讯飞成立爻方智能，押注机器人大脑本体认知

科大讯飞在 WAIC 2026 开幕前悄悄注册了一家新公司——安徽爻方智能科技有限公司，注册资本 3 亿元，由科大讯飞杰出科学家、具身智能前沿科学带头人潘嘉带队，专攻机器人大脑。同期，爻方联合中国科学技术大学、聆动通用机器人发布技术报告 iFLYTEK-Embodied-Omni，提出一个核心判断：当下主流的机器人大脑，造法就不对。

行业共识：瓶颈在大脑

具身智能展区里机器人动作慢，并非单纯技术不够，而是大脑还没跨过实用门槛。换一个环境或物体，动作就开始变形，所以大量展示只能停留在精心布置的 Demo 层面。交互方式从离身符号跃迁到具身交互，机器人需要理解物理规律并推演后果，而承担这一跃迁的只能是大脑。身体的关节、电机、灵巧手供应链日趋成熟，但「让身体知道该做什么、会发生什么」的大脑尚未真正造好。

围绕大脑怎么造，行业分歧集中在两条主线：架构选择与数据来源。

架构之争：VLA 不是终局

VLA 直接将视觉与语言映射为动作，见效快、门槛低，但短板也日益明显：它更像一个「即时反应系统」，只管现在怎么做，不管做完之后世界会怎样。雨天路滑、踩刹车仍会打滑——只对当下反应、不对后果推演，正是 VLA 的根本局限。

世界模型接棒火起来，逻辑是「先预测未来画面，再从画面推出动作」，让机器人学会「先想后动」。英伟达把这条路的招牌「Physical AI」喊成年度关键词，行业开始从 VLA 集体迁向 WAM。

但在爻方看来，世界模型仍有两个坑：

• 误差累积：预测与动作串行执行，预测一旦出错，误差会直接传导进动作，任务越长滚得越大，即「可执行性鸿沟」。
• 缺乏本体认知：模型能预判球的落点，但不知道自己的身体能不能扣杀到那个位置。画面算得再准，不知道这具身体做不做得到，动作照样落空。

爻方正是要给世界模型补上「本体认知」这味药引子。

iFLYTEK-Embodied-Omni 的解法

爻方把架构做成双核：在 VLM（理解规划）之外，引入 VGM（视频生成模型）负责预测未来视觉状态，让机器人在动手前先在脑子里预演后果。AGM（动作生成）作为低层小脑，把规划翻译成可执行动作。三者通过共享的多模态自注意力机制实时交互，把「大脑想完、再交给小脑做」的串行架构改成实时协同。

「本体认知」落地方式是把逆运动学做成训练任务：不直接告诉模型手该怎么动，只给它要到达的终点，逼它自己补全中间每一步。预测未来是学会看世界，逆运动学是学会看自己。

数据配比也反着来，并不把预算全砸在真机数据上：

• 带动作标注的机器人轨迹：26.88%
• 无动作的人类操作视频：18.95%
• 通用 VQA 数据：5.06%
• 空间推理、感知与任务规划：49.11%

将近一半的训练数据是 2D/3D 轨迹、定位、空间指向、任务规划等「具身大脑数据」，不需要真机就能结构化地喂出模型的「空间感」与「规划力」。

训练分四步走：VLM、VGM、AGM 先各自开小灶，最后联合微调对齐。成绩单如下：

• LIBERO-Plus 零样本基准（七种环境扰动）：平均成功率 89.6%，超过当时最强的 VLA 与 WAM 方法。
• RoboTwin 2.0 双臂协同基准：标准与随机环境分别 93.68% 和 93.16%，几乎不受干扰。
• 长时序任务（连做七步）：随机环境成绩反而更高，环境越乱双核大脑越显本事。

真机层面，爻方出底座，讯飞控股子公司安徽聆动通用负责工业具身大脑-小脑-本体全链路，真机已能落地干活。

讯飞这盘棋

爻方是新公司，但底子不是新的。讯飞过去十几年做的事，恰好是把一项技术逼过实用门槛：车载语音在方言和噪音里不出错、家电听错一次指令用户可能再也不打开。潘嘉直言，正是被客户一年年提更高的要求打磨，才攒下让技术真正落地的工程化能力。从语音到多模态再到具身大脑，换的是模态，不变的是那套把 AI 逼到能用的功夫。

AI 这几年最大的变化，是交互从屏幕里挪到屏幕外——对讯飞而言，这个转向的时机恰到好处。整盘棋的分工也由此清晰：讯飞出 AI 底座与产业资源，爻方专攻机器人大脑，聆动通用兼具本体与硬件，负责工业具身全链路。方向已经摆出，剩下的就是时间问题。