「眸深智能」的具身大脑：让机器人拥抱动作智能

在人工智能领域，如何让机器人实现更高效、更自然的行为一直是技术发展的重要方向。近日，专注于具身智能的初创企业「眸深智能」再次吸引市场目光——完成近亿元Pre-A轮追加融资，并透露其估值在短短半年内翻了十倍。这家成立仅一年半的公司，凭借独特的技术路径与突破性模型，迈向了打造“全球最懂动作的自进化具身大脑”的宏伟目标。

从动作到智能：独特的技术路径

与常规的VLA（视觉-语言-动作）技术路线不同，「眸深智能」选择了一条以“动作”为核心的创新路径，提出了“世界动作模型”（World Motion Model）的概念。核心技术之一是MLD（隐空间动作扩散模型），其最大的突破在于将“动作”从离散的信号提升为隐空间中的连续表达。

传统动作生成模型存在僵硬、不自然的问题，因为它们往往需要逐帧教学，而MLD则借助扩散模型的去噪机制，让AI能够从随机噪声中“还原”自然、连贯的动作。这种方式不仅提高了动作生成的流畅性，还让机器人具备了更强的自主学习能力。可以说，MLD让动作生成从机械化转向了拟人化。

紧接着，「眸深智能」又推出了MotionGPT，将动作拆解为约3000个“动作基元”，类似于大语言模型中的“token”。这一设计让机器人能够以预测下一个“动作token”的方式实现复杂行为的生成，从而拥有极强的任务泛化能力——即便是从未见过的指令，也可以通过动作基元的自由组合得以执行。这种突破填补了动作生成领域的技术空白，并在NeurIPS 2023中获得了学术认可。

STI-WM：时空一体化的具身大脑

到了2026年，「眸深智能」的技术迭代速度令人瞩目，最新推出的STI-WM（时空一体世界动作模型）进一步巩固了其技术领先地位。STI-WM的核心创新在于将动作智能的空间结构、时间演化、物理一致性和执行鲁棒性进行“四维一体化”统一。这一模型针对机器人长时序规划、在线闭环控制以及真实物理交互进行了全面优化。

更值得关注的是，STI-WM颠覆了传统模型在数据需求上的瓶颈。以往VLA模型依赖大量真机数据进行训练，而STI-WM通过“80%互联网视频 + 10%动捕数据 + 10%真机数据”的训练配方，将对真机数据的需求降低了90%，同时将动作准确度提升至99%。这种数据效率的提升，为具身智能技术的大规模应用铺平了道路。

此外，「眸深智能」在今年还发布了T²MB（Task*Task Motion Brain），进一步赋予机器人离线自进化能力。在端侧部署后，机器人无需联网回传数据，仅通过本地交互就能持续优化性能。这种创新不仅提高了任务执行的准确度，还降低了落地成本，为机器人在现实场景中的广泛应用提供了技术保障。

影响与展望：机器人智能化的关键一步

「眸深智能」的技术与市场成绩表明，具身智能正在成为人工智能领域的重要分支之一。通过将动作转化为“token”，并依托扩散模型和动作词典的创新，机器人终于有望摆脱以往的笨拙行为，迈向更高效、更自然的智能化时代。

这种技术的潜力不仅限于工业制造或服务领域，还可能在医疗康复、教育辅助、家庭陪护等场景中发挥巨大作用。尤其是在低成本、高精度的动作生成能力下，机器人有望成为人类日常生活的一部分。

未来，随着「眸深智能」在技术研发与商业化方面持续推进，其“给10亿台机器人装原生通用大脑”的愿景或许不再是遥不可及的梦想。我们有理由期待，这家初创企业能够为具身智能乃至人工智能的发展带来更多的可能性。

标签： 人工智能 机器人 具身智能 动作模型 科技创新