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」

逛过WAIC具身智能展区的人，多半有同一个疑问：

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