“缸中之腦”的思想假設，正被千訣科技在各種形態的機器人上逐一落實。

作者｜劉楊楠

編輯｜王博

1981年，美國哲學家希拉里·普特南在《理性，真理與歷史》一書中，提出了一個至今仍讓人脊背發涼的思想實驗。

想象一個瘋狂科學家將你的大腦取出，放入盛有營養液的缸中。超級計算機通過神經末梢向你的大腦傳送信號，讓你“看見”天空、“感受”微風、“聽見”人聲。你以為自己正走在街上，但這一切不過是精心設計的電信號。

這個思想實驗的內核關系到人之所以為人的根本。它提供了一種可能——在技術足夠發達的未來，人類的意識能否脫離肉體獨立存在，人類的大腦能否成為可以被“安裝”到任何載體上的操作系統？

四十年多后，這個問題不再只屬于哲學系課堂。

近期，千訣科技CEO高海川向「甲子光年」完整講述了其打造的具身智能系統：它可以脫離特定的硬件載體，被安裝到不同形態的機器人身上。即使本體形態變換，這套系統也能隨本體和場景需求增減功能。

千訣科技CEO高海川

高海川在機器人操作領域深耕多年。他博士畢業于清華大學自動化系。2018年，他作為組長帶領清華類腦中心雙臂機器人課題組，從0到1設計并開發了多款雙臂自主決策機器人。

2023年，高海川牽頭成立千訣科技。公司團隊來自清華大學自動化系下屬的腦與認知科學研究所，具備跨學科（自動化、機械、生物計算、AI）的交叉背景。

2026年2月，千訣科技宣布完成Pre-A++擴展輪融資，由祥峰資本、智路資本、英諾天使等七家機構聯合投資。加上此前兩月內完成的Pre-A++輪融資，這家成立不到三年的公司已在資本市場連續斬獲數億元資金支持。

“缸中之腦”的思想假設，正被千訣科技在各種形態的機器人上逐一落實。

1.類腦智能：一條少有人走的路

談及類腦智能，很容易讓人聯想到科幻小說中的虛擬概念。高海川擇用一個如今已成為行業共識的技術坐標，將類腦智能拉回現實——這個坐標就是VLA。

當下的具身智能領域，VLA已經成為一個率先引起關注的技術范式。但在高海川看來，VLA是一個太過宏觀的概念，就像“數學”一樣，可以劃分出幾百個細分領域。在這上百種分法里，有兩個最關鍵的維度。

第一，生成式vs預測式。

生成式是當下最熱門的路線，像GPT做文本生成一樣，機器人通過“生成下一個token”來生成動作。高海川將其描述為一種連續滾動的滑動窗口學習，模型把自己輸出的東西作為新的輸入，不斷迭代，做內容生成。

預測式則完全不同，其模型輸出是從所習得動作分布采樣得到。高海川解釋道：“它有動作空間的概念，每個動作的信息含量是大致相等的。它是基于不同的輸入，從相同的動作分布采樣動作。”在數學本質上，生成式是一個序列生成問題，而預測式是一個因果推理的問題。

第二，一段式vs兩段式。

一段式是從感知信號到動作輸出用一個網絡全部做完，可以端到端求梯度、更新參數。這也是目前大多VLA選擇的路徑，端到端VLA路線已經在自動駕駛領域得到了充分驗證。兩段式則是分成兩個獨立訓練的部分，只在推理時才接在一起。

“從學術上來講，走model-based控制的論文數量，甚至要比一段式VLA的數量還多。但一段式和兩段式在產業里走得時間更長，自動駕駛已經把很多坑都踩過了，工程上有很多創新。”高海川解釋道。

然而，無論是一段式還是兩段式，端到端VLA路線都面臨一個共同的困境——它是一個“數據怪獸”。

高海川用三個指標來衡量模型能力，分別是最優性、樣本效率和計算效率。

• 最優性：數據無窮多時能到達的上限

• 樣本效率：用多少數據能達到及格線

• 計算效率：推理時消耗多少算力

生成式端到端模型雖然在數據量無窮大時性能上限最高，但樣本效率卻是最差的，需要海量數據才能達到及格線。而在數據匱乏的具身智能領域，這恰恰是致命短板。

更關鍵的是，端到端模型難以實現真正的跨本體泛化。

“端到端路線會要求本體廠完全放棄自己的軟件，這是不現實的，”高海川表示。如果強行適配不同形態的機器人，端到端網絡往往需要推倒重來，因為它是一個“乘法關系”的緊耦合系統，數據需求量是各個部分相乘的結果。

基于以上洞察，千訣科技跳出端到端VLA的束縛，選擇了一條截然不同的路徑——分區預測式世界模型。

通俗來講，這種路線將大腦按功能區和控制層級進行切分，把難以泛化的部分直接刪掉，可以泛化的部分能夠跨本體復用。用高海川的話說，“類腦網絡是一個純加法運算”，各部分的數據需求是加法關系而非乘法關系。因此，在數據匱乏的階段，這種解耦式路線反而能率先跑通數據飛輪。

這個邏輯在自動駕駛行業已經被驗證過。“做L2智駕大腦的公司因為擁有海量應用數據而掌握了進入L4賽道的門票；相反，許多早期直接沖向L4的公司，因數據與工程難度問題未能持續推進。”高海川補充道。

核心原因是，L2場景下的數據能夠持續回流、反哺模型，而那些直奔L4的端到端方案，恰恰因為數據量達到及格線的門檻太高，在起步階段就耗盡了彈藥。

但解耦式的技術難點在于，如何分區？

如果模型的功能分區不科學，往往會帶來最優性的嚴重損失。類腦路線的學術史上走過不少彎路，很多人從計算機理論角度出發，拆出各種方案做實驗驗證，卻發現驗證數據集與真實應用場景之間存在難以彌合的gap，而且這種問題極難被快速修正。

正因如此，千訣科技選擇有生物依據的類腦分區方法——通過對生物腦的觀測并經過機器學習理論的嚴格驗證，保證解耦后整個系統的性能上限不會比理論值損失太多。這是一種可控的性能損失。

更進一步，高海川認為，類腦網絡真正的價值，在于因果推理。

“現在的Transformer底層是注意力機制，在數學上是相關性推理。你覺得兩件事很相關，但它們之間的具體關系是什么，無法被網絡內部推理出來。”他說，“但類腦的脈沖神經網絡可以用神經元表達因果關系。”

如果神經網絡能在神經元級別表達因果，就能從理論上消除AI幻覺，模型的泛化性也可極大提升。

“人類推理有三個層級：相關性推理、因果推理、反事實推理。現在的生成式大模型還在第一個層級。”高海川說，“如果產生因果性網絡，再做反事實推理，AI就會真正擁有創造力。”

因為因果推理本身就是強泛化的。相關性是純數據驅動，而因果推理可以用少量數據學出結構，之后靠結構泛化，樣本效率自然更高。

當下的千訣選擇兩條腿走路：短期在Transformer基礎上做功能分區，先讓產品走進真實場景、積累數據飛輪；同時拿出部分精力與資源，探索以脈沖神經網絡為核心的下一代神經網絡。

在高海川看來，商業化是當前更緊迫的問題。畢竟，算法可以改，算力可以買，唯有數據壁壘需要時間沉淀。

2.尋找機器人中的“安卓機”

在商業思考上，千訣內部曾經歷過一次從封閉到開放的關鍵轉變。

時間拉回到2017年。彼時，千訣科技的早期團隊骨干成員在聚焦于使用課題組自研二代類腦芯片，搭載基于脈沖卷積網絡的預測式世界模型，剛拿下國際3D世界模型比賽IEEE VIZDoom的季軍。

當時，他們嘗試讓模型只適配自家芯片，做成封閉生態。專用算法驅動專用芯片，功耗和性價比確實都做到了極致。“主要給使用者，而開發者生態還未完善。”高海川回憶道，“這導致做出來的東西只有少數專有場景能用，沒能迅速打開市場。”

這次經歷讓團隊重新審視了技術路線的選擇。以史為鑒，封閉方案雖然能在特定指標上做到極致，但真正決定長期競爭力的往往是生態的開放性。

于是，千訣科技調整方向，將原本封閉的專用方案改為兩套并行的架構：一套保留脈沖神經網絡與類腦芯片適配的效能優勢，另一套則兼容主流通用芯片，讓模型可以根據不同硬件平臺靈活部署。

“我們現在相當于用開放的生態去推動行業發展。”高海川說，“否則各家都在重復造輪子。”

2024年8月，千訣第二代模型剛完成預訓練，團隊開始主動接觸市場上的本體廠商，嘗試將類腦模型適配到不同形態的機器人上。從那時起，幾乎每個月都能拓展數款新設備，合作品牌的名單迅速拉長。

截至目前，千訣已與7大品類、30多個子品牌的機器人本體完成結合，覆蓋人形、輪式雙臂、四足、掃地機器人、無人機等多種形態。

具體到交付環節，千訣延續了多分布預測式世界模型的思路，將大腦按功能拆分成不同模塊，客戶可以根據自身需求自由選配。每個品牌、每種形態的機器人需要的大腦能力各不相同：人形機器人的腦區最完整，輪式雙臂少一些，四足機器狗可能又少一塊。

不難發現，千訣科技的思路似曾相識。

高海川直言，千訣的目標是打造“機器人領域的安卓系統”——一個模塊化、可替換、接口開放的操作系統。

但他同時強調，這種開放并不意味著要求合作方完全放棄自己的軟件積累，那是既不現實也不必要的，“分區的好處就是，有些區本來就不需要跨本體復用，我們就把它刪掉。客戶可以按照自己的需要選配，要哪些區、不要哪些區。”

總結來看，千訣的生態模式可以用三句話概括：不推出自家本體品牌，避免與客戶競爭；解耦架構，讓不同形態的機器人按需裝配大腦模塊；開放接口，既兼容第三方方案，也允許客戶保留自有能力。

與其在軟硬一體的窄路上與少數頭部公司貼身肉搏，不如成為更多本體廠商的共同選擇，用廣度換深度，用生態建壁壘。

3.家庭場景比工業場景更容易落地

對于落地場景的選擇，高海川有一個反直覺的判斷：家庭場景比工業場景更容易落地。

“大家主觀上覺得工業更高科技，家庭沒那么高科技。掌握資源的人大多也是外行居多，不是很懂技術。”他直言，“但實際做起來，家庭是最好做的，服務次之，工業是最難做的。”

這背后，是高海川更為反直覺的思考。“難的場景不一定難做進去，好做的場景不一定好做進去。”他總結道，“工業場景要求太高了，既要節拍又要精度，你用模型做最后會發現效率和精度都不達標，要么就得退回去用上一代技術。”

原因首先在于容錯率。

工業場景對生產節拍和操作精度有著嚴苛要求，一個插裝動作差了幾毫米，整條產線可能就要停擺。這種高精度操作恰恰是當前具身智能的技術短板，它需要海量的觸覺數據和高精度控制能力，而這兩樣現階段都相當匱乏。

家庭場景則完全不同。“垃圾沒撿起來，就再撿一次，沒關系。”高海川說，“我們在復雜場景中做半精細化簡單操作，他們是在封閉場景中做精細化操作。”換言之，家庭場景雖然環境更動態、更不可控，但對操作精度的容錯率反而更高。

事實上，家庭場景和工業場景的選擇背后，或許還有一個更隱晦的能力區分。因為兩類場景的游戲規則截然不同。

工業場景的客戶決策鏈條更長，涉及的考量維度也更復雜，對創業公司的組織能力和行業經驗都有更高要求。相比之下，家庭和服務場景的反饋回路要短得多，產品好壞與否，消費者都會用各自的錢包投票。

對于一支從清華實驗室實驗室孵化出來的初創團隊而言，后者的規則或許更靠近自身的能力半徑。把產品打磨到極致，讓用戶體驗說話，確實是一種基于稟賦的理性選擇。

在這個思路下，千訣瞄準了半服務半家庭的方向，并最先在面向家庭場景的機器人品類上找到了突破口。

“這類機器人接口本身就不對外開放，各種保密要求很嚴格。以前這個行業都是軟硬一體的，很難接受第三方方案。”高海川回憶道。千訣團隊花了大量精力啃下這塊硬骨頭，回報也是顯著的。“它的量大，我們把這個啃下來之后，產品一下就成熟了。因為每天都在面對消費者的反饋、消費者的投訴，很快就打磨好了。”

沿著這個邏輯外推，千訣的商業模式逐漸成型：接入的本體越多，回流的數據越豐富；數據越豐富，模型能力越強；模型越強，適配新本體的速度就越快。

高海川透露，適配速度存在一個明顯的收斂拐點。“大概每個形態摸到第二、第三種子品牌的時候，就開始找到規律了。到摸完差不多第20款的時候，從第20款到第30款就非常快。現在國內幾乎不存在我們沒碰過的機器人了，可能有些下一代產品還沒摸，但接口跟上一代不會差太多。”

不過，這種模式也存在潛在風險。

千訣的數據反饋需要經由本體合作伙伴，再回流至千訣內部，鏈條越長，信息損失的風險就越大。更不用說，部分本體廠商出于數據安全和商業競爭的考量，并不放心將全部數據開放給第三方大腦。

事實上，這也是當前許多具身智能企業選擇“軟硬一體”路線的核心原因，將客戶數據直接反饋至自家模型，驅動本體迭代，閉環更短、效率更高。

但高海川對此并不擔心，千訣的思路，是以廣度彌補深度，通過跨品牌數據形成更完整的行業視角。

“雖然每個品牌單獨的數據量比不上軟硬件一體的公司，但我們30多個品牌加在一起，幾乎能拼出一幅完整的行業地圖。”他說，“我在這一塊看看、那一塊看看，推理一下，總能把真相還原出來，而且還原得可能比人家軟硬一體的更真實、更全面。”

目前，千訣對外提供兩類產品：科研版和商業版。科研版標準化程度更高，主要面向高校和開發者社區，提供API接口供二次開發使用。商業版則多為半標準模型半系統工程訂單，需要根據不同客戶的傳感器配置、功能需求和部署方式逐一適配。

某種程度上，非標的定制化交付是當下具身智能行業的普遍現狀。

“每家公司需求不同，預算不同，愿意購買服務的程度也不同，部署方式也不一樣。”高海川坦言，行業尚未形成標準化的交付體系，定價也相對混亂。但他同時指出，當接觸的客戶足夠多之后，哪些是高頻需求、哪些是個性化需求，規律會自然浮現。

4.真正的壁壘，來自于對用戶場景的理解

在端到端VLA路線逼近性能瓶頸的當下，行業內部正在倒逼出更多技術選擇。當前備受關注的世界模型，正逐漸成為VLA之外的第二條路徑。

與此同時，競爭格局也在發生變化。高海川發現，市場上已經出現一些水下項目，追隨千訣的路徑開始創業。面對逐漸擁擠的賽道，千訣如何在開放生態的前提下，保持先發優勢？

在這個問題上，高海川的認知很清晰。“隨著基礎設施的發展，算力的獲取門檻在降低，而算法能力也在逐漸趨同，數據，尤其是來自真實場景的數據，正在成為決定模型表現的關鍵因素。”他說，“算法大家都可以改，算法路徑的切換和模仿相對快速，但數據必須要有時間積累。”

這里所說的“積累”，不止關乎數據量的多寡。更重要的是，不同技術路線所積累的數據分布，天然存在差異。“由于各家公司定位不同，在不同技術路線上走得越久，積累的數據會越多，差異也會越大。這些數據本身，就代表了未來的落地場景方向。”

數據是結果，但數據帶來的真正價值，在于對用戶場景的深度理解。這也是各家公司當前爭奪客戶的核心原因。“我們更懂用戶，知道模型該怎么改，”高海川說，“很多論文之外的東西，是需要自己做出來的。”

但長期來看，追求類人泛化能力的通用機器人，無疑是整個行業的終極目標。而在通往這個目標的路上，一個關鍵卡點正在浮出水面——觸覺數據。

高海川曾不止一次在公開場合強調，觸覺數據的缺失，已經成為限制機器人能力提升的硬約束。“雖然大家都在疊衣服，但世界上最好的疊衣服效果泛化起來也就在94%左右徘徊，落地其實還很遠，而且提不上去了。”他解釋道，“視覺本身的信息只是一個部分。缺失了觸覺信息，就存在信息缺失的問題。這是問題本身的天花板，不是模型和數據不夠。”

觸覺的技術形態決定了其發展需要軟硬件復合能力，迭代周期遠長于純軟件。“以硬件迭代的周期來看，至少還得三四年。”高海川判斷，“還是要靠整個行業的共同努力。”

千訣在觸覺領域也有相應布局。目前團隊已與瞬恒智能、靈心巧手等靈巧手廠商保持合作，但整體投入仍以預研性質為主。

觸覺硬件的限制也意味著，未來三到五年內，精細操作類任務的大規模落地仍將受限。因此，千訣的策略非常務實：先把能做的場景做好，等待觸覺傳感器成熟。

對于2026年，千訣有清晰的規劃。

首先是把愿意接受第三方大腦的設備盡可能全部接入，基于客戶真實反饋和應用回流的數據，形成第五代模型。這一代的核心特點是“個性化”，針對家庭和服務場景做定向優化。

“數據本身就有傾向性，有高頻使用的，有低頻使用的，有不同場景的區分。”高海川說，“到時候我們在家庭和服務場景的能力，會比那些做通用泛化訓練的模型強很多。”

在他看來，當前機器人大腦賽道雖然火熱，但真正決定勝負的是場景卡位。各家競爭的核心，更多還是要進入各個場景做落地應用的競爭。在這個過程中，“技術是重要的要素，但不是最主要的”，高海川坦言。

5.“無論有沒有ChatGPT，我們都要做”

和高海川交流的過程中，「甲子光年」能清晰感受到千訣身上并存的兩種氣質，一邊身處十分前沿的技術方向，另一邊又極為務實。

事實上，千訣在技術路線、商業模式、落地場景三個維度上的選擇，已經構成了一套能夠層層推導的閉環邏輯。

類腦路線的高樣本效率，使他們能在數據匱乏的早期率先落地；家庭和服務場景的高容錯率與短反饋回路，又天然契合這種技術特性；而快速鋪開的合作生態，則讓數據飛輪得以加速轉動。

這個故事在千訣早期融資時并不容易被理解。

高海川估算，從2024年開始融資至今，見過的投資人至少上百家。雖然成功率不低，“基本上每次有里程碑，見幾家就可以close一輪了”，但溝通成本卻相當高。

因為這套路線恰好落在四個領域的交叉點上：計算機專業的原始AI語言、生物計算的類腦研究范式、機械工程的本體視角，以及自動化的控制理論傳統。投資人通常只深耕其中一兩個維度，要同時跨越四套話語體系，解釋門檻可想而知。

高海川本人出身清華自動化系下屬的腦與認知科學研究所，恰好處于這幾個領域的交匯地帶。這種交叉背景讓他能夠理解各方的難點，但對外溝通時，依然要反復充當“翻譯”。

這也解釋了為什么千訣在2023年成立后，直到2024年中才開啟首輪對外融資。一旦跨過認知門檻，投資人的決策往往很快。天使輪的領投英諾天使基金，當天見面就簽了TS。

高海川回憶，不被投資人理解的時間里，基本都在靠自有資源做事。這背后自然離不開“清華系”的無形支撐。他坦言，從研究者轉向創業者的過程很順暢，從公司注冊、股權結構設計到持股平臺命名，清華校友前輩都給了大量幫助。“一堆前輩大哥，跟他們學就好了，很多時候會直接微信問。”他笑道。

校友圈的支撐，也讓高海川有更多精力沉下來思考公司的技術和業務路線。

其實，公司雖然在2023年正式投入運營，但早在2019年他就萌生了將類腦技術產業化的念頭，但疫情的突然到來讓計劃擱置。

回看這段被迫慢下來的時光，他反而覺得是一種幸運：“這段時間給了不少沉淀的機會，很多試錯都在學校完成了，沒有拖到公司來踩坑。”期間，他們將模型骨架切換為Transformer架構，做了大量模型分區的結構試錯，也完成了從封閉芯片方案轉向開放生態的關鍵調整。這些彎路都在實驗室階段走完了，留給公司的是一套經過反復驗證的技術骨架。

當被問及創業的初心時，高海川的回答沒有絲毫猶豫：“無論有沒有ChatGPT，有沒有Transformer，這件事我們都要做。”

（封面圖來源：AI生成，文中圖片來源：千訣科技）