2026世界机器人博览会（WRC）于8月19-23日在北京亦创国际会展中心举行。“AI大模型赋能机器人与具身智能产业新范式专题活动”在博览会同期举办。合十思维创始人赵普出席并演讲。
以下为演讲实录：
赵普：感谢主办方，我今天给大家带来的演讲题目叫重塑-类脑架构如何打通虚拟和真实物理世界。
我们先看一封信吧，这是1993年，33年前，钱学森老先生为戴汝为同志写的一封信，这里头有一个观点，就是说智能机器人可以干一些复杂的事，他对AI端到端进化论有局限性的前瞻判断。这本书是戴汝为同志著的，叫《社会智能科学》，收录在了第221-222页，这本书其实对我们具身智能包括机器人整个的研发是有帮助的，大家可以回头看一下。
我们机器人是如何观察世界的呢？其实就是与感知、空间认知、VLM、VLA，还有预测决策，就是我们的世界模型，然后再加上强化学习。机器人的观察它不是被动的，而是感知理解、预测行动的一套全链路体系，但是它并没有说以机器人自我为核心，对世界做一个认知。
这个就是我们讲的大规模数据训练底层的必然性，比如说场景组合的复杂性、长尾性、多模态。然后人类认知的物理世界有很多隐性的物理世界的规律，包括它泛化的一些规模效应，都其实很难达成，我刚才讲了，我们这些训练方式里面有很多泛化性的难题，包括很多长尾性的问题都没有办法去解决。
这是Figure AI的创始人布雷特·阿德科克对中国机器人的一些看法，我们可以先听一下，这是时隔33年以后，对于我们中国机器人的一些看法。
（播放视频）
其实刚刚Figure AI的创始人提到一句话，叫作我们想攻克人类级的智能。其实我们现在大规模对世界模型包括强化学习的训练，其实想体现一个什么呢？就是机器人真正走入家庭以后怎么去完成人类的智能，其实说的就是人类智能的适应性。
那么人类是如何观察世界的？它里面有一个东西叫可共性，实际上在做训练的时候，我无数次的举过一个例子，比如在一个封闭的家庭环境里面，我现在要抽烟，然后没有烟灰缸，我可能会用一个纸杯，但纸杯这个东西如果弹烟灰的话，这个数据就塌缩了，虽然外形是纸杯，功能已经成了烟灰缸，当我们在训练大模型的时候，可能用很多图像的东西去给它做训练，就是你用豆包、DeepSeek，包括基于Open AI的很多视觉模型去看它，它还是一个纸杯，但是人不会再拿它去喝水了。所以说其实人类认知不是通过像素点，也不是通过具体事物的外形，而是它的功能性，其实就是可共性。
人类认知高效形成的底层逻辑，其实就是功能抽象和消解组合爆炸以及因果推理去解决这个决策的难题，就像我刚刚说的，同样的例子，我们在拆快递的时候，如果你没有美工刀，你会拿起圆珠笔、尺子，还有指甲刀去拆它，为什么？因为坚硬的东西可以划开柔软的物品，机器人如果你只训练它拿美工刀的话，它就不会拿起其他东西去做。
正如Figure AI创始人说的，我们如何构建人类认知适应性的具身大脑呢？后面我给大家分享一些技术干货，用SNN神经网络和BTS行为树。
首先第一个刚才讲了，我们用人类的认知决策去做一个功能性的因果推理。第二个，我们给它做一个功能分区，这个功能分区就是基于现在已经公布的246个脑分区做一个功能分区。第三个，我刚刚讲了，一个杯子的价值在我喝水的时候才是杯子，在我想扔垃圾的时候它就是垃圾桶，我要弹烟灰的时候它就是烟灰缸，为什么？它有一个可共性，行为树的底层它就是一个容器，容器训练在哪里？是行为树的一个分支，而不是基于像世界模型强化学习像素点的训练。所以说同样的例子，我们在为一个世界模型去训练凳子的时候，可能需要10万张样本，一个人类的小孩只需要坐3把椅子，就会认识世界上所有的凳子，同时他还会把路边的石堆、台阶、矿泉水箱子当成凳子去做的，还是叫可共性，就是当我累的时候没有凳子，我去坐石堆、台阶，他此刻就具备凳子的价值，也是在行为树里边。
行为树是什么呢？我把它分了四级体系训练，刚刚我讲了，我们会把场景的大类以及标志性的触发物体，包括场景的核心属性和行为树的节点做一个分类，这个不是模型数据的预训练，而是在行为架构层本身，去给它做了很长的一个分类，这是顶层。分层我们会做一些物品的时序分类，对应它行为树，还有默认的动词以及扭曲的量级和高频存放的场景等级，我们把它分到分支里面。第三步，我们再把动词分类，这个其实就是解决我们讲叫Action，刚刚上一位同行说了，世界模型应该在梦境里面去训练，实际上具身智能三个要素，perception是我怎么去规划？然后imagination其实就是想象，我怎么在虚拟的环境去训练。然后execution就是为什么现在机器人动的都很厉害，但是它不能够简简单单给我做一顿早餐，其实就是行为树子核心的逻辑，人类的认知是在行为、是在规则、是在底层的物理规律里面，它并不是说我通过很多图像和很多数据，它就会工作。然后这个动词分类里面有个特别常见的事情，就是我们对不同的物体颜色、性状、形状的东西，要训练一个机器人的运动算法往往需要好几套，但是你会发现，比如我拿一个遥控器、拿一杯水、拿任何一个物体，你发现“拿”的东西重量都差不多，这时候意味着什么呢？拿东西你只要输出一个区间的扭矩值就可以完成这样的操作。
下面这个是情绪交互的一个状态分类，具体我们怎么做呢？我们常常会把一个物品的属性不通过图像的像素去表述，而是把它塌缩在行为树里边，当我渴了需要喝水的时候，这个东西它缩成一个具体的杯子，而且也会演化出其他的推理出来，比如说我想喝水，没有水杯的时候怎么办？刚刚讲了优先级，碗可不可以装水？碟子也可以，类似的东西都可以。
这个是我们给它做了一个叫模拟功能分区因果价值的事件决策，事件决策就是说，当我出现一个需求的时候，我的模型怎么在行为树里边去划分，然后再把它固定成我的一个行为树的分支，最后再演化为我的行为和动作。
这是推理的一个链路，就是说原本大模型就是在它基础上加一个动作，我们把它称之为强化学习微调了，就是Transformer的路线，然后再去做它相应的动作。我们是把模型里面的多模态向量激活，然后用本泊松编码去给它降维，然后抽取到行为树的关键节点，再用二进制编码去做解码。
这个就是一个类脑模型的通用训练，非常简单，我对我的家人说，你去帮我拿一个冰可乐，他能很容易的做到，那么让现在的机器人去拿一个冰可乐，我得训练建图、训练厨房的场景、还得训练冰箱、还得训练可乐的外形，这个第一帧的训练。我们不是处理Token，是去处理帧数，冰可乐，G就是我们脑模型的G区，然后它的轮廓、颜色就是在行为树里边，然后冰可乐的特征、语义路径的生成、场景的标志物，比如说这个冰箱一般在哪里？在厨房，厨房里面有什么？有灶台、有煤气罐，有这样的东西，没有人把冰箱放在卧室或者厕所。我举个例子，比如说你今天请一个保洁阿姨，说去把冰箱里边过期的食品扔掉，她不会像现在非常成熟的商用扫地机器人说，我没有来过你家，我需要现在把家里所有房间打开去建图，才知道冰箱在厨房里面，这个是不科学的。所以第一帧的构建很关键，就要让机器人在行为入场里边知道冰箱在厨房，那什么样的东西在厨房？冰可乐一定是在冰箱里面，它是这样的一个逻辑。然后它的空闲状态，包括它加急普通场景的导航，以及到运动的执行。
第二帧的构建就是去重复第一帧的构建，去更新每个分区行为树的状态，SNN的作用就是当状态发生改变的时候，我们再去更新它的行为树。SNN的作用，现在大家可能不会像DNN、CNN了解那么多，为什么？因为SNN都是用在智能手环、手表上面，就是你的心率发生变化它才监测，这个很像我们人类在开车，就是我们知道跟自动驾驶对比的时候，人类的这种智能往往是自动驾驶理解不了的，虽然很多VLA、VLM是自动驾驶迁移过来去做机器人的，你会发现人在开车的时候，你的主动意识是不再去工作的，你可能在跟副驾的人聊天，也可能在想今天晚上开会的内容，或者在想明天早上的早餐，那这个时候状态什么时候发生改变呢？突然有个人横穿马路，你的状态是被拉回来了，才会驱动你踩一脚刹车。
然后我们可以看到，我们长期加入的神经网络就是用第二帧去重复第一帧的构建，来每一层每一帧去构建一个反馈通路，来完成它的长尾训练和解决时空向量的问题。
最关键的来了，其实类脑模型通用算法的数学模型，就是在整个感知表征层G脑区，以及实体解析层的E脑区，给它强化、提取我们的算子，去解析整个行为树里边的算子。然后再去H脑区给它做场景载体的推理，比如说我的冰可乐存放在冰箱，它的所属传感是厨房，这是人类的认知，我们过去我们经验是无法通过数据表达的，所以我们才要通过大量的异构或者真机的机器人，让机器人试图理解这一点。实际上不是，一个3岁小孩为什么就知道冰箱里面有冰可乐，这个逻辑是人类告诉他的，是写在你基因里面的。
然后我们抽取属性层，就是怎么把这一个函数塌缩成具体的物品，就不再去通过大量的图像计算去认识不同的物体。然后再从它的系统上C脑区走向B脑区做一个优先的评估。然后注意力决策系统，其实就是融合系统的状态、目标和属性、任务的评分以及输出的动作策略和注意力的权重，最后再传导到运动执行层，就是G脑区，就是我们讲的叫体感和运动执行的层面，就是执行指令的算子，然后再执行指令的空间。
第二帧构建的时候，我们注意力去做增益的增加，也就是说其他的模型都在用Token，我们再去抽帧数，一秒能够分辨30帧，然后我们再做一个因果增强，然后再用SNN做系统状态的更新。
最后我们把整个任务理解完了以后，下发，然后变成它的控制信号，然后演变成执行的动作，它有一个记忆神经网络在里面编码，就是说我们人类常见的，比如说拿、取、撇、扔、放、抓、跑、跳，它对应的东西都会训练在这个编码库里面，然后再用SNN状态发生变化的时候去做一个抓取。
这里有个非常实际的例子，我们家里都有小孩，三岁小孩不会因为这个遥控器没有见过就不会抓，这是现在机器人的通病，拿起来它看一眼可能就撇了。然后也没有人会说你去“拿”个冰箱过来，一定是说“搬”，我们只需要让机器人明白，拿的时候你只需要输出2扭到8扭的扭矩，就可以拿取不同的物体，这个时候你视觉方面的东西就会很省力。
最后再说一下合十思维类脑模型（SNN+BTS）的本质，它不是说手写规则，而是说我给它做一个基于成功反馈的图结构的一个增长泛化。这里面有一个万能的公式，就是我把序列的效用做一个更新，然后再去成功一个指示的函数，然后策略表示它特定的树状结构，其实就是人类树状结构化认知的一个条件逻辑。强化学习是在奖励函数下面爬坡，合十思维是什么呢？让机器人去举一反三，在物理常识的知识地图上去铺路。
为什么我们可以做一个通用的具身大脑呢？倒不是说Transformer不行，是说大家的路径不一样，去天安门的路有很多条，我们可能是其中一条。因为我们公司现在目前是国高新、专精特新，目前也是国内唯一脱离Transformer架构，实现大规模商用化应用，并且实现规模化收入的公司。
我本人毕业于MIT，目前是MIT PHD的博士生在读，导师是著名的人类行为学者Max，读的是数据科学工程管理与计算机科学，也是2012年的千人计划回的国。
我们的张超老师是深耕机器人社区，同时也是开源中国领域标杆级技术人物，像国内的Apache Spark、Gitee、GStar，包括OceanBase都有他参与的影子。惠炳渝博士是泛化场景的负责人，是清华大学的博士，目前国内的一些顶刊论文包括核心项目都有参与。李芹（音）是北大毕业的，他是我们的产品负责人。还有去年北京本科生成绩第一，保送到北京航空航天大学的张琰东博士，负责我们的运动科学以及我们类脑运动策略优化的一个助力。
我们目前的产品形态，就是我们类脑的操作系统，目前也完成了一些规模化的收入，可以放在我们自己的人形包括端到多端以及异构的模型以及很多的场景里面。包括我们的一些数据已经在自己的本体和其他家的本体上面做一些训练，产生的数据我们又会更新我们的模型，然后在场景里面去产生更多的数据，去完成反馈的迭代闭环。
当然我们目标是一致的，大家不管是Transformer也好，还是VLA也好，还是强化学习也好，目标都是实现AGI物理AI，让机器人能够进入人类的社会，去为人类工作、去探险、去为你服务，这是我们未来三年之内的愿景。
我们目前实现规模化收入的就是通用的轮臂底座，目前在商业清洁场景有非常大的规模化收入，并且今年我们也会开放酒店的商业布草场景和物流分拣的场景。我们人形的本体也实现了一些自研，包括大扭矩的关键模组，还有电控模组等等。
这个人形现在在我们楼下D113展位，大家到时候也可以去参观一下。
参数就不介绍了，现在想做一个机器人出来，让它有一定的运用能力已经不难了。
这是我们的通用轮臂机器人，用在清洁场景。
由于时间关系，我就说一下数据吧。2025年收入是8094万，我们现在3层的业务架构就是去输出一个硬件的设备矩阵，然后再融合一个落地的软硬一体化解决方案，实际收益层就是我们的软件算法和平台。我们去年是8094万收入，今年上半年收入是7500万。
这是我们的一个愿景，如果你是有想象力，并且对计算机、对人工智能、对物理、对应用数学感兴趣的人也可以加入我们，如果你是投资人，如果关注一些用AI非共识方法的赛道也可以联系我们，我们展位在D113，也希望大家对我们有一些关注，我是合十思维的创始人赵普。
谢谢大家！