機器人為啥困在Demo？訊飛新公司爻方智能給出答案：缺一味「本體認知」

逛過WAIC具身智能展區的人，多半有同一個疑問：

都2026年了，機器人干活，怎么還是慢吞吞的？

轉頭一討論，大家默認的答案是：技術不行，快不了。

但一位剛成立機器人公司的負責人，給出了一個扎心得多的解釋：

不是不能快，是怕出錯。速度是可以調快的，調快以后出錯概率就會增加，給別人演示的時候就會掉鏈子。

原來，展臺上的慢，是主動調低的安全檔。

而不敢調快的根源，正是行業如今熱議的「大腦」：機器人的大腦，還沒跨過實用門檻。

換個環境、換個物體，動作就開始變形，所以很多展示只能停留在Demo層面，在精心布置的場景里小心完成。

說這話的人叫潘嘉，國家科技進步一等獎主要完成人、科大訊飛杰出科學家、具身智能前沿科學帶頭人。

就在WAIC 2026開幕前，科大訊飛悄悄注冊了一家新公司：安徽爻方智能科技有限公司，注冊資本3億元，由潘嘉帶隊，專攻的正是機器人大腦。

同期，團隊聯合中國科學技術大學、聆動通用機器人交出了一篇技術報告：iFLYTEK-Embodied-Omni。

報告很厚，判斷卻很短：

現在主流的機器人大腦，造法就不對。

VLA不是終局，世界模型還需補上「本體認知」這一環

總結下來，爻方的思路可以概括成這樣兩點：

第一，VLA不是終局。這個當下最熱的路線，天花板在哪還沒人驗證過，但理論上的短板，已經擺在了明面上。

第二，接棒VLA的世界模型，也有可以完善的空間，比如「本體認知」這味關鍵藥引子。

要理解這兩點，不妨來完整看一下整個行業圍繞「大腦」的這場激烈爭奪。

為什么大家都在爭「大腦」？這背后其實是一個逐漸成型的共識：具身智能真正的瓶頸，從來不在身體，在大腦。

原因很簡單，交互方式變了。

過去幾十年，人機交互停在離身的符號層面。你說話它識別，你打字它應答，始終隔著一塊屏幕。

而具身交互要的是另一件事：機器人得用身體走進物理世界。

倒一杯水，它就得知道壺有多重、水會怎么流、灑了怎么辦。每一個動作背后，都是對物理規律的理解和推演。

這不是能力的線性延伸，是一次底層躍遷。

而承擔這次躍遷的，只能是大腦。身體的關節、電機、靈巧手，供應鏈一年比一年成熟；但讓身體知道該做什么、會發生什么的那顆大腦，還沒造好。

瓶頸在此，戰場也自然在此。

至于這顆「大腦」怎么造？行業的分歧，集中在兩件事上：用什么架構，和拿什么數據喂。

先說架構之爭。

很長一段時間里，VLA都是絕對主流。它直接將視覺和語言映射為動作，見效快、門檻低，所以一時備受追捧。

但VLA的軟肋也越來越明顯：

它更像一個「即時反應系統」，只管現在怎么做，不管做完之后世界會變成什么樣。

就好比在路上開車，看到紅燈它確實知道踩剎車，但它預判不到雨天路滑、這一腳下去車會打滑失控。

只對當下做反應，不對后果做推演——這就是「VLA不是終局」這一判斷的根本原因。

△圖片由AI生成

正是看到了這一點，世界模型接棒火了起來。其邏輯在于：

先預測未來畫面，再從畫面推出動作，讓機器人也學會「先想后動」。

英偉達把這條路的招牌「Physical AI」喊成了年度關鍵詞，各家世界模型在榜單上輪番刷榜，行業開始集體從VLA遷向WAM（World Action Model）。

看上去方向是對了，但爻方認為：這里面還藏著兩個坑。

第一個坑是誤差累積。

主流世界模型把預測和動作拆成兩步串行：先生成未來畫面，再從畫面反推動作。問題就出在這中間的交接上，視覺預測一旦出錯，誤差就會直接傳導進動作，任務越長，滾得越大。

學界給這個坑起過名字，叫「可執行性鴻溝」：

畫面生成得毫無破綻，物理上卻根本做不到，機械臂一執行就露餡。

第二個坑更隱蔽，即缺乏本體認知。借用潘嘉提到的打羽毛球的例子：

好的運動員會預判球的落點和速度，同時他對自己身體的極限能做到什么，也非常清楚。球在這里，我是跳過去扣殺，還是夠一下把它救回來。

而現在的世界模型，恰恰缺了后半句。

現在的世界模型，更多還是在關注預測這一點。不管是世界模型還是之前的policy，都沒辦法通過任務去增加對本體的認識。

預判世界，卻不認識自己。畫面算得再準，不知道這具身體做不做得到，動作照樣落空。

這，就是爻方要補的那味藥引子：本體認知。

△圖片由AI生成

有意思的是，英偉達其實也踩過前一個坑。

它早期的打法是標準兩段式：Cosmos負責做夢，生成機器人干活的視頻，再從畫面里反推動作。到了今年2月的DreamZero，也就是新一代GR00T 2的底子，英偉達改了主意，把預測畫面和生成動作塞進了同一個模型里聯合訓練。

換句話說，爻方押的「聯合生成」這條路，頭部玩家也走到了同一個路口。

但走到路口之后，兩家邁的腿不太一樣了。

在英偉達的方案里，機器人的本體狀態只是喂給模型的一個輸入信號；而在爻方這里，認識本體是一道必答的訓練任務——告訴它未來幾幀要到的位置，讓它自己算出每個關節該怎么轉。

一個把身體當條件，一個把身體當考題。

這個差別有多要緊？英偉達自己的技術文檔里也寫得很直白：靠2D視頻做預訓練，深度和空間理解會失準，預測看上去沒問題，機械臂一伸手，夠過頭或者沒夠著。

△圖源英偉達官網

畫面對了，動作落空。病根，還是不認識自己。潘嘉在采訪里也正面聊過這層差異：

以往的模型沒辦法通過任務去認識本體，爻方干脆把逆運動學做成了任務本身。

架構上的差異逐漸顯現，那數據呢？

機器人數據比語言數據少了幾個量級，Scaling Law這張底牌至今沒能翻開，真機泛化也就遲遲沒有公認解法。

眼下行業能用的數據來源，無非這幾種：

△圖片由AI生成

面對數據這道坎，爻方又甩出了一個讓人意外的說法：行業當下最主流的敘事，可能是個陷阱。

當前行業最普遍的做法是：先量產再采集。

先最低限度跑起來，讓數據自然回流，帶動飛輪轉起來，模型就能越來越強。

特斯拉驗證過的路，機器人再走一遍。

但潘嘉對這種做法持保留意見。

在他看來，效果不過關就大規模鋪貨，用戶不會買單，數據飛輪根本轉不起來。飛輪的前提是有人愿意用，而不是先把輪子造出來。

量產之前，首先要跨過實用門檻。盲目上線，最后犧牲的就是品牌，第一個吃螃蟹的人，就變成了先烈。

聽上去很有道理，不過要解決的問題卻很現實：

不靠量產堆數據，泛化從哪來？

細挖爻方的解法

爻方的答案，其實就寫在那篇技術報告里：用更聰明的架構，把有限的數據用到極致。

具體怎么落地？這里面有幾個比較關鍵的動作。

關鍵1：大腦，是雙核的

傳統VLA的短板前面說過了。

對癥下藥，iFLYTEK-Embodied-Omni在VLM之外，專門引入VGM（視頻生成模型），來負責預測未來的視覺狀態。

說白了，機器人在動手之前，先在腦子里把動作的后果預演一遍，這種「預見」在長時序任務里尤其關鍵：

傳統VLA往往只能等錯誤發生后被動補救，而它能在行動前就主動規避風險。

不過這里有個細節很值得琢磨：為什么偏偏挑視頻生成來干預測這活？

眼下行業里能預測未來的技術路線主要有三條，而「視頻生成」在不少人眼里恰恰是當中「不夠高級」的一條，但爻方偏偏選了它。

△圖片由AI生成

對于這點，潘嘉也沒藏著掖著：

現在的視頻生成也是用自回歸大模型結合擴散模型做的，跟我們整套模型的backbone比較契合。

因為和自家架構合得來，所以選了它。至于將來會不會換其他路線，他也沒把話說死，等哪條路成熟了同樣能為我所用，眼下先挑最跑得通的那條。

務實，是爻方的底色。而它給模型取的名字，藏著同樣的講究。

除了世界模型，我們還有傳統的VLA、policy學習，還增加了像逆運動學這樣的任務，所以我叫它Embodied-Omni（統一多模態具身基礎模型），而不是直接稱作WAM。

一個「Omni」，裝下了理解、預測、動作三件事。

而其中的逆運動學任務，正是前面反復說的那味藥引子，「本體認知」的落地方式。

需要說明的是，「本體感知」（Proprioception）在機器人學中并非新概念，傳統機器人很早就通過關節角度、扭矩等傳感器來感知自身狀態。

但感知是一回事，認知是另一回事。傳感器能告訴模型身體現在在哪，不等于模型懂這具身體能做到什么。此前的技術路線，無論VLA還是主流世界模型，都很少把后者當成訓練目標，融進端到端的具身大模型里。

爻方的做法是：不直接告訴模型手該怎么動，只給它看要到達的終點，逼它自己補全中間每一步，練的就是一副「身體的直覺」。

預測未來，是學會看世界；逆運動學，是學會看自己。

比主流的世界模型多做一步，這正是爻方的取勝之道。

關鍵2：大腦和小腦，得實時協同

光有雙核還不夠，兩個腦區怎么配合，同樣是門學問。

傳統做法是「大腦想完，再交給小腦做」。規劃和執行分成兩段，信息單向傳遞，一棒接一棒。

聽著順，但誤差累積的坑讓人頭疼。

iFLYTEK-Embodied-Omni把這套串行改成了「大腦-小腦」協同：

VLM（理解規劃）、VGM（預判建模）、AGM（動作生成）三個模塊，通過共享的多模態自注意力機制實時交互。

其中VLM和VGM構成高層大腦，管指令理解、任務規劃、進度跟蹤和未來預測；

AGM是低層小腦，把規劃好的子目標翻譯成能落地的動作。

還是拿羽毛球說事。

球飛過來，大腦先判斷球速和落點、盤算這一拍怎么接，小腦同時預判自己的身體夠不夠得著、該用多大力。

兩件事不是等一個想完另一個才動，而是幾乎同時發生，一氣呵成。

大腦和小腦實時對話，動作才能又快又穩。

關鍵3：以空間推理彌補真機數據不足

架構再巧，也得有數據喂。

既然要讓有限的數據發揮最大作用，那挑什么數據、怎么配比，就成了關鍵一步。

和大多數公司把錢砸在真機數據上不同，爻方的配方，偏偏反著來。

• 帶動作標注的機器人軌跡→26.88%；
• 無動作的人類操作視頻→18.95%；
• 通用VQA數據→5.06%；
• 空間推理、感知與任務規劃→49.11%。

最扎眼的是最后一檔。

將近一半的訓練數據，是2D/3D軌跡、2D/3D定位、空間指向、物體指向、任務規劃這類「具身大腦數據」。

它們不需要一臺真機吭哧吭哧去跑，卻能結構化地喂出模型的「空間感」和「規劃力」。

空口無憑，模型評測成績單就是最好的說明。

不過在此之前，還得簡單說一下爻方的訓練方法。

理解、預測、動作，三個模塊要學的東西天差地別，一股腦混著訓，模型很容易顧此失彼。

所以爻方分了四步走：前三步讓VLM、VGM、AGM各自開小灶，把專長練扎實；最后一步再聯合微調，讓三者在同一個框架里彼此對齊、協同起來。

四步走完，成績相當能打：

• LIBERO-Plus零樣本基準（七種環境擾動下考泛化）：平均成功率89.6%，超過當時最強的VLA和WAM方法；
• RoboTwin 2.0雙臂協同基準：標準與隨機環境分別拿下93.68%和93.16%，幾乎不受干擾；
• 長時序任務（連做七步，最考驗預測能力）：隨機環境成績反而更高，環境越亂，雙核大腦越顯本事。

不過跑分歸跑分，能不能落到真機上，是另一道坎。

好在這條路，訊飛已經用真機蹚過了。

爻方出底座；科大訊飛控股子公司安徽聆動通用負責工業具身大腦-小腦-本體全鏈路自主可控，同時兼具本體和硬件。

P.S. 視頻中用的還是聆動此前自研的iFlyBot-VLM和iFlyBot-VLA模型~

但這不影響結論：真機已經能落地干活，證明這條路走得通；剩下的，是把大腦換成更強的一顆。

方向已經有了，剩下的是時間問題。

新公司是新的，但這盤棋不是

到這里，很多看似簡單的事情，也變得耐人尋味起來。

你以為這是訊飛又成立一家新公司的故事，但背后其實是：一家公司十幾年的積累，等來了一個時代的轉向。

先說這十幾年的積累。

訊飛最硬的家底，其實就藏在文章開頭那個場景里，機器人動作慢，是因為怕出錯、跨不過實用門檻。

而「怎么把一項技術逼過實用門檻」，恰恰是訊飛過去十幾年做得最多的一件事。

早年做語音識別，訊飛面對的客戶是汽車廠、家電大廠。這些客戶不看Demo，只認真章：車載語音在方言和噪音里能不能不出錯，家電聽錯一次指令，用戶可能就再也不打開了。

潘嘉就感慨，正是被客戶一年年提著更高的要求打磨，才攢下一身讓技術真正落地的工程化本事。

每一年我們做完一個東西，客戶都會提出更高的要求。這里面積累了非常多工程化落地的經驗，尤其在大模型時代，非常重要。

別的團隊還在發愁「Demo怎么變產品」時，這道坎，訊飛已經趟了十幾年。

而從語音到機器人，看著是跨界，實則是同一條路往深里走。

早些年，訊飛給機器人裝的是「嘴巴」和「耳朵」，解決它怎么「能聽會說」；

2022年的「超腦2030計劃」，第一次把目標定在讓機器人走進千家萬戶；

到今天，機器人超腦平臺已經對外賦能了400多家企業。

聽懂人之后，下一關自然是讀懂物理世界。

帶隊的潘嘉，正是這條路徑的縮影。2009年進訊飛研究院，從語音識別做起，拿過CHiME、OpenASR等國際評測冠軍，是國家科技進步一等獎的主要完成人。

從語音到多模態再到具身大腦，換的是模態，不變的是那套把AI逼到能用的功夫。

不過光有積累還不夠，還得趕上趟。

AI這幾年最大的變化，是從語音、文字這類「離身」的交互，轉向讓機器人用身體走進物理世界。

說白了，戰場從屏幕里挪到了屏幕外。

對訊飛來說，這個轉向來得正是時候。過去積累的AI能力和工程化經驗，剛好能用在新戰場上。

到這里，整盤棋的分工就清楚了：訊飛出AI底座和產業資源，爻方專攻機器人大腦，聆動通用具有最新升級的統一多模態具身大模型iFLYTEK-Embodied-Omni，并負責工業具身大腦-小腦-本體全鏈路。

至于這盤棋往哪下，聆動通用CEO季超對行業接下來兩三年的判斷，說得很直白：

資本會越來越看重收入、訂單、客戶復購和項目回本周期。具身智能下一階段不會只比誰講得更宏大，而是比誰能把機器人真正送進工廠，并讓客戶持續付費。

新公司是新的，但這盤棋，訊飛其實已經下了很多年。

One More Thing

對了，差點忘了個有意思的事，這家公司為什么叫「爻方」？

潘嘉說，名字想了很久，最后是一位學哲學的朋友起的。

「爻」出自《易經》，是卦象里陰陽變動的最小單元。

陰一半、陽一半，這不就是0和1嘛，堪稱中國最早的二進制。

好家伙，一家做AI的公司，名字里居然藏著幾千年前的「代碼」，有意思。

而「方」，取的是「變中求方」，在紛繁變幻的世界里，穩穩占住一席之地。

陰陽會變，方寸不亂。

放在具身智能這張還沒人摸到底牌的牌桌上，「變中求方」四字，倒像是提前寫好的一句注腳。

論文地址：
https://arxiv.org/abs/2607.02542