千诀科技创始人兼CEO高海川于2026年10月20日在南京举行的首届物理AI与世界模型大会上发布了Polibrain。这是一款面向机器人的预测式世界模型，定位为具身智能“大脑”底座。78

它的关键区别在于：不急着生成未来会出现的每一帧画面，而是预测机器人采取某个动作后，环境中与任务有关的状态会如何变化。对一台要捡起地面垃圾的机器人来说，垃圾在哪里、机械臂与目标相距多远、抓取后目标状态会怎样改变，可能比地面颜色或背景纹理更重要。47

从“生成画面”转向“预测后果”

据相关介绍，Polibrain学习环境状态、历史信息与行动结果之间的关系，并在潜在表征空间中预测状态变化。这里的“潜在表征”可以理解为模型对当前情境的一种精简内部描述，不是把摄像头看到的所有细节原样重建出来。预测结果再用于机器人的规划与控制。7

千诀称，模型采用自研的多项式表征架构，试图减少“特征污染”：例如背景纹理、光照等因素与任务信息混在一起，导致环境一变，模型就难以稳定识别真正重要的线索。79

让感知、行动与反馈接成闭环

公开报道将Polibrain的工作流程描述为：感知环境、理解当前状态、预测行动后果、作出决策、执行动作，再依据反馈调整计划。15 这意味着机器人不只是照着预设步骤机械执行；当实际结果与预期不同，系统可以根据新状态重新评估接下来的动作。2

一个公开演示展示了户外捡拾垃圾任务：四足机器人背负机械臂和收集篮，寻找地面上的垃圾、靠近目标、规划抓取，再把垃圾放入篮中。5 这类任务要求机器人连续处理目标位置、接近方式和抓取结果等信息，能说明预测式路线要解决的问题，但单次演示并不能证明它在复杂场景中已具备稳定可靠的表现。

有关材料还提到关键特征解码可用于发现预测与实际结果之间的偏差、定位异常并帮助任务恢复。不过，现有证据不足以核实其具体诊断能力，或证明它能识别特定故障并可靠处理抓取失败。

跨机器人适配仍需看验证范围

相关报道将Polibrain描述为一种把共享的环境理解与不同机器人的具体执行相对分离的架构，并提及四足、人形、轮式和双臂等机器人形态。15 这体现了以可复用的机器人“大脑”适配不同本体的方向，但目前材料不足以确认单臂适配、陪伴服务、餐饮、整理收纳、精细操作等所有应用，也不足以证明不同机器人或家电已能共享一个模型并共同贡献数据。

因此，跨硬件复用更适合作为这套系统的技术方向来理解，而不是已经得到充分验证的通用能力。现有材料也不能据此断定千诀科技完全不做硬件。

研究背景与仍待厘清之处

千诀与清华团队曾发表ICML 2025论文《When Do Neural Networks Learn World Models?》，讨论神经网络在什么条件下能够恢复潜在的世界变量。10 后续报道还提到团队在2026年提出“有效阶”（Effective Degree），作为衡量神经网络函数复杂度的一种可计算指标，探索其对表征设计和泛化研究的作用。49

关于利用反事实推断筛选历史观测、判断哪些记忆值得保留，相关报道确有提及这一研究方向；但现有材料不足以核实其具体机制，也不足以确认它已如何集成到Polibrain中。7

简而言之，Polibrain主打的是“预测动作会造成什么变化”，而不是“把未来画出来”。这一区别与机器人需要据此规划、再根据现实反馈修正动作的任务逻辑相契合；至于其跨场景适应范围和实际可靠性，还需要更充分的公开验证。47

千诀科技创始人兼CEO高海川于2026年10月20日在南京举行的首届物理AI与世界模型大会上发布了Polibrain。这是一款面向机器人的预测式世界模型，定位为具身智能“大脑”底座。78

它的关键区别在于：不急着生成未来会出现的每一帧画面，而是预测机器人采取某个动作后，环境中与任务有关的状态会如何变化。对一台要捡起地面垃圾的机器人来说，垃圾在哪里、机械臂与目标相距多远、抓取后目标状态会怎样改变，可能比地面颜色或背景纹理更重要。47

从“生成画面”转向“预测后果”

据相关介绍，Polibrain学习环境状态、历史信息与行动结果之间的关系，并在潜在表征空间中预测状态变化。这里的“潜在表征”可以理解为模型对当前情境的一种精简内部描述，不是把摄像头看到的所有细节原样重建出来。预测结果再用于机器人的规划与控制。7

千诀称，模型采用自研的多项式表征架构，试图减少“特征污染”：例如背景纹理、光照等因素与任务信息混在一起，导致环境一变，模型就难以稳定识别真正重要的线索。79

让感知、行动与反馈接成闭环

公开报道将Polibrain的工作流程描述为：感知环境、理解当前状态、预测行动后果、作出决策、执行动作，再依据反馈调整计划。15 这意味着机器人不只是照着预设步骤机械执行；当实际结果与预期不同，系统可以根据新状态重新评估接下来的动作。2

一个公开演示展示了户外捡拾垃圾任务：四足机器人背负机械臂和收集篮，寻找地面上的垃圾、靠近目标、规划抓取，再把垃圾放入篮中。5 这类任务要求机器人连续处理目标位置、接近方式和抓取结果等信息，能说明预测式路线要解决的问题，但单次演示并不能证明它在复杂场景中已具备稳定可靠的表现。

有关材料还提到关键特征解码可用于发现预测与实际结果之间的偏差、定位异常并帮助任务恢复。不过，现有证据不足以核实其具体诊断能力，或证明它能识别特定故障并可靠处理抓取失败。

跨机器人适配仍需看验证范围

相关报道将Polibrain描述为一种把共享的环境理解与不同机器人的具体执行相对分离的架构，并提及四足、人形、轮式和双臂等机器人形态。15 这体现了以可复用的机器人“大脑”适配不同本体的方向，但目前材料不足以确认单臂适配、陪伴服务、餐饮、整理收纳、精细操作等所有应用，也不足以证明不同机器人或家电已能共享一个模型并共同贡献数据。

因此，跨硬件复用更适合作为这套系统的技术方向来理解，而不是已经得到充分验证的通用能力。现有材料也不能据此断定千诀科技完全不做硬件。

研究背景与仍待厘清之处

千诀与清华团队曾发表ICML 2025论文《When Do Neural Networks Learn World Models?》，讨论神经网络在什么条件下能够恢复潜在的世界变量。10 后续报道还提到团队在2026年提出“有效阶”（Effective Degree），作为衡量神经网络函数复杂度的一种可计算指标，探索其对表征设计和泛化研究的作用。49

关于利用反事实推断筛选历史观测、判断哪些记忆值得保留，相关报道确有提及这一研究方向；但现有材料不足以核实其具体机制，也不足以确认它已如何集成到Polibrain中。7

简而言之，Polibrain主打的是“预测动作会造成什么变化”，而不是“把未来画出来”。这一区别与机器人需要据此规划、再根据现实反馈修正动作的任务逻辑相契合；至于其跨场景适应范围和实际可靠性，还需要更充分的公开验证。47