Cog-WM 1.0：EBKernel 的類腦世界模型，為機器人帶來什麼？

Cog-WM 1.0 是什麼？

上海新創公司 EBKernel 在 2026 浦江創新論壇的類腦具身智能分論壇上，發表 Cog-WM 1.0，稱其為「類腦認知世界模型」。它想解決的問題很直接：讓機器人到了陌生空間後，無須事先載入完整地圖，也能理解周遭、規劃路徑、找到目標並操作物件。39

所謂世界模型，可以理解為機器人在內部保留的一套環境表徵，用來推測「如果我現在做這個動作，接下來可能發生什麼事」。EBKernel 將 Cog-WM 描述為**潛在空間預測（latent-space prediction）**系統：重點不是逐像素重建眼前畫面，而是編碼與眼前任務有關的資訊，例如目標位置、可通行區域與行動後果。3

主打「記得空間」，而不是只對畫面做反應

依公司描述，Cog-WM 參考認知地圖的概念，包含選擇性更新記憶、區分可重複使用的空間知識與單次經驗，以及在不同時間尺度上進行預測。這些是從神經科學借來的計算設計靈感，並不表示系統能以生物學意義「複製人腦」。

在導航方面，關鍵是建立明確的空間記憶，讓機器人可根據最終目標決定下一步要探索哪裡、該走哪條路。這與 BSC-Nav 的研究方向相近；後者會從第一人稱移動軌跡與情境線索，建立以環境為中心（allocentric）的認知地圖，協助機器人處理空間導航。

公司公布的導航成績：成功率提升較明顯

在 HM3D-ObjectNav 的一個子集上，EBKernel 公布 Cog-WM 1.0 與 BSC-Nav 的比較結果如下：

• 成功率（SR）為 86.89%，高於 BSC-Nav 的 78.50%；相差 8.39 個百分點，相對增幅為 10.69%。
• SPL 為 48.35，略高於 BSC-Nav 的 47.70。

SPL 是同時衡量「是否成功抵達目標」與「路線是否有效率」的指標。就已公布數字來看，Cog-WM 的成功率優勢遠大於 SPL 的差距。換言之，這些結果顯示它在該測試中較常能抵達目標，但尚未呈現同等幅度的路徑縮短效果。

物件操作：宣稱最多領先約 16%，但細節未齊

在機器人操作任務上，EBKernel 表示，Cog-WM 相較大量預訓練的 π0.5 類基準，在三套評測中最多有約 16% 的優勢，當中包括 RoboTwin 2.0。3

公司將這套方法歸因於：同時學習短期與長期動作後果，並對更能推進任務目標的經驗賦予較高權重。不過，目前可取得的資料並未提供各項基準的完整成績表、感測器設定、訓練資料或評測協定，因此外界無法獨立確認它與 π0.5 類基準的比較是否完全對等。

同樣地，公開說法提及 LIBERO-Plus 的消融實驗，從僅使用策略的約 80%，提升至完整系統的 84.6%；但由於缺少完整技術報告與結果表，這些數字較適合視為尚待獨立驗證的公司內部測量，而非技術能力的最終排名。

從模擬基準走向實體機器人

EBKernel 表示，Cog-WM 已在輪式人形機器人與四足機器人上展示無預建地圖導航、路徑規劃、時空記憶檢索、空間關係問答與尋找物品等能力，並在輪式人形機器人上驗證物件操作。3

這家總部位於上海、成立於 2025 年的公司，押注於以認知與記憶導向的架構，降低具身 AI 對海量資料與運算資源的依賴，進而提高跨場景泛化能力。11

該怎麼看待這些宣稱？

Cog-WM 1.0 的研究路線有其一致性：結合空間記憶、抽象狀態預測與目標導向規劃；而它選擇與同樣重視結構化空間知識的 BSC-Nav 比較，也讓導航結果更具參考價值。

不過，最吸睛的成績主要仍源自公司公告。若要更有把握地判斷其泛化能力，仍需要公開程式碼或完整技術文件、對齊的訓練資料與感測器條件、清楚的運算預算，以及跨場景的第三方評測。

**結論：**Cog-WM 1.0 是一項值得留意的早期具身 AI 方案，嘗試把潛在空間預測與類認知的空間記憶結合起來。它公布的基準增益具有吸引力，但現階段尚不足以證明機器人已能在開放世界中穩定實現通用自主作業。