眸深智能牵头42家机构建具身大脑联合体，发布三项技术成果

11月7日，第九届中国国际进口博览会配套活动——具身智能产业生态共建交流会暨眸深智能战略发布会，在上海国家会展中心举行。会上，眸深智能与复旦大学未来信息创新学院、国家地方共建人形机器人创新中心、宇树科技、优必选等42家企业及机构共同启动“通用具身大脑产业创新联合体”，三项具身智能技术成果同步发布。

眸深智能当天还公布了一批产学研及产业合作，方向涉及机器人本体、算力、商业服务、先进制造和家庭应用等。

硬件性能一直在往上走，难题却转到另一头：机器人怎样适配不同本体、读懂复杂环境，并在真实场景中稳定把任务做完。这已成为具身智能产业化绕不开的问题。

42家企业及机构联合，推动具身大脑与产业场景对接

新启动的通用具身大脑产业创新联合体，成员来自高校科研、机器人本体、灵巧操作、数据算力及产业应用等多个环节。

对具身智能企业来说，从模型研发到实际部署，中间的工程障碍不少。各机器人本体的控制方式不一样，芯片算力有高有低，应用场景的任务需求也各不相同。同一套模型能不能适配不同硬件、适配成本能不能压下来，直接决定了技术落地的效率。

联合体要做的，就是把模型研发、本体制造、算力支持与应用场景这些产业资源连起来，给跨领域交流、技术协作和应用对接提供一个平台。

活动现场，眸深智能与复旦大学签约共建校企联合实验室，名称为“通用空间智能与自主系统机器人校企联合研究实验室”，研究方向包括具身智能大模型、世界模型、端侧部署及多类型机器人系统集成等。

产业应用方面，眸深智能分别与碧桂园服务、弈柯莱、东方有线、壁仞科技签署合作协议，覆盖商业服务、先进制造、家庭应用及国产算力适配。

这些合作串起了具身智能从基础模型、硬件部署到下游应用的多个环节。不过，协议签完到业务真正部署，中间还得靠技术适配、场景验证和商业模式上的持续摸索。

三项技术成果发布，覆盖模型、部署与家庭场景

技术发布是此次活动的另一个重点。

眸深智能创始人兼首席科学家陈涛带来新一代具身原生模型“眸深·深悟”，同场还发布了具身智能基础架构“眸深·深枢”。具备长期记忆能力的家用世界模型FWM，则由公司联合创始人、技术委员会主席张益民作出介绍。

“眸深·深悟”针对的是机器人在动态环境下的任务执行需求。它通过一步生成动作，并让视觉与动作计算交叠进行，把动作生成过程中的等待时间降下来。

企业发布的测试数据显示，在所列测试条件下，一步生成相较对应的多步生成基线，推理加速最高达到24.84倍。现场演示的任务能力还包括实时追踪与动作校正、受干扰后恢复执行，以及失败后重新规划等。

“眸深·深枢”走的是另一条路，更侧重实际工程部署。这一架构把模型、芯片、机器人本体和应用场景四个维度连在一起，并打通数据、仿真、模型配置、芯片部署、本体控制及场景交付等环节，试图减少不同软硬件组合下的重复开发成本。

另一项成果FWM则把目光投向家庭场景。

该模型把感知、长期记忆和操作模块结合起来，探索机器人对家庭环境及用户需求的持续理解。发布会播放的一段视频里，系统借助此前积累的信息，帮老人找到了眼镜盒，展示了长期记忆在家庭辅助场景中的一种用法。

从这些成果看，眸深智能的研发方向已不局限于单一模型性能，而是同时覆盖模型推理、软硬件适配和具体场景中的任务执行。不过，模型在演示及测试中的表现，和跨场景、长周期运行的实际效果，仍需分开来看。

从实验室走向真实场景，成本与数据闭环仍是关键

圆桌论坛紧接着开场，机器人研发、产业应用和学术研究领域的嘉宾聚到一起，讨论的话题是“从看本体到看大脑，具身智能‘大脑’赛道为何成为全球竞争焦点？”。

谈到中国具身智能产业的竞争优势，与会嘉宾普遍提到国内成熟的机器人供应链体系、丰富的应用场景，以及相对较低的数据采集成本。

上海创智学院副教授熊晓滨认为，中国丰富的应用场景为具身智能模型提供了数据积累机会，但较低的人力成本也带来商业化挑战：机器人进入实际作业场景后，能否实现优于人工的经济性，仍是一道现实门槛。国家地方共建人形机器人创新中心首席技术官邢伯阳则从产业应用角度指出，中国具身智能的发展机会并不局限于工业领域，农业生产等多样化场景，以及人口老龄化带来的康养需求，都可能为机器人打开新的应用空间。他同时提到，相对较低的数据采集成本有利于基础模型研发，但端侧部署的成本回收、异构本体与模型的适配，仍是技术走向应用需要解决的问题。

碧桂园服务首席技术官赵晓光则从物业服务场景出发，讨论了机器人规模化部署面临的具体问题。

在赵晓光看来，算力、功耗、机器人本体与大脑之间的适配都还不是最难的，真正难的是把有效的数据闭环建起来。

机器人得先有了一定部署规模，才能在真实场景里持续攒下数据；可反过来，单台机器的投入产出账要是算不过来，大规模部署又无从谈起。成本控制与数据积累就这样互相卡着。

实验室里任务成功率再高，也不代表机器人能直接进复杂环境。赵晓光拿社区服务举例：各地生活习惯不同、社区环境不同、安全要求也不同，模型训练时未必充分覆盖这些长尾问题。

他还提到，部署机器人不单纯是技术活，企业原有业务流程也得跟着调整。只把机器人当成人工岗位的直接替代品，不重新设计工作流程，实际经济效益未必能达到预期。

眸深智能首席技术官余翀从技术部署的角度判断，未来一段时间云端与端侧模型可能仍会共存。机器人既要能推理复杂任务，又得满足实时性和安全性要求。工业生产等场景尤其如此，执行延迟一大，整个作业流程都可能受影响，端侧能力因此仍然重要。

余翀认为，机器人要批量复制，不能每进一个新场景、每换一种本体或芯片，就重新砸大量人力去做适配。降低跨平台部署的

应用方、研究人员和技术企业的这些讨论，都指向同一个问题：具身智能的产业化竞争，已不只看机器人能不能完成某个复杂动作，还要看相关能力能不能以可接受的成本，在不同场景中稳定复用。

进博会这个窗口之外，具身智能的创新探索正撞上更广阔的产业机遇。此次活动把科研与产业力量聚到一起，让模型创新、生态共建与场景合作接上了头，为通用具身大脑走向规模化应用打下新的合作基础。

实验室里的任务成功率，终究要变成真实环境中的商业成功率——这或许才是下一阶段具身智能产业竞争更该盯住的指标。