EBKernel Cog-WM 1.0：类脑认知世界模型对机器人意味着什么

EBKernel（具脑磐石）在 2026 年浦江创新论坛上发布了 Cog-WM 1.0，将其定位为一套受大脑认知机制启发的“认知世界模型”。它瞄准的并非单一机器人技能，而是为机器人自主导航和物体操作提供共同的环境理解与预测能力：即使没有预先加载场地地图，也尝试在陌生环境中规划、寻找目标并完成操作。39

它想解决什么问题？

所谓世界模型，可以理解为机器人在内部建立的“环境推演器”：机器人不仅看见眼前画面，还要根据记忆估计周围空间、预测采取动作后可能发生什么，再决定下一步。

按 EBKernel 的描述，Cog-WM 采用的是隐空间预测路线。它不以逐像素还原画面为主要目标，而是把对当前任务真正有用的信息编码为抽象状态，并预测这些状态的变化。3

公司将这套方法与认知地图原则联系起来，包括：选择性更新记忆、区分可复用的空间知识与单次经历，以及在不同时间跨度上作出预测。需要注意的是，这属于借鉴神经科学的计算思路，并不意味着系统在生物学意义上复刻了人脑。

导航：空间记忆是核心卖点

在导航场景中，Cog-WM 的关键承诺是维护显式空间记忆，结合最终目标来挑选探索方向和规划路线。这与 BSC-Nav 的研究方向有相通之处：后者同样试图从机器人自身视角的轨迹与上下文信息中构建以环境为中心的认知地图，以支持空间导航。

EBKernel 披露的最具体数据来自 HM3D-ObjectNav 的一个子集：

• 成功率（SR）为 86.89%，而 BSC-Nav 为 78.50%；前者高出 8.39 个百分点，相对提升 10.69%。
• 路径效率指标 SPL 为 48.35，BSC-Nav 为 47.70。

SR 衡量机器人是否成功抵达目标；SPL 则同时考虑是否成功与走的路是否高效。两者放在一起看，Cog-WM 的成功率提升相当明显，但 SPL 的增幅只有 0.65。这意味着在该测试中，它报告的优势主要体现在“更常完成任务”，而非“成功时走出显著更短的路线”。

操作任务：公司称最高领先约 16%

在抓取、摆放等具身操作任务上，EBKernel 称 Cog-WM 相比一类经过大规模预训练的 π0.5 风格基线，在包括 RoboTwin 2.0 在内的三套评测中最高领先约 16%。3

该公司的解释是，系统会学习动作在短期与较长时间尺度上的后果，并对那些能推动任务进展的经验赋予更高价值。理论上，这有助于机器人不只是“记住画面”，还能够判断哪些动作经验值得用于下一次决策。

不过，现有材料没有给出完整的逐项基准成绩、传感器设置、训练数据构成或评测协议。因此，外界暂时无法独立核对该系统与 π0.5 风格基线是否处于完全可比的条件下。

同样地，关于 LIBERO-Plus 的消融实验，公司报告的结果从仅使用策略时约 80%，提升至完整系统的 84.6%。由于公开材料中尚缺少完整技术报告和结果表，这些数字更适合作为企业内部测试结果来阅读，而不应直接视为已获独立验证的行业排名。

已在哪些机器人上演示？

EBKernel 表示，Cog-WM 已在轮式人形机器人和四足机器人等不同形态的平台上，演示了无预建地图导航、路径规划、时空记忆检索、空间关系问答和目标物寻找等能力；操作能力则在轮式人形机器人上进行了验证。3

这家总部位于上海的公司成立于 2025 年，主张以受认知与记忆机制启发的架构，减少具身智能对海量训练数据和算力的依赖。11

这些成绩应当如何解读？

Cog-WM 1.0 展现出一条逻辑连贯的技术路线：用抽象状态预测替代对原始画面的机械复现，用空间记忆支撑导航，并让决策围绕任务目标展开。与 BSC-Nav 的对比尤其值得留意，因为两者都将导航视为结构化空间知识问题，而不只是看见画面后的即时反应。

但也要看到，最亮眼的数据目前主要来自公司发布的信息。若要判断它是否具备可靠的通用自主能力，还需要更完整的公开技术资料或代码，以及训练数据、传感器配置、计算预算相匹配的对比实验；更重要的是，需要来自不同环境的独立评测。

**结论：**Cog-WM 1.0 是一项值得关注的早期具身智能方案。它把隐空间预测与认知式空间记忆结合起来，报告的导航和操作增益具有吸引力；不过，这些结果尚不足以证明机器人已经能在开放、复杂且长期变化的真实环境中实现通用自主运行。