華為云具身機器人負責人離職創(chuàng)業(yè)，想用腦認知“改造”機器人大腦丨智能涌現(xiàn)獨家

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(jīng)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(shù)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(shù)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(diào)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(chuàng)新Lab主任，也是華為云AI部門智能機器人業(yè)務的開創(chuàng)者，同時還是“華為天才少年”們的面試官之一。

他曾帶領(lǐng)一支“博士軍團”，從零到一構(gòu)建了華為云的腦與類腦AI云平臺、華為云智能機器人業(yè)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(diào)。但如果對2023 年的華為HDC（開發(fā)者大會）有印象，應該會記得華為云搶在國內(nèi)一眾大廠之前發(fā)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(fā)布具身大模型

這一原型搭載的便是朱森華主導研發(fā)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(jīng)具備了真人能力，能對復雜任務進行自主規(guī)劃，并自主生成動作指令等等。

2025年10月份，朱森華離職，創(chuàng)立具身大腦公司“具腦磐石”。選在此時創(chuàng)業(yè)，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(lián)合創(chuàng)始人之一是極智嘉智能叉車&極智鏈產(chǎn)品事業(yè)部總經(jīng)理劉晉宇，其他成員來自華為、聯(lián)想、曠視、極智嘉，具備10年以上的Al+機器人研發(fā)交付經(jīng)驗。

《智能涌現(xiàn)》獨家獲悉，由朱森華創(chuàng)立的“具腦磐石”，近期已完成數(shù)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(chuàng)投集團、東方精工等。

在技術(shù)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(shù)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(fā)（Nerual AI）的范式來改進具身智能VLA。

《智能涌現(xiàn)》了解到，「具腦磐石」將借鑒人腦的認知神經(jīng)機制，給具身智能VLA做算法架構(gòu)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(shù)據(jù)和算力的依賴，提升泛化性。

AI與NI的轉(zhuǎn)化關(guān)系

未來，隨著腦啟發(fā)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(fā)的技術(shù)范式。

“人類的大腦是世界上唯一實現(xiàn)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(shù)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(gòu)設計中借鑒“人”，也是近期行業(yè)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(yè)發(fā)出提醒，現(xiàn)有的LLM架構(gòu)是通往AGI的“死胡同”。他認為，AI應該向人類一樣學習，構(gòu)建內(nèi)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(jīng)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(yè)資源。

具腦磐石

朱森華告訴我們，「具腦磐石」已經(jīng)和國內(nèi)汽車零部件領(lǐng)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(zhàn)略定位為全球化，落地首站，他們選擇了亞太地區(qū)的商業(yè)服務和工業(yè)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(nèi)，“機器人完全替人”的商業(yè)模式短期內(nèi)還沒法大規(guī)模走通，而但不同于國內(nèi)的是，國外發(fā)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(zhuǎn)，具身機器人便能發(fā)揮作用，承擔起夜間值守、門店理貨等基礎(chǔ)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(xù)進化。

以下是《智能涌現(xiàn)》與朱森華的交流記錄：（略經(jīng)摘編）

深度學習，“有多少人工，就有多少智能”

《智能涌現(xiàn)》：當前的具身智能技術(shù)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(shù)范式——

①壓縮即智能的聯(lián)結(jié)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(shù)方案。其中，快慢系統(tǒng)、分層、端到端，都只是這個技術(shù)范式下不同技術(shù)方案的排列組合或局部優(yōu)化變種。

②Trial-and-Error的行為主義強化學習范式（RL），強調(diào)Learn from Experience（從經(jīng)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(fā)的Neural AI范式（Brain Inspired Neural AI），強調(diào)Learn from Neuroscience(從神經(jīng)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(xiàn)》：現(xiàn)在大多數(shù)具身智能廠商主流的技術(shù)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(shù)方案整體上都繼承了深度學習技術(shù)范式上限的約束，比如存在高數(shù)據(jù)、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(yōu)化，確讓局部應用體驗更佳了，但卻仍然難以大規(guī)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(lǐng)域眾多玩家把大多數(shù)注意力放在了持續(xù)尋找如何更快捷、便宜地構(gòu)建數(shù)據(jù)集的技術(shù)方案。

《智能涌現(xiàn)》：這些技術(shù)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(jīng)進入一片沒有確定答案的技術(shù)黑森林。每種技術(shù)主張的成熟周期不同，技術(shù)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(shù)團隊而言，只要有清晰的技術(shù)主張和相匹配的人才投入，都值得被支持。

《智能涌現(xiàn)》：你們選擇的腦認知啟發(fā)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(yè)界做個對標，我認為“具腦磐石”采用的腦啟發(fā)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(gòu)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(jīng)科學，指導極大地借鑒了“自由能最小原則”（Free Energy Principle，F(xiàn)EP），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(shù)據(jù)、大任務” 的AI技術(shù)主張從根源上就是認知神經(jīng)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(shù)據(jù)”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(guī)律的理解。

（《智能涌現(xiàn)》注：FEP自由能由認知神經(jīng)科學領(lǐng)域科學家Karl Friston提出，它指的是，任何活下來的系統(tǒng)都在不斷減少對環(huán)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(diào)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(xiàn)》：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(xiàn)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(shù)迭代。

所以我們主張的是，用清晰的腦啟發(fā)思想去替代盲目的計算。

《智能涌現(xiàn)》：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(guān)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(shù)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(shù)據(jù)，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(shù)據(jù)，下次遇到?jīng)]見過但類似的，機器人仍可能通過關(guān)聯(lián)推理，完成喝水的動作，實現(xiàn)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(xiàn)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?qū)崿F(xiàn)舉一反三的小樣本學習。

《智能涌現(xiàn)》：如何實現(xiàn)“自由移動”呢？

朱森華：在“自主移動”的維度，不管是現(xiàn)在的送餐機器人、掃地機器人，去到一個陌生的環(huán)境都有提前采集環(huán)境地圖的環(huán)節(jié)。

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(huán)境自由探索能力。

《智能涌現(xiàn)》：這兩個部分你們是不是已經(jīng)運用到了機器人領(lǐng)域了？

朱森華：我們已分別在開放環(huán)境的自由移動、腦啟發(fā)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(xiàn)跨室內(nèi)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(jié)果是，數(shù)據(jù)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(xiàn)》：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(jīng)機制。但計算機收到的每一張圖片，每一個像素點的權(quán)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(tài)根據(jù)關(guān)注點，聚焦于局部信息。

比如我剛剛進門的時候，你只會關(guān)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(jīng)元的運轉(zhuǎn)。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(xiàn)了低功耗。這也是機器人大腦未來需要借鑒的。

《智能涌現(xiàn)》：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(xiàn)，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(lǐng)域里，我們也看到有團隊采用了類似的技術(shù)方式。

（作者注：抽象概念表征Encoder，是一種從具體數(shù)據(jù)中自動提取并編碼出核心抽象特征的神經(jīng)網(wǎng)絡模塊）

智能涌現(xiàn)：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(lián)合構(gòu)成的“自由探索認知神經(jīng)機制”，抽象成一套全新的算法架構(gòu)，讓機器人實現(xiàn)不需要提前預置環(huán)境地圖，就可實現(xiàn)類人的自由探索。

《智能涌現(xiàn)》：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(shù)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(yōu)化改造。比如VLA現(xiàn)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(fā)現(xiàn)，解一道“雞兔同籠”的題，有無數(shù)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(nèi)，我們還是會基于VLA的工程實踐，但是會用一系列認知神經(jīng)機制，對具身智能的各個環(huán)節(jié)進行系統(tǒng)性的優(yōu)化改造。

隨著我們系統(tǒng)性的腦啟發(fā)算法迭代，預計3-5年后更迭掉深度學習范式。

《智能涌現(xiàn)》：這種范式的差異，會產(chǎn)生方法論上的差異化嗎，比如數(shù)據(jù)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(qū)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(huán)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(tǒng)性的認知神經(jīng)科學，而非大模型堆砌Scale的算法工程實驗。

數(shù)據(jù)方面，我們的數(shù)據(jù)需求跟行業(yè)一致，也是VLA真機數(shù)據(jù)。但隨著AI算法范式的升級，所需的數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)標注未來也會動態(tài)變化。

《智能涌現(xiàn)》：你覺得現(xiàn)在具身智能領(lǐng)域，或者深度學習領(lǐng)域在技術(shù)上最大的痛點是什么？

朱森華：這個問題業(yè)界其實都非常清楚，就是缺乏系統(tǒng)性的清晰理論指導。我們回望Hinton引爆的深度學習發(fā)展這十年，大家都笑稱模型訓練是門玄學。

這個領(lǐng)域的工程師經(jīng)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(yè)界匯總發(fā)現(xiàn)100B開始的模型才可以。

深度學習的發(fā)展過程中，怎么樣堆數(shù)據(jù)、怎么樣搭網(wǎng)絡結(jié)構(gòu)、怎么樣定義優(yōu)化函數(shù)，全靠算法工程師的“試錯經(jīng)驗”來推動演化。

《智能涌現(xiàn)》：那腦認知啟發(fā)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(jīng)學。現(xiàn)在全世界的科學家都在試圖理解大腦的神經(jīng)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(jié)構(gòu)與神經(jīng)機制。左翼，是醫(yī)學臨床應用，用于指導臨床帕金森在內(nèi)的腦疾病治療與大腦保護；

右翼，是類腦轉(zhuǎn)化，用于指導把大腦結(jié)構(gòu)與智能的優(yōu)秀特性轉(zhuǎn)化成服務于人類應用的計算機技術(shù)。

《智能涌現(xiàn)》：用腦認知啟發(fā)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(jīng)機制，所以科學家們發(fā)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(jīng)機制研究能啟發(fā)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(yōu)化與迭代？站在腦與類腦研究的視角，領(lǐng)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(xiàn)》：你們現(xiàn)在會怎么落地自己的機器人？

朱森華：當前具身智能產(chǎn)業(yè)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(chǎn)業(yè)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(nèi)，在國內(nèi)，具身智能“機器人完全替人”的商業(yè)模式還沒法大規(guī)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(fā)達國家和地區(qū)“事實性勞動力短缺”的核心問題，包括商服、工業(yè)、康養(yǎng)等主要場景。

《智能涌現(xiàn)》：為什么出海的第一站會選擇亞太地區(qū)？

朱森華：①亞太地區(qū)離中國近、有地理優(yōu)勢，有一定的文化相近性；

②亞太發(fā)達地區(qū)的市場規(guī)范、商業(yè)標準能對接歐美地區(qū)。

③亞太地區(qū)的發(fā)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(xù)，因此已經(jīng)有一定數(shù)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(nèi)容，就可以讓整個服務可持續(xù)。

目前已經(jīng)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(xiàn)》：這幾個月實際推動落地下來，發(fā)現(xiàn)機器人落地有哪些難點？

朱森華：從實驗室技術(shù)到客戶應用，中間需要應對很多變化，比如環(huán)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(shù)原型的提煉，是坐在實驗室想不明白的。產(chǎn)業(yè)化和商業(yè)化是個系統(tǒng)工程，需要干好臟活累活，而不是不切實際活在技術(shù)愿景里。

《智能涌現(xiàn)》：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(huán)境內(nèi)可用的大腦模型，到了有玻璃墻、反光條的工廠環(huán)境，就會變得極不可靠。

《智能涌現(xiàn)》：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(shù)，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(xiàn)》：但是現(xiàn)在具身智能行業(yè)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(xiàn)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(tài)很明顯不會是最終的技術(shù)交付形態(tài)，因為它產(chǎn)品分工不夠明確，也沒有能體現(xiàn)具身大腦的能力。

《智能涌現(xiàn)》：你們直到2025年下半年才開啟創(chuàng)業(yè)，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(chǎn)業(yè)化落地的角度來看，整個具身智能產(chǎn)業(yè)才剛剛開始。

封面來源｜視覺中國

end

end