知识卡片：爻方智能与机器人大脑的“本体认知”

一句话结论：科大讯飞新成立的爻方智能指出，当前机器人“困在Demo”的根源在于机器人大脑缺乏“本体认知”——即模型不仅需预判外部世界，还要学会认识自身身体的能力边界；其提出的iFLYTEK-Embodied-Omni模型通过联合训练视频生成、逆运动学等任务，在零样本和长时序泛化任务上取得优于现有VLA和世界模型的结果。

事件概述：2026年7月WAIC前夕，科大讯飞投资成立安徽爻方智能科技有限公司，注册资本3亿元，由讯飞杰出科学家潘嘉带队，专攻机器人大脑。同期，团队联合中国科学技术大学、聆动通用发布技术报告iFLYTEK-Embodied-Omni。报告批评当前主流VLA（视觉-语言-动作）路线“不是终局”，而世界模型也存在误差累积和缺乏“本体认知”两个关键短板；提出将逆运动学作为训练任务，让模型通过预测自身关节运动来学会“认识自己”。

方法/产品要点：

• 双核大脑架构：在传统VLM之外引入VGM（视频生成模型）用于预测未来视觉状态，与AGM（动作生成模块）构成“大脑-小脑”实时协同，通过共享多模态自注意力机制交互，将串行预测-执行改为并行协同。
• 本体认知训练：不直接告诉模型关节角度，而是给定目标位置（终点），由模型自行推断逆运动学，实现“身体的直觉”——这是区别于英伟达DreamZero（将本体状态仅作为输入信号）的关键差异。
• 数据配比策略：训练数据中近一半（49.11%）为空间推理、感知与任务规划类“具身大脑数据”（含2D/3D轨迹、指向、任务规划等），而非一味追求真机数据；真机轨迹仅占26.88%，人类操作视频18.95%，通用VQA数据5.06%。
• 四阶段训练：VLM、VGM、AGM先各自预训练，最后联合微调对齐，避免不同模块互相干扰。

主要结果或产业意义：

• LIBERO-Plus零样本基准（七种环境扰动）：平均成功率89.6%，超过当时最强VLA和WAM方法。
• RoboTwin 2.0双臂协同基准：标准与随机环境分别达93.68%和93.16%。
• 长时序任务（七步）：随机环境下成绩更好，验证了“双核大脑”在复杂动态场景中的预判优势。
• 真机已验证（聆动通用此前自研模型），说明此路线可落地；剩下的只是将大脑替换为更强版本。

为什么重要：

• 重新定义了机器人大脑的核心缺失——不是缺乏数据或算力，而是缺乏对自身身体能力的认知，这为具身智能研究提供了新的突破方向。
• 提出“联合生成”理念（预测与动作同时学习），与英伟达最新DreamZero方向一致但具体实现不同（爻方将本体认知作为训练任务，英伟达作为输入条件），在技术路线上提供了差异化方案。
• 数据策略上反对“先量产再采集”的行业主流叙事，强调在跨过实用门槛前盲目铺货会造成用户流失，这一判断对具身智能产业化节奏有指导意义。

局限与不确定性：

• 论文发布于arXiv（2607.02542），但实际产品化进度和长期泛化能力还需更多公开验证。
• 数据配比的具体效果是否可迁移至其他机器人本体和场景，尚待独立复现。
• 公司刚刚成立，团队规模、商业化路径、与聆动通用的分工细节待进一步披露。
• “VLA不是终局”的论断目前仍为理论分析，尚无长期对比实验证明VLA无法通过增大模型或数据量突破天花板。

可用于图书/PPT/简报的角度：

• 标题角度：“大脑不认识自己——机器人智能化的最后一块拼图”
• 故事线：从WAIC展台慢吞吞的机器人切入→引出“不敢调快安全档”的行业痛点→介绍爻方智能的“本体认知”创新→对比英伟达等巨头的方案→阐述数据陷阱与产业节奏建议。
• 类比：好比羽毛球运动员不仅预判球路，还需知道自己能跳多高、手臂多长；具身智能需同时预测世界和认识自己。
• 数据可视化：四个数据来源的占比图、双核大脑架构图、逆运动学训练示意图。

英文标题：Why Robots Are Stuck in Demos? A Missing Ingredient: Embodied Self-Cognition

英文关键词：Embodied Intelligence; VLA; World Model; Proprioception; Self-Cognition; iFLYTEK-Embodied-Omni; 爻方智能; 具身大脑

原始材料：

• URL: https://www.qbitai.com/2026/07/457698.html
• 论文: https://arxiv.org/abs/2607.02542