类脑具身智能

类脑具身智能把机器人智能的瓶颈从“身体要不要像人”转向“控制与学习机制能不能更像生物系统”。它关注低功耗、端侧适应、在线学习、时序记忆和多层控制，而不是只通过更大的云端模型堆算力。

观察

• 智平方科技 在 WAIC 2026 的表述中，把类脑路线定位为下一代物理世界 AI 的破局点：具身智能需要处理真实世界的复杂连续控制，单靠云端大规模训练会遇到算力和能耗限制。
• AlphaBrain Platform 对 NeuroVLA 的描述包括脉冲神经网络动作头、LIF 神经元、奖励调制 STDP、在线测试时自适应和 GRU-FiLM 动作精修。这些组件共同指向“在部署时根据环境反馈更新控制”的路线。
• 知跃空间智能 把类脑路线进一步推向树突计算和类脑大小脑系统，把低算力、小样本、强泛化和 Real2Sim2Real 闭环组织成 Physical AI 的公司叙事。其性能数字目前仍应视为融资报道中的披露口径。
• 类脑路线与 世界模型 不是天然竞争关系。世界模型偏向理解和预测环境，类脑控制偏向低功耗、快速反应和持续适应；机器人系统可能同时需要二者。
• 智源大会来源把 NeuroVLA 描述成“皮层-小脑-脊髓”三级架构：语义规划、高频运动协调和毫秒级安全反射分层处理。这说明类脑叙事正在从“像人脑学习”推进到“像生物系统分层控制”。
• 这条路线对 具身智能数据基础设施 有要求：如果机器人要边干边学，就需要真实环境反馈、低延迟本体状态、动作结果记录和安全边界，而不仅是离线视频数据。

截至 2026-08-10 的机制答案

• “皮层—小脑—脊髓”已不只是产品叙事。NeuroVLA 预印本与代码把三层映射为高层视觉语言/目标规划、自适应本体感觉与运动精修、神经形态动作执行和反射旁路，并报告真机抖动、反射与芯片功耗实验。证据等级是“可检查研究原型”，不是跨本体长时部署或独立复现。
• STDP/脉冲网络也已经有实现端点：AlphaBrain 公开 SNN action head、R-STDP、online STDP 和 LIBERO 评测入口。它证明组件存在并可运行，不自动证明这些组件相对普通 VLA 的净增益；first、SOTA 与能效数字仍属于作者/维护者主张。
• 树突计算、精细神经元建模等术语在知跃案例中仍没有同等级研究制品，因此只能保留为公司路线语言。页面不把“类脑”视为统一技术成熟度：NeuroVLA 的研究原型、AlphaBrain 的工具链与知跃的融资叙事分别记账。
• 类脑路线是否更稳定或省能，必须在同任务、同本体、同数据与同硬件预算下同时比较成功率/时长、运动平滑度、端到端与分层延迟、整机而非单芯片能耗、扰动恢复、安全反射，以及对 VLA、diffusion policy 和 world-model control 的消融。
• 持续学习的安全答案不是“允许在线更新”，而是版本化策略、离线回放与序列任务矩阵、后向迁移/遗忘、影子部署、动作约束、可回滚 checkpoint 和人工接管共同成立。AlphaBrain 已公开 ER/MIR 与 ASR/BWT/F 指标入口，但这仍不等于真实机器人上的安全闭环。

证据层级

• 可检查研究制品：NeuroVLA 论文/代码、AlphaBrain 训练与评测入口、Video2Act 论文/代码与仿真/真机任务。
• 作者自报但待独立复现：NeuroVLA 的抖动、反射和功耗结果，以及 Video2Act 相对基线的成功率增益。
• 公司叙事：知跃的 10—20 条数据、15 倍效率、树突计算及平台名称；当前没有公开测试协议。

相关页面

• 智平方科技
• 知跃空间智能
• 具身智能数据基础设施
• 世界模型
• 具身智能系统工程
• 原始资料快照（本地归档）

证据

• NeuroVLA 预印本
• NeuroVLA 代码
• Video2Act 项目与实验
• AlphaBrain 仓库
• 原始资料快照（本地归档）