EBKernels Cog-WM 1.0: En «kognitiv verdensmodell» for roboter uten kart

EBKernel lanserte Cog-WM 1.0 under Pujiang Innovation Forum i Shanghai 14. september 2026. Selskapet beskriver systemet som en hjerneinspirert, «kognitiv verdensmodell» som skal gi roboter et felles grunnlag for autonom navigasjon og håndtering av gjenstander – også i ukjente omgivelser uten et forhåndsinstallert kart. 39

Hva er en verdensmodell?

En verdensmodell er ment å holde på en intern representasjon av omgivelsene og forutsi hva som kan skje etter en handling. EBKernel plasserer Cog-WM som et system for prediksjon i latent rom: Målet er ikke å gjenskape hver enkelt piksel i en scene, men å kode informasjonen roboten trenger for oppgaven den står overfor. 3

Selskapets beskrivelse trekker på idéer fra kognitive kart: Hukommelsen skal oppdateres selektivt, gjenbrukbar romlig kunnskap skal skilles fra episodiske erfaringer, og systemet skal forutsi utviklingen over flere tidshorisonter. Det er viktig å lese dette som datatekniske inspirasjoner fra nevrovitenskap – ikke som en påstand om at modellen gjenskaper en biologisk hjerne.

For navigasjon er den sentrale ambisjonen en eksplisitt romlig hukommelse som hjelper roboten å velge neste utforskningsmål og rute ut fra sluttmålet. Retningen har klare fellestrekk med BSC-Nav, et forskningsrammeverk som bygger allocentriske – altså miljøsentrerte – kognitive kart fra robotens egne bevegelser og kontekstuelle signaler.

Tallene EBKernel oppgir for navigasjon

Den mest konkrete sammenligningen gjelder et delsett av HM3D-ObjectNav, en test der en robot skal finne et angitt objekt i et simulert miljø. Ifølge selskapets publiserte opplysninger oppnådde Cog-WM 1.0:

• 86,89 % suksessrate (SR), mot 78,50 % for BSC-Nav. Det tilsvarer 8,39 prosentpoeng eller en relativ økning på 10,69 %.
• 48,35 SPL, mot 47,70 for BSC-Nav.

SPL er et mål som kombinerer om roboten lykkes, med hvor effektiv ruten er. Forskjellen i det tilgjengelige materialet er dermed langt større for suksessraten enn for ruteeffektiviteten. Resultatet kan tyde på at systemet oftere finner målet i denne testen, men dokumenterer ikke en tilsvarende stor forbedring i hvor korte de vellykkede rutene er.

Påståtte gevinster ved manipulering

EBKernel sier at Cog-WMs del for objektmanipulering slo en tungt forhåndstrent referansemodell av π0.5-typen med opptil rundt 16 % i tre evalueringssuiter, blant dem RoboTwin 2.0. 3

Selskapet forklarer dette med at modellen lærer konsekvensene av handlinger både på kort og lengre sikt, og legger større vekt på erfaringer som faktisk bidrar til framdrift mot målet. Men kildene som er tilgjengelige her, inneholder ikke fullstendige resultattabeller per test, sensoroppsett, treningsdata eller evalueringsprotokoller. Det gjør det umulig å kontrollere uavhengig om sammenligningen med π0.5-baselinjen er helt jevnbyrdig.

Det samme forbeholdet gjelder de oppgitte ablasjonstallene på LIBERO-Plus: fra omtrent 80 % med bare policyen til 84,6 % med hele systemet. Uten en full teknisk rapport eller komplett resultattabell bør tallene behandles som selskapets egne, ikke uavhengig verifiserte målinger – ikke som en endelig rangering av teknologien.

Fra simulering til fysiske roboter

EBKernel opplyser at det har demonstrert kartfri navigasjon, ruteplanlegging, gjenhenting av romlig og tidsmessig hukommelse, spørsmål og svar om romlige relasjoner samt objektsøk på både hjulgående humanoide og firbeinte roboter. Selskapet sier også at det har demonstrert manipulering med en hjulgående humanoid robot. 3

EBKernel holder til i Shanghai og ble etablert i 2025. Selskapets overordnede tese er at arkitekturer basert på kunnskap og hukommelse kan redusere embodied AI-systemers behov for svært store datamengder og mye regnekraft. 11

Slik bør påstandene vurderes

Cog-WM 1.0 representerer en sammenhengende forskningsretning: romlig hukommelse, prediksjon av abstrakte tilstander og målrettet planlegging. Sammenligningen med BSC-Nav er interessant nettopp fordi BSC-Nav også behandler navigasjon som et problem med strukturert romlig kunnskap, ikke bare som reaktiv bildeforståelse.

Samtidig kommer de sterkeste resultatpåstandene hovedsakelig fra selskapets egne kunngjøringer. Et sikrere grunnlag ville kreve offentlig kode eller en detaljert teknisk rapport, sammenlignbare treningsdata og sensorer, tydelige beregningsbudsjetter og uavhengige evalueringer i flere typer miljøer.

Konklusjon: Cog-WM 1.0 er et lovende, tidlig bidrag til embodied AI, med en kombinasjon av latent prediksjon og kognitiv romlig hukommelse. De rapporterte benchmark-forbedringene er interessante, men de er foreløpig ikke nok til å bevise robust, generell autonomi i åpne og uforutsigbare omgivelser.