千訣科技創辦人兼行政總裁高海川，於 2026 年 10 月 20 日在南京舉行的首屆物理 AI 與世界模型大會上，發布預測式世界模型 Polibrain。簡單講，佢唔係要逐格「畫」出機械人眼前的未來，而係預測做咗某個動作之後，現實狀態會點變，再將預測結果用喺規劃同控制上。78

預測狀態變化，唔係重播未來畫面

世界模型可以理解為機械人對周遭環境及變化規律的內部描述。Polibrain 會學習環境狀態、過往資訊同動作結果之間的關係，並喺潛在表徵空間——即模型用來簡潔表示當前情況的內部空間——預測狀態變化。7

以執垃圾為例，機械人要掌握的重點包括垃圾喺邊、機械臂同目標相距幾遠，以及抓取之後目標會點樣移動。至於地面係咩顏色、背景有幾多紋理，通常唔係完成任務的關鍵。10 換句話講，Polibrain 的賣點係聚焦「出手之後會點」，而唔係只生成一段睇落逼真的未來影片。

千訣表示，Polibrain 採用自家研發的多項式表徵架構，嘗試減少「特徵污染」：即背景紋理、光線等無關因素同任務資訊混埋一齊，令模型轉到新環境時較難穩定掌握重點。7

由感知到執行，再按結果調整

據相關報道，Polibrain 將環境感知、狀態理解、行動預測、任務決策、執行同回饋連成一個閉環；如果實際結果同預期有出入，系統可以按新情況重新評估下一步。2

有報道亦描述一個戶外執垃圾示範：四足機械人身上裝有機械臂，並帶住回收籃；它要識別垃圾位置、移動到目標附近，再規劃抓取並將垃圾放入籃內。5 呢類任務看似簡單，實際上要連續處理目標位置、接近角度、抓取效果等變化。

不過，現有資料未能確認更具體的說法，例如系統是否會透過解碼關鍵特徵，精確找出預測與現實的落差、診斷特定故障，或者專門處理抓取失敗後的復原步驟。展示能說明概念如何運作，但唔等於已證明系統喺各種複雜真實環境都可靠。

一套核心能力，配合不同機械人？

相關報道形容，Polibrain 採用較鬆耦合的架構，將對環境的共通理解，與不同機械人各自的執行方式分開處理；並提到四足、人形、輪式及雙臂等平台的適配方向。217 這種設計的目標，是讓部分理解及預測能力有機會跨機械人本體重用，而唔係每種機械人都由零開始建立一套大腦。

但現有資料未足以確認單臂機械人是否已完成適配，亦未能證實陪伴服務、餐飲、整理家居及精細操作等所有列出的應用，或者不同機械人與連網家電已經可以共用一個模型並互相提供數據。千訣的定位被描述為發展機械人大腦；但單憑現有資料，亦不足以斷言公司完全唔會製造硬件。

背後研究與仍待驗證的部分

千訣與清華大學團隊曾於 ICML 2025 發表《When Do Neural Networks Learn World Models?》，研究神經網絡喺咩條件下可以還原世界背後的潛在變量。10 相關報道亦提到團隊於 2026 年提出 Effective Degree（有效階），作為衡量神經網絡函數複雜度的一種可計算指標，並用於表徵設計及泛化研究。49

至於以反事實推理判斷哪些過往觀測值得保留，現有資料提及團隊研究過這個方向；但未能確認其具體運作方式，亦未能確認它是否已整合至 Polibrain。7

目前較清楚的核心分別，是 Polibrain 著重預測會影響任務結果的狀態變化，並將預測用於機械人控制，而唔係重建未來畫面。47 至於跨本體適配可以做到幾廣、在複雜場景下有幾穩定，仍要靠更多實際測試去回答。

千訣科技創辦人兼行政總裁高海川，於 2026 年 10 月 20 日在南京舉行的首屆物理 AI 與世界模型大會上，發布預測式世界模型 Polibrain。簡單講，佢唔係要逐格「畫」出機械人眼前的未來，而係預測做咗某個動作之後，現實狀態會點變，再將預測結果用喺規劃同控制上。78

預測狀態變化，唔係重播未來畫面

世界模型可以理解為機械人對周遭環境及變化規律的內部描述。Polibrain 會學習環境狀態、過往資訊同動作結果之間的關係，並喺潛在表徵空間——即模型用來簡潔表示當前情況的內部空間——預測狀態變化。7

以執垃圾為例，機械人要掌握的重點包括垃圾喺邊、機械臂同目標相距幾遠，以及抓取之後目標會點樣移動。至於地面係咩顏色、背景有幾多紋理，通常唔係完成任務的關鍵。10 換句話講，Polibrain 的賣點係聚焦「出手之後會點」，而唔係只生成一段睇落逼真的未來影片。

千訣表示，Polibrain 採用自家研發的多項式表徵架構，嘗試減少「特徵污染」：即背景紋理、光線等無關因素同任務資訊混埋一齊，令模型轉到新環境時較難穩定掌握重點。7

由感知到執行，再按結果調整

據相關報道，Polibrain 將環境感知、狀態理解、行動預測、任務決策、執行同回饋連成一個閉環；如果實際結果同預期有出入，系統可以按新情況重新評估下一步。2

有報道亦描述一個戶外執垃圾示範：四足機械人身上裝有機械臂，並帶住回收籃；它要識別垃圾位置、移動到目標附近，再規劃抓取並將垃圾放入籃內。5 呢類任務看似簡單，實際上要連續處理目標位置、接近角度、抓取效果等變化。

不過，現有資料未能確認更具體的說法，例如系統是否會透過解碼關鍵特徵，精確找出預測與現實的落差、診斷特定故障，或者專門處理抓取失敗後的復原步驟。展示能說明概念如何運作，但唔等於已證明系統喺各種複雜真實環境都可靠。

一套核心能力，配合不同機械人？

相關報道形容，Polibrain 採用較鬆耦合的架構，將對環境的共通理解，與不同機械人各自的執行方式分開處理；並提到四足、人形、輪式及雙臂等平台的適配方向。217 這種設計的目標，是讓部分理解及預測能力有機會跨機械人本體重用，而唔係每種機械人都由零開始建立一套大腦。

但現有資料未足以確認單臂機械人是否已完成適配，亦未能證實陪伴服務、餐飲、整理家居及精細操作等所有列出的應用，或者不同機械人與連網家電已經可以共用一個模型並互相提供數據。千訣的定位被描述為發展機械人大腦；但單憑現有資料，亦不足以斷言公司完全唔會製造硬件。

背後研究與仍待驗證的部分

千訣與清華大學團隊曾於 ICML 2025 發表《When Do Neural Networks Learn World Models?》，研究神經網絡喺咩條件下可以還原世界背後的潛在變量。10 相關報道亦提到團隊於 2026 年提出 Effective Degree（有效階），作為衡量神經網絡函數複雜度的一種可計算指標，並用於表徵設計及泛化研究。49

至於以反事實推理判斷哪些過往觀測值得保留，現有資料提及團隊研究過這個方向；但未能確認其具體運作方式，亦未能確認它是否已整合至 Polibrain。7

目前較清楚的核心分別，是 Polibrain 著重預測會影響任務結果的狀態變化，並將預測用於機械人控制，而唔係重建未來畫面。47 至於跨本體適配可以做到幾廣、在複雜場景下有幾穩定，仍要靠更多實際測試去回答。