Cog-WM 1.0: mitä EBKernelin kognitiivinen maailmanmalli lupaa roboteille?

EBKernel esitteli Cog-WM 1.0 -järjestelmänsä Shanghaissa vuoden 2026 Pujiang Innovation Forumin yhteydessä. Yhtiö kuvaa sitä aivotoiminnasta vaikutteita hakevaksi kognitiiviseksi maailmanmalliksi, jonka tavoitteena on tarjota roboteille yhteinen perusta autonomiseen navigointiin ja esineiden käsittelyyn ilman ennalta rakennettua ympäristökarttaa. 39

Mitä maailmanmallilla tarkoitetaan?

Maailmanmalli ylläpitää robotin sisäistä käsitystä ympäristöstä ja pyrkii ennakoimaan, mitä robotin seuraavista toimista voi seurata. EBKernelin mukaan Cog-WM toimii latentissa tilassa: sen ei ole tarkoitus rakentaa uudelleen jokaista kamerakuvan pikseliä, vaan tiivistää päätöksenteon kannalta merkityksellinen tieto.

Yhtiö yhdistää lähestymistapaan kognitiivisten karttojen periaatteita. Muistia päivitetään valikoivasti, uudelleenkäytettävä tilatieto erotetaan yksittäisistä kokemuksista ja ennusteita tehdään useilla aikajänteillä. Kyse on neurotieteestä haetuista laskennallisista ideoista, ei väitteestä, että järjestelmä jäljittelisi biologista aivoa sellaisenaan.

Navigoinnissa keskeinen lupaus on eksplisiittinen tilamuisti: sen avulla robotti voisi valita tutkimisen välitavoitteita ja reittejä lopullisen päämäärän perusteella. Ajatus muistuttaa BSC-Nav-tutkimuskehystä, jossa robotin omasta näkökulmasta kerätyistä reiteistä ja kontekstivihjeistä rakennetaan ympäristökeskeisiä kognitiivisia karttoja navigoinnin tueksi.

Yhtiön raportoimat navigointitulokset

Tarkin vertailu koskee HM3D-ObjectNav-aineiston osajoukkoa. Yhtiön julkaisemien lukujen mukaan Cog-WM 1.0 saavutti:

• 86,89 prosentin onnistumisasteen (SR), kun BSC-Navin tulos oli 78,50 prosenttia. Ero on 8,39 prosenttiyksikköä, eli suhteellisesti 10,69 prosenttia.
• 48,35 SPL-pistettä, kun BSC-Navin tulos oli 47,70.

SPL-mittari yhdistää tehtävän onnistumisen ja kuljetun reitin tehokkuuden. Saatavilla olevien lukujen perusteella parannus on siis selvästi suurempi onnistumisasteessa kuin reittitehokkuudessa. Tulos viittaa siihen, että järjestelmä saavutti kohteen useammin tässä testissä, mutta se ei osoita vastaavan kokoista parannusta onnistuneiden reittien lyhyydessä.

Entä esineiden käsittely?

EBKernelin mukaan Cog-WM:n käsittelyosio ylitti enintään noin 16 prosentilla voimakkaasti esikoulutetun π0.5-tyyppisen vertailumallin kolmessa arviointisarjassa, joihin kuului RoboTwin 2.0. 3

Yhtiön kuvauksen mukaan järjestelmä oppii toiminnan seurauksia sekä lyhyillä että pidemmillä aikajänteillä ja painottaa kokemuksia, jotka vievät tehtävää kohti tavoitetta. Saatavilla ei kuitenkaan ole täydellisiä tulostaulukoita arviointisarjoittain eikä riittäviä tietoja esimerkiksi sensoreista, koulutusdatasta tai arviointiprotokollista. Siksi vertailun yhdenvertaisuutta π0.5-tyyppiseen vertailumalliin ei voi tarkistaa riippumattomasti.

Simulaatioista fyysisiin robotteihin

EBKernel kertoo demonstroineensa kartatonta navigointia, reittisuunnittelua, aika-avaruudellisen muistin hakua, tilasuhteita koskevaa kysymys–vastaustoimintoa ja esineiden etsintää sekä pyörivillä humanoideilla että nelijalkaisilla roboteilla. Lisäksi yhtiö kertoo näyttäneensä esineiden käsittelyä pyörivällä humanoidirobotilla. 3

Shanghaissa toimiva EBKernel on perustettu vuonna 2025. Sen laajempi lähtökohta on, että muistista ja kognitiivisista rakenteista vaikutteita hakevat arkkitehtuurit voisivat vähentää kehollisen tekoälyn riippuvuutta erittäin suurista datamääristä ja laskentatehosta. 11

Miten väitteisiin kannattaa suhtautua?

Cog-WM 1.0 edustaa johdonmukaista tutkimussuuntaa: tilamuistia, abstraktien tilojen ennustamista ja tavoiteohjattua suunnittelua. Vertailu BSC-Naviin on kiinnostava juuri siksi, että myös BSC-Nav käsittelee navigointia rakenteisen tilatiedon ongelmana eikä pelkkänä reaktiivisena havainnointina.

Vahvimmat tulokset perustuvat silti pääosin yhtiön omiin ilmoituksiin. Vakuuttavampaa näyttöä varten tarvittaisiin julkinen koodi tai yksityiskohtainen tekninen raportti, vertailukelpoiset koulutusdata- ja sensoriasetukset, selkeät laskentabudjetit sekä riippumattomia arvioita useissa ympäristöissä.

Johtopäätös: Cog-WM 1.0 on lupaava varhaisen vaiheen ehdotus keholliseen tekoälyyn. Se yhdistää latenttien tilojen ennustamisen ja kognitiivisen tilamuistin, ja raportoidut vertailutulokset ansaitsevat huomiota. Ne eivät kuitenkaan vielä osoita luotettavaa, yleiskäyttöistä autonomiaa avoimissa reaalimaailman ympäristöissä.