Cog-WM 1.0 EBKernel: Model Dunia Kognitif untuk Robot Tanpa Peta Awal

EBKernel memperkenalkan Cog-WM 1.0 pada Forum Inovasi Pujiang 2026 di Shanghai sebagai “model dunia kognitif” yang mengambil ilham daripada mekanisme otak. Matlamatnya ialah memberi robot satu asas bersama untuk navigasi autonomi dan manipulasi objek tanpa memerlukan peta ruang yang dipasang lebih awal. 39

Apa yang cuba dilakukan oleh Cog-WM 1.0?

Model dunia cuba membina gambaran dalaman tentang persekitaran serta meramal perkara yang berkemungkinan berlaku selepas sesuatu tindakan. Dalam kes Cog-WM, EBKernel meletakkannya sebagai sistem ramalan dalam ruang laten (latent space): bukannya membina semula setiap piksel dalam sesuatu pemandangan, sistem ini cuba mengekod maklumat yang benar-benar penting untuk matlamat semasa robot. 3

Penerangan syarikat mengaitkan pendekatan ini dengan prinsip peta kognitif: kemas kini memori secara terpilih, pemisahan antara pengetahuan ruang yang boleh digunakan semula dan pengalaman episodik, serta ramalan merentas lebih daripada satu jangka masa. Ini ialah ilham pengkomputeran daripada neurosains, bukannya dakwaan bahawa sistem tersebut meniru otak biologi secara langsung.

Bagi navigasi, janji utamanya ialah memori ruang yang jelas untuk membantu robot memilih sasaran penerokaan seterusnya dan laluan berdasarkan destinasi akhir. Pendekatan ini berkait rapat dengan BSC-Nav, kerangka penyelidikan yang membina peta kognitif berpusatkan dunia daripada trajektori dan konteks yang dilihat dari sudut robot bagi menyokong navigasi ruang.

Keputusan navigasi yang dilaporkan

Perbandingan paling khusus melibatkan subset HM3D-ObjectNav, iaitu ujian untuk mengukur keupayaan robot mencari objek sasaran dalam persekitaran 3D. Menurut laporan yang diterbitkan syarikat, Cog-WM 1.0 mencatatkan:

• Kadar kejayaan (SR) 86.89%, berbanding 78.50% untuk BSC-Nav — perbezaan 8.39 mata peratusan, atau peningkatan relatif 10.69%.
• SPL 48.35, berbanding 47.70 untuk BSC-Nav.

SPL menggabungkan kadar kejayaan dengan kecekapan laluan. Maka, berdasarkan data yang tersedia, peningkatan jauh lebih ketara pada kadar kejayaan berbanding kecekapan pergerakan. Ertinya, sistem itu dilaporkan lebih kerap tiba di sasaran dalam ujian ini, tetapi data tersebut tidak menunjukkan peningkatan yang sama besar dari segi laluan yang lebih pendek bagi percubaan berjaya.

Bagaimana pula dengan manipulasi objek?

EBKernel menyatakan komponen manipulasi Cog-WM mengatasi baseline gaya π0.5 yang menerima pralatihan berskala besar sehingga kira-kira 16% dalam tiga suite penilaian, termasuk RoboTwin 2.0. 3

Menurut penerangan syarikat, pendekatan itu mempelajari kesan tindakan dalam jangka masa dekat dan lebih panjang, sambil memberikan lebih berat kepada pengalaman yang menyumbang kepada kemajuan menuju matlamat. Namun, sumber yang tersedia tidak menyertakan jadual lengkap bagi setiap penanda aras, konfigurasi sensor, data latihan atau protokol penilaian. Oleh itu, kesetaraan perbandingan dengan baseline gaya π0.5 itu tidak dapat disemak secara bebas.

Perkara sama terpakai pada angka ablasi yang disebut untuk LIBERO-Plus — daripada kira-kira 80% bagi polisi sahaja hingga 84.6% bagi sistem penuh. Tanpa laporan teknikal penuh atau jadual keputusan terperinci dalam dokumentasi yang tersedia, angka tersebut wajar dilihat sebagai ukuran dalaman syarikat yang belum disahkan secara bebas, bukannya kedudukan muktamad teknologi ini.

Daripada penanda aras kepada robot sebenar

EBKernel menyatakan bahawa ia telah menunjukkan fungsi seperti navigasi tanpa peta sedia ada, perancangan laluan, capaian semula memori ruang-masa, soal jawab tentang hubungan ruang dan pencarian objek pada robot humanoid beroda serta robot berkaki empat. Syarikat itu juga melaporkan demonstrasi manipulasi pada robot humanoid beroda. 3

Syarikat yang berpangkalan di Shanghai itu diasaskan pada 2025. Pertaruhan lebih besarnya ialah seni bina berasaskan pengetahuan dan memori boleh mengurangkan pergantungan AI berjasad (embodied AI) pada jumlah data serta kuasa pengkomputeran yang sangat besar. 11

Cara membaca tuntutan ini

Cog-WM 1.0 membawa arah penyelidikan yang munasabah: memori ruang, ramalan keadaan abstrak dan perancangan berpandukan matlamat. Perbandingan dengan BSC-Nav menarik kerana BSC-Nav juga melihat navigasi sebagai masalah pengetahuan ruang yang berstruktur, bukan sekadar persepsi reaktif.

Namun, keputusan paling mengagumkan setakat ini datang terutamanya daripada pengumuman syarikat. Untuk membuat kesimpulan yang lebih kukuh, penyelidik memerlukan kod awam atau laporan teknikal terperinci, data latihan dan sensor yang sepadan, belanjawan pengkomputeran yang jelas, serta penilaian bebas dalam persekitaran berbeza.

Kesimpulannya: Cog-WM 1.0 ialah cadangan awal yang berpotensi untuk AI berjasad, menggabungkan ramalan laten dengan memori ruang kognitif. Peningkatan penanda aras yang dilaporkan wajar diberi perhatian, tetapi belum mencukupi untuk membuktikan autonomi serba guna yang benar-benar teguh di dunia terbuka.