩個月后，“具腦磐石”核心團隊已搭建完畢，公司聯合創始人之一是極智嘉智能叉車&極智鏈產品事業部總經理劉晉宇，其他成員來自華為、聯想、曠視、極智嘉，具備10年以上的Al+機器人研發交付經驗。
《智能涌現》獨家獲悉，由朱森華創立的“具腦磐石”，近期已完成數千萬元的種子輪融資，資方為樂聚機器人、上海道禾長期投資、四川科創投集團、東方精工等。
在技術儲備上，和過去大眾熟知的端到端、分層等完全基于深度學習的具身智能技術路線不一樣的是，朱森華想要走一條更特別的路徑——用腦認知啟發（Nerual AI）的范式來改進具身智能VLA。
《智能涌現》了解到，「具腦磐石」將借鑒人腦的認知神經機制，給具身智能VLA做算法架構的改造，比如引進人腦特有的抽象概念學習、選擇性注意力等。通過這些算法“外掛”，減少機器人數據和算力的依賴，提升泛化性。
AI與NI的轉化關系
未來，隨著腦啟發算法工程實踐積累和迭代，朱森華預計在3-5年后完成深度學習算法范式更迭，徹底走向腦啟發的技術范式。
“人類的大腦是世界上唯一實現的最強具身智能大腦，我們沒有理由不以它為藍本進行技術迭代呢？”，朱森華表示。
這并不是朱森華的一家之言。在具身智能的架構設計中借鑒“人”，也是近期行業一大風向。
比如，前Meta首席科學家、圖靈獎得主楊立昆（Yann Lecun）近期就向行業發出提醒，現有的LLM架構是通往AGI的“死胡同”。他認為，AI應該向人類一樣學習，構建內部的“世界模型”。
讓具身智能學習人，難度要比以前更進一步，這要求設計者既懂AI和計算機，又了解人腦神經機制。而朱森華正是這樣的稀缺角色。
“萬事具備”的另一面，是商業資源。
具腦磐石
朱森華告訴我們，「具腦磐石」已經和國內汽車零部件領域的龍頭上市公司紐泰格、另一智能制造上市公司達成合作。他將公司戰略定位為全球化，落地首站，他們選擇了亞太地區的商業服務和工業場景。
朱森華判斷，目前具身智能最大的矛盾在于，“半吊子”的具身機器人與人們過高期望之間的鴻溝。要落地，最難的是找到愿意為不夠成熟的具身智能買單的客戶。
在國內，“機器人完全替人”的商業模式短期內還沒法大規模走通，而但不同于國內的是，國外發達國家面臨的“事實性勞動力短缺”尤為嚴重。
以日本的便利店為例，其核心競爭力之一是在提供7×24小時服務，而當下日本店員的老齡化嚴重、勞動力供給不足，制約了這一服務模式。在便利店夜班場景里，為了正常的服務運轉，具身機器人便能發揮作用，承擔起夜間值守、門店理貨等基礎性工作。
朱森華表示，在人力客觀供給不足的情況下，客戶就愿意為當下僅有六七十分能力的具身機器人付費，況且，機器人也在保持持續進化。
以下是《智能涌現》與朱森華的交流記錄：（略經摘編）
深度學習，“有多少人工，就有多少智能”
《智能涌現》：當前的具身智能技術范式并不收斂，你認為應該怎么分類？你們的路線又有什么差異化？
朱森華：AI或具身智能當前主要有三個大的技術范式——
①壓縮即智能的聯結主義深度學習范式（DNN），這也是當前LLM-based AI的主流范式，以OpenAI等為代表。
該范式下大致有Transformer和Diffusion兩大技術方案。其中，快慢系統、分層、端到端，都只是這個技術范式下不同技術方案的排列組合或局部優化變種。
②Trial-and-Error的行為主義強化學習范式（RL），強調Learn from Experience（從經驗中學習），以Richard Sutton（理查德·薩頓，強化學習奠基人、圖靈獎得主）等為代表
③腦認知啟發的Neural AI范式（Brain Inspired Neural AI），強調Learn from Neuroscience(從神經科學中學習)，以楊立昆等為代表。
我們是屬于第三類。
《智能涌現》：現在大多數具身智能廠商主流的技術方案是端到端、分層等，這些路線可能存在什么問題？
朱森華：這些技術方案整體上都繼承了深度學習技術范式上限的約束，比如存在高數據、高功耗、低泛化性、低可解釋性、低在線學習等難題。
這也是為什么這兩年基于深度學習的大模型工程優化，確讓局部應用體驗更佳了，但卻仍然難以大規模推廣應用的原因。
你肯定聽說過一句話，“有多少人工就有多少智能”。今天的大模型也不例外，只是領域眾多玩家把大多數注意力放在了持續尋找如何更快捷、便宜地構建數據集的技術方案。
《智能涌現》：這些技術路線未來是否走向收斂，哪一種范式會勝出？
朱森華：我認為當今無論是AI還是具身智能，全人類已經進入一片沒有確定答案的技術黑森林。每種技術主張的成熟周期不同，技術突破也再難線性預測。
在黑森林里，需要有眾多路徑分頭探索，所以，對于任何一個技術團隊而言，只要有清晰的技術主張和相匹配的人才投入，都值得被支持。
《智能涌現》：你們選擇的腦認知啟發路徑，還有哪些廠商或者科學家在沿用？
朱森華：如果非要跟業界做個對標，我認為“具腦磐石”采用的腦啟發具身智能，和圖靈獎得主、Meta前AI首席科學家楊立昆（Yann Lecun）的世界模型架構設計理念是高度一致的。
我們曾深入分析研究過：楊立昆的JEPA-based World Model的底層認知神經科學，指導極大地借鑒了“自由能最小原則”（Free Energy Principle，FEP），兩者之間有眾多理論概念相近。
另外，北京通研院朱松純教授 “小數據、大任務” 的AI技術主張從根源上就是認知神經科學的理論。
朱教授認為，人類的大腦并不是通過“背誦海量數據”而學習，而是通過極少量的觀察和嘗試，就能快速建立對世界規律的理解。
（《智能涌現》注：FEP自由能由認知神經科學領域科學家Karl Friston提出，它指的是，任何活下來的系統都在不斷減少對環境的預測錯誤，比如走路時，大腦會預測下一步地面在哪里，如果預測錯了下次就會調整姿勢，這個過程就是最小化自由能。）
機器人大腦，如何向人腦學習？
《智能涌現》：為什么你們要向人類大腦學習，進而對具身智能進行改造？
朱森華：具身智能的根本目標，是希望機器人可以像人一樣。人類大腦就是世界上唯一實現的最強“具身智能大腦”，也是“人工智能”這個概念提出的起源，我們沒有理由不以它為藍本進行技術迭代。
所以我們主張的是，用清晰的腦啟發思想去替代盲目的計算。
《智能涌現》：人腦有什么最值得機器人學習的部分，你們是從哪幾個維度去升級？
朱森華：對具身機器人的能力而言，有關鍵的兩個部分：操作技能和自主移動。
在“操作技能”的這個維度，以“教會機器人用杯子喝水”這一任務為例，大多數具身智能公司的做法是，用盡可能多種類的杯子去采集足量的數據，比如采集圓的、扁的、方的、藍的、綠的、大的、小的......
當機器人見過足夠多種類的數據，下次遇到沒見過但類似的，機器人仍可能通過關聯推理，完成喝水的動作，實現泛化能力。
但如果是人腦，你設想一下，在人類小的時候，家長并不需要這樣無窮無盡的方式來教小孩，甚至把你扔到森林里，你還能把椰子殼當容器去取水喝，展現出更高維度的泛化能力。
所以，人腦智能的一大特性就有著強大的概念抽象能力，能夠實現舉一反三的小樣本學習。
《智能涌現》：如何實現“自由移動”呢？
朱森華：在“自主移動”的維度，不管是現在的送餐機器人、掃地機器人，去到一個陌生的環境都有提前采集環境地圖的環節。
但是人類并不需要這個過程，僅僅憑借眼睛感知的視覺認知，就可以指導人在從來沒有到過的開放空間里自由行動。這是人腦智能的另一大特性，有強大的開放環境自由探索能力。
《智能涌現》：這兩個部分你們是不是已經運用到了機器人領域了？
朱森華：我們已分別在開放環境的自由移動、腦啟發小樣本操作，開展了算法原型驗證。
具體而言，在移動方面，我們基于“柵格和位置細胞模擬”的方式，搭建了類人認知地圖（cognitive mapping）機制，讓機器人實現跨室內外開放場景的自由探索，部署效率提升了40%。
小樣本學習方面，我們驗證的結果是，數據相較此前降低90%。未來也有望走出具身智能堆算力的“暴力美學”。
《智能涌現》：不堆算力是怎么做到的？
朱森華：大模型里有一個核心詞叫注意力，Attention，樸素地借鑒了人類大腦的認知神經機制。但計算機收到的每一張圖片，每一個像素點的權重都是一樣的，所以就需要極其巨量的GPU算力。
但是人類每秒都在接受海量視覺信息，大腦卻不會崩潰，是因為人腦注意力有重點的，能動態根據關注點，聚焦于局部信息。
比如我剛剛進門的時候，你只會關注我來沒來，但是其他的信息你都忽略了。
人一天吃三頓飯補能，成人大腦的功耗也就25瓦，就能維持860億神經元的運轉。大腦通過注意力機制，極大減少了處理信息的代價，最后實現了低功耗。這也是機器人大腦未來需要借鑒的。
《智能涌現》：你們具體是怎么把人類的抽象思維和引進到機器人上的？
朱森華：我們在模型里引入了抽象概念表征Encoder來實現，引導和使得模型不再是Learn from Tokens，而是Learn from Concept（從概念中學習）。在具身智能領域里，我們也看到有團隊采用了類似的技術方式。
（作者注：抽象概念表征Encoder，是一種從具體數據中自動提取并編碼出核心抽象特征的神經網絡模塊）
智能涌現：怎么理解類人認知地圖機制？
朱森華：我們把人腦中由視覺細胞、柵格細胞、位置細胞聯合構成的“自由探索認知神經機制”，抽象成一套全新的算法架構，讓機器人實現不需要提前預置環境地圖，就可實現類人的自由探索。
《智能涌現》：VLA在一些場景里還是有用的，你們是直接拋棄VLA，直接用全新的技術范式做具身智能嗎？
朱森華：我們認可VLA是可用的工具，只是局部不可用，所以我們會給他“外掛”做優化改造。比如VLA現在像是個五六歲的孩子不夠高，我們會給他加一副增高鞋墊。
舉個例子，你上了大學的時候就會發現，解一道“雞兔同籠”的題，有無數種方程的解法，比如矩陣計算。但你在小學時，你只會假設法，沒上過大學，就絕對想不到有別的方法來解決。
今天計算機科學的人，大部分人不知道腦和類腦科學是什么，但是我們能從更高維解決具身智能問題。
具體路徑上，在 1-3 年內，我們還是會基于VLA的工程實踐，但是會用一系列認知神經機制，對具身智能的各個環節進行系統性的優化改造。
隨著我們系統性的腦啟發算法迭代，預計3-5年后更迭掉深度學習范式。
《智能涌現》：這種范式的差異，會產生方法論上的差異化嗎，比如數據上的不同？
朱森華：我們的具身大腦要解決的問題，和其它玩家是沒區別的，都是想讓機器人能像人一樣游刃有余地應對開放世界環境下的任務。
我們跟其他家最大的不同，在于“指導理論”根基不同。我們的指導理論來自系統性的認知神經科學，而非大模型堆砌Scale的算法工程實驗。
數據方面，我們的數據需求跟行業一致，也是VLA真機數據。但隨著AI算法范式的升級，所需的數據結構與數據標注未來也會動態變化。
《智能涌現》：你覺得現在具身智能領域，或者深度學習領域在技術上最大的痛點是什么？
朱森華：這個問題業界其實都非常清楚，就是缺乏系統性的清晰理論指導。我們回望Hinton引爆的深度學習發展這十年，大家都笑稱模型訓練是門玄學。
這個領域的工程師經常會說一句話，“我得回去煉丹了”。深度學習模型訓練就是煉丹，沒有明確的配方，大家都是試一試，今天你用10B的，明天他用30B的，最后業界匯總發現100B開始的模型才可以。
深度學習的發展過程中，怎么樣堆數據、怎么樣搭網絡結構、怎么樣定義優化函數，全靠算法工程師的“試錯經驗”來推動演化。
《智能涌現》：那腦認知啟發的范式有理論指導嗎？
朱森華：我們的指導理論來自認知神經學?，F在全世界的科學家都在試圖理解大腦的神經機制。以中國自2021年起、10年投入500億的“中國腦計劃”為例，核心研究目標被概括為“一體兩翼”。
一體，是研究大腦的宏觀、介觀、微觀結構與神經機制。左翼，是醫學臨床應用，用于指導臨床帕金森在內的腦疾病治療與大腦保護；
右翼，是類腦轉化，用于指導把大腦結構與智能的優秀特性轉化成服務于人類應用的計算機技術。
《智能涌現》：用腦認知啟發來改造機器人，背后的難點在哪里？
朱森華：首先，在人類大腦研究這件事情上，研究還是相對緩慢的，受限于人類的物理學水平。因為我們不能用失活、異常的大腦去研究大腦的功能神經機制，所以科學家們發明了核磁共振（MRI）等工具去研究正常人類的活體大腦。
其次，大腦的智能（NI）和人工智能(AI)之間正在互相促進的。大腦的神經機制研究能啟發算法，算法逐步的進步又能夠加速大腦研究的進展。
但背后最難的是，我的算法該怎么設計、優化與迭代？站在腦與類腦研究的視角，領域里腦科學的人才相比于計算機人才很少，而能同時懂計算機科學，又懂腦科學的專家就更是稀缺。
具身智能落地，無法繞開的矛盾
《智能涌現》：你們現在會怎么落地自己的機器人？
朱森華：當前具身智能產業最大的矛盾是，半吊子的具身智能能力，與人們過高期望之間的Gap。
而機器人產業落地最困難的點是，如何為當前半吊子的具身智能能力，找到合適的場景和愿意為之付費的客戶。
短期內，在國內，具身智能“機器人完全替人”的商業模式還沒法大規模走通，客戶算不過賬來。
我們從成立的第一天，就立足出海去解決發達國家和地區“事實性勞動力短缺”的核心問題，包括商服、工業、康養等主要場景。
《智能涌現》：為什么出海的第一站會選擇亞太地區？
朱森華：①亞太地區離中國近、有地理優勢，有一定的文化相近性；
②亞太發達地區的市場規范、商業標準能對接歐美地區。
③亞太地區的發達國家不但人力成本更高，更是陷入了事實性勞動力短缺的情況。
比如像日本的7-11，由于全民老齡化導致嚴重的勞動力不足，核心的7×24小時服務模式難以持續，因此已經有一定數量門店縮減為16-20h的運營時間，減少夜班班次。而具身機器人如果能在店里完成夜間班次的巡店、理貨、導購等工作內容，就可以讓整個服務可持續。
目前已經有不少海外客戶向我們明確表示，愿意為僅能替代人類50-70%的具身能力買單。
《智能涌現》：這幾個月實際推動落地下來，發現機器人落地有哪些難點？
朱森華：從實驗室技術到客戶應用，中間需要應對很多變化，比如環境變化、人員操作、機器磨損等異常帶來的種種corner case。
對客戶場景的理解、技術原型的提煉，是坐在實驗室想不明白的。產業化和商業化是個系統工程，需要干好臟活累活，而不是不切實際活在技術愿景里。
《智能涌現》：corner case有沒有一些例子？
朱森華：舉個例子，實驗室的不透明格擋環境內可用的大腦模型，到了有玻璃墻、反光條的工廠環境，就會變得極不可靠。
《智能涌現》：很多具身智能公司都在“補腦”，本體廠商也在“補本體”，為什么你們堅持不做本體只做腦？
朱森華：我們希望通過聚焦大腦技術，攻克具身大腦“一腦多機”、“一腦多形”的能力上限。
每個團隊都有自己的核心基因，眉毛胡子一把抓，要么有足夠豪華的錢和凝聚力去做好軟硬件人才儲備，否則就會不聚焦、精力耗散。
《智能涌現》：但是現在具身智能行業里，似乎軟硬的界限在逐漸模糊？
朱森華：我并不認同這個說法。大家有這種觀感，主要原因是現在具身大腦算法還很難做到“一腦多機”、 “一腦多形”，導致大家都是在做“特定本體+特定技能大腦”的強綁定交付，很難解耦和泛化遷移。
這種形態很明顯不會是最終的技術交付形態，因為它產品分工不夠明確，也沒有能體現具身大腦的能力。
《智能涌現》：你們直到2025年下半年才開啟創業，會不會太晚了?
朱森華：坦誠地說，從融資拿熱錢的角度來看，確實偏晚了，但是從產業化落地的角度來看，整個具身智能產業才剛剛開始。
封面來源｜視覺中國
end
end
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
