EBKernel Cog-WM 1.0：呢個「認知世界模型」點樣令機械人唔使預載地圖？

EBKernel 喺上海舉行嘅 2026 浦江創新論壇，發表咗 Cog-WM 1.0，將佢定位為受大腦認知機制啟發嘅「認知世界模型」。公司希望透過呢套系統，令機械人毋須預先載入環境地圖，都可以做自主導航同操作物件。 39

Cog-WM 1.0 想解決乜嘢？

所謂 world model（世界模型），係要令系統喺內部建立對環境嘅表徵，並預測採取行動後可能出現嘅結果。EBKernel 將 Cog-WM 描述為一套 潛在空間（latent space）預測系統：目標唔係逐個像素重建眼前畫面，而係編碼對機械人當前任務有用嘅資訊。 3

公司將方法同「認知地圖」原則連結，包括選擇性更新記憶、分開可重用嘅空間知識同單次經歷，以及同時作出唔同時間尺度嘅預測。要留意，呢啲係從神經科學借鑑嘅計算思路，唔代表系統真係生物學上複製咗人腦。

喺導航方面，核心賣點係一套明確嘅空間記憶，協助機械人按最終目標揀下一個探索位置同規劃路線。呢個方向同 BSC-Nav 有相近之處；後者係研究框架，會由以自身視角記錄嘅移動軌跡同環境線索，建立以環境為中心（allocentric）嘅認知地圖，用於空間導航。

公司公布嘅導航表現

最具體嘅比較來自 HM3D-ObjectNav 一個子集。按公司公開資料，Cog-WM 1.0 成績如下：

• 成功率（SR）86.89%，對比 BSC-Nav 嘅 78.50%；即高 8.39 個百分點，相對升幅 10.69%。
• SPL 48.35，對比 BSC-Nav 嘅 47.70。

SPL 用嚟衡量任務成功率同路線效率。換言之，現有數字中成功率嘅差距遠大過路徑效率嘅差距：結果顯示系統喺呢項測試中可能更常抵達目標，但未能證明成功時行嘅路短咗同等幅度。

物件操作方面有幾大提升？

EBKernel 指出，Cog-WM 嘅操作模組喺三套評測中，最多比一個經大量預訓練、屬於 π0.5 類型嘅基準模型高約 16%；當中包括 RoboTwin 2.0。 3

按公司說法，方法會學習行動帶來嘅短期及較長期後果，並更重視真正推進任務目標嘅經驗。不過，現有來源未有提供完整嘅逐項 benchmark 結果、感測器設定、訓練數據或評測協議。因此，外界未能獨立核實佢同 π0.5 類基準模型之間嘅比較係咪完全對等。

LIBERO-Plus 嘅消融實驗數字亦有同樣問題：由只用 policy 時約 80%，升至完整系統嘅 84.6%。由於目前可見資料未有完整技術報告或結果表，呢啲數字應視為 未經獨立驗證嘅公司內部測量，而唔係技術實力嘅最終排名。

由 benchmark 去到真機

EBKernel 表示，已喺輪式人形機械人及四足機械人上展示過多項能力，包括無預載地圖導航、路徑規劃、時空記憶檢索、回答空間關係問題，以及尋找物件；另外亦稱已喺輪式人形機械人上驗證物件操作能力。 3

公司總部設於上海，2025 年成立。佢嘅大方向係：以認知同記憶啟發嘅架構，降低具身 AI 對海量數據同龐大算力嘅依賴。 11

應該點樣解讀呢啲宣稱？

Cog-WM 1.0 提出嘅研究方向係連貫嘅：結構化空間記憶、抽象狀態預測，以及按目標規劃行動。佢同 BSC-Nav 嘅比較亦值得留意，因為 BSC-Nav 本身都將導航視為結構化空間知識問題，而唔係純粹依賴即時感知作反應。

不過，最搶眼嘅結果主要來自公司公布。要得出更有力嘅結論，仍需要公開程式碼或詳細技術報告、可比對嘅訓練數據及感測器設定、清晰嘅運算資源預算，以及由獨立團隊喺不同環境重複評測。

**總結：**Cog-WM 1.0 係一個值得留意、仍屬早期嘅具身 AI 方案，嘗試將潛在空間預測同認知式空間記憶結合。公司公布嘅 benchmark 進展有吸引力，但暫時未足以證明佢已具備喺開放真實環境中長期、通用而可靠嘅自主能力。