Polibrain 是千訣科技推出的預測式世界模型，定位為機器人具身智能的「大腦底座」。它著重預測機器人採取行動後，與任務有關的物理狀態會如何改變，而非逐格生成未來影片。千訣科技創辦人兼執行長高海川於 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表這套模型。78

重點不是預想畫面，而是預測狀態變化

Polibrain 透過學習環境狀態、歷史資訊與行動結果之間的關係，在潛在表徵空間中預測狀態變化。這裡的「潛在表徵」可理解為模型對當下情況所做的精簡內部描述；預測結果則可用於機器人的規劃與控制。7

以戶外撿拾垃圾為例，機器人需要掌握垃圾的位置、手臂與目標之間的相對關係，以及抓取動作可能如何改變目標狀態。相較之下，地面顏色或背景紋理等資訊，未必直接影響任務能否完成。4

千訣科技表示，Polibrain 採用多項式表徵架構，嘗試減少「特徵污染」：也就是背景紋理、光線等不相關資訊與任務特徵混在一起，導致模型換了環境便難以穩定抓住關鍵資訊。9

從感知到回饋，持續調整行動

公開報導將 Polibrain 的運作描述為一個閉環：感知環境、理解狀態、預測行動後果、作出決策、執行，再根據回饋重新評估計畫；若抓取失敗，也可依據新狀態重新規劃。15

不過，現有資料不足以確認更具體的說法，例如系統如何透過關鍵特徵解碼，精準找出預測與實際結果的落差，或進一步診斷特定故障。因此，閉環調整的整體構想有報導支持，但不宜把細節描述成已獲完整驗證的故障處理能力。

四足機器人示範與跨機器人適配

一項戶外示範中，四足機器人搭載機械手臂與回收籃，負責尋找地面垃圾、靠近目標、規劃抓取，再將垃圾放進籃中。5

相關報導也提到，千訣科技希望將對環境的共同理解與各種機器人的具體執行方式分開，讓可重複使用的智能能力能與不同機器人本體配合，並提及四足、人形、輪式及雙臂平台的適配。15 這呈現出跨硬體使用的方向，但現有資料不足以確認單臂機器人、陪伴服務、餐飲服務、整理收納或精細操作等所有列舉場景，都已完成適配或投入運作。

千訣科技被描述為以 Polibrain、多項式表徵及類腦分區等技術打造不受單一機器人外形限制的具身智能大腦。6 這支持其發展跨硬體智能的定位，但不能據此斷言公司完全不涉足硬體製造。至於不同機器人或連網家電共同貢獻資料、由單一模型協調達成相同目標的完整系統，提供的資料也不足以證實。

研究基礎與尚待驗證之處

千訣科技與清華大學團隊於 ICML 2025 發表研究 When Do Neural Networks Learn World Models?，探討神經網路在什麼條件下能從潛在變數中恢復世界的底層結構。10 另有報導指出，合作團隊於 2026 年提出「有效階」（Effective Degree），作為量化神經網路函數複雜度的可計算指標，並用於表徵設計與泛化研究。49

千訣團隊也研究過以反事實推論篩選歷史資訊的方法，概念上是判斷過去的觀測是否會影響後續預測與決策，再決定哪些資訊值得保留。不過，現有資料不足以確認其具體機制，或證實這套方法已整合進 Polibrain。

整體而言，公開資料支持 Polibrain 的核心差異：它優先預測會影響機器人任務成敗的狀態變化，而不是生成逼真的未來影像。47 但單次示範並不等於可靠性測試；模型能否在複雜、變動的真實場景中穩定運作，仍需要更多驗證。

Polibrain 是千訣科技推出的預測式世界模型，定位為機器人具身智能的「大腦底座」。它著重預測機器人採取行動後，與任務有關的物理狀態會如何改變，而非逐格生成未來影片。千訣科技創辦人兼執行長高海川於 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表這套模型。78

重點不是預想畫面，而是預測狀態變化

Polibrain 透過學習環境狀態、歷史資訊與行動結果之間的關係，在潛在表徵空間中預測狀態變化。這裡的「潛在表徵」可理解為模型對當下情況所做的精簡內部描述；預測結果則可用於機器人的規劃與控制。7

以戶外撿拾垃圾為例，機器人需要掌握垃圾的位置、手臂與目標之間的相對關係，以及抓取動作可能如何改變目標狀態。相較之下，地面顏色或背景紋理等資訊，未必直接影響任務能否完成。4

千訣科技表示，Polibrain 採用多項式表徵架構，嘗試減少「特徵污染」：也就是背景紋理、光線等不相關資訊與任務特徵混在一起，導致模型換了環境便難以穩定抓住關鍵資訊。9

從感知到回饋，持續調整行動

公開報導將 Polibrain 的運作描述為一個閉環：感知環境、理解狀態、預測行動後果、作出決策、執行，再根據回饋重新評估計畫；若抓取失敗，也可依據新狀態重新規劃。15

不過，現有資料不足以確認更具體的說法，例如系統如何透過關鍵特徵解碼，精準找出預測與實際結果的落差，或進一步診斷特定故障。因此，閉環調整的整體構想有報導支持，但不宜把細節描述成已獲完整驗證的故障處理能力。

四足機器人示範與跨機器人適配

一項戶外示範中，四足機器人搭載機械手臂與回收籃，負責尋找地面垃圾、靠近目標、規劃抓取，再將垃圾放進籃中。5

相關報導也提到，千訣科技希望將對環境的共同理解與各種機器人的具體執行方式分開，讓可重複使用的智能能力能與不同機器人本體配合，並提及四足、人形、輪式及雙臂平台的適配。15 這呈現出跨硬體使用的方向，但現有資料不足以確認單臂機器人、陪伴服務、餐飲服務、整理收納或精細操作等所有列舉場景，都已完成適配或投入運作。

千訣科技被描述為以 Polibrain、多項式表徵及類腦分區等技術打造不受單一機器人外形限制的具身智能大腦。6 這支持其發展跨硬體智能的定位，但不能據此斷言公司完全不涉足硬體製造。至於不同機器人或連網家電共同貢獻資料、由單一模型協調達成相同目標的完整系統，提供的資料也不足以證實。

研究基礎與尚待驗證之處

千訣科技與清華大學團隊於 ICML 2025 發表研究 When Do Neural Networks Learn World Models?，探討神經網路在什麼條件下能從潛在變數中恢復世界的底層結構。10 另有報導指出，合作團隊於 2026 年提出「有效階」（Effective Degree），作為量化神經網路函數複雜度的可計算指標，並用於表徵設計與泛化研究。49

千訣團隊也研究過以反事實推論篩選歷史資訊的方法，概念上是判斷過去的觀測是否會影響後續預測與決策，再決定哪些資訊值得保留。不過，現有資料不足以確認其具體機制，或證實這套方法已整合進 Polibrain。

整體而言，公開資料支持 Polibrain 的核心差異：它優先預測會影響機器人任務成敗的狀態變化，而不是生成逼真的未來影像。47 但單次示範並不等於可靠性測試；模型能否在複雜、變動的真實場景中穩定運作，仍需要更多驗證。