文 | 錢錢
編輯 | 阿景
朱森華最近有點忙。
這位前華為雲AI演算法創新Lab主任，2025年10月剛離職，轉身就創立了具身大腦公司「具腦磐石」。
短短三個月，團隊已經擴張到50人，種子輪融資搞定，還和紐泰格這樣的上市公司簽了合作協議。
在2025年這個時間點下場做具身智能，確實需要點勇氣。
畢竟前兩年行業熱度過高，不少公司燒光錢都沒做出能用的產品。
但朱森華好像不太一樣，他在華為那套「腦認知啟發」的技術路線，據說能解決現在機器人「看著聰明實則笨拙」的問題。
從華為「博士軍團」到創業「夢之隊」
朱森華在華為那幾年，乾的都是硬骨頭活。
作為AI演算法創新Lab主任，他帶著一群博士從零開始搭華為雲腦平台，後來又成了智能機器人業務的開創者。
2023年HDC大會上那個能跟人互動的「具身工匠」原型，就是他團隊搞出來的。
在大公司待久了，總會有些想法沒法完全實現。
朱森華自己也說，華為的平台雖好，但具身智能這種前沿探索，還是需要更靈活的機制。
2025年整個行業開始冷靜，反倒是沉下心做技術的好時機，這大概就是他離職的真正原因。
創業這事兒，團隊比啥都重要。
朱森華拉來的人確實有點東西，有跟他在華為並肩作戰的演算法骨幹，有神經科學背景的大學教授，甚至還有前特斯拉的機器人工程師。
這種跨學科組合，在具身智能領域可是個大優勢。
融資方面也挺順利，種子輪就拿到了知名VC的錢。
投資方看重的，估計不只是朱森華的華為背景，更是他那個「腦認知啟發」的技術方向。
畢竟現在行業最缺的不是機器人硬體，而是能讓機器真正理解環境的「大腦」。
腦認知啟發，讓機器人學會「思考」的新路徑
現在做具身智能的，基本就兩條路，要麼靠深度學習堆數據，要麼用強化學習讓機器自己試錯。
朱森華覺得這兩種都有問題。
深度學習太吃數據，現實環境哪有那麼多標註好的樣本，強化學習試錯成本太高，機器人摔幾次就壞了。
他想走的是第三條路腦認知啟發。
簡單說，就是借鑒人腦的工作方式來設計演算法。
比如人腦看到杯子，不是死記硬背它的像素特徵，而是理解「可以用來喝水」這個抽象概念。
朱森華的團隊就在做這樣的演算法改造。
這裡面有幾個關鍵點。
一是抽象概念學習，讓機器能抓住事物本質，二是選擇性注意力，像人一樣聚焦重要信息，三是類人認知地圖，讓機器人在陌生環境也能找著北。
這些技術堆在一起，就能實現小樣本學習，大大降低對數據的依賴。
這個思路其實跟楊立昆的「世界模型」、朱松純的「小數據大任務」不謀而合。
學術界早就在說，AI要突破就得向人腦學習。
朱森華算是把這些理論落地的實踐者，他團隊甚至還用上了心理學裡的「自由能最小原則」，聽著就挺玄乎，但據說效果不錯。
商業化落地，不做機器人，只做「大腦」
現在具身智能行業有點尷尬。
一方面大家期待很高，覺得機器人馬上就能替代人工，另一方面市面上的產品大多是「半吊子」，複雜環境里根本沒法用。
國內很多公司想一步到位做「完全替人」的機器人，結果死得很慘。
朱森華看得很清楚，直接做機器人本體太重了。
他的策略是「不做本體只做腦」，把核心演算法做成標準化模塊，賣給機器人廠商或者場景方。
這種輕資產模式，在行業調整期反而更容易活下來。
他們第一個試點選在日本便利店的夜班場景。
日本勞動力短缺是老問題，便利店夜班又辛苦，確實需要機器人幫忙。
具腦磐石的演算法能讓普通服務機器人變得更「聰明」，比如自己判斷貨架缺貨，或者處理簡單的顧客諮詢。
當然挑戰也不少。
實驗室里好用的技術，到了真實場景往往掉鏈子。
那些沒見過的「cornercase」，比如突然掉落的商品、顧客奇怪的提問，都可能讓機器人卡殼。
數據結構也得跟著場景變，今天是便利店，明天是養老院，標註方式完全不同。
朱森華團隊現在每天都在跟這些問題死磕。
他們在辦公室搭了個模擬便利店，天天測試各種極端情況。
有工程師開玩笑說，現在閉著眼睛都能摸出哪個貨架放著什麼零食。
這種接地氣的研發方式，或許正是技術落地的關鍵。
未來三五年，具身智能肯定會有大變化。
隨著腦認知啟發這類新技術的成熟，機器人可能真的能像人一樣「思考」了。
但這需要更多跨學科人才，光懂AI不夠，還得懂神經科學、心理學，甚至社會學。
朱森華的創業故事，其實也是整個行業的縮影。
從追求酷炫到回歸實用，從大而全到小而美，具身智能正在走出泡沫期。
或許正是這樣沉下心做技術的團隊，才能真正推動這個領域向前走。
畢竟，讓機器理解世界，本來就不是件容易的事。
