文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
編輯：好困 桃子
【新智元導讀】硅谷還在苦等真機數據 ， 中國隊已先一步交卷 。 RynnBrain大腦橫空出世 ， 通用具身智能時刻更近了 。
2026年 ， 具身智能的牌桌上早已是短兵相接 。
幾乎每周 ， 都有重磅炸彈被扔進場內：
- 波士頓動力全新Atlas令人驚艷的「360度轉頭殺」還在余音繞梁；
- 1X就祭出了1XWM「世界模型」 ， 讓NEO在腦內學會模擬現實 ， 把視頻生成內化為肌肉記憶；
- 而Figure更是通過下一代神經網絡Helix 02讓Figure 03實現了「全身協同運動」 ， 行走、操作與平衡從此無縫融合 。
現實中 ， 干活干一半被打斷 ， 再回頭很容易就會忘記「剛才干哪了」 。
比如 ， 這個機器人正忙著給桌上的食物分類 ， 半路突然殺出一個「請幫我拿個面包」的指令 。
只見它立刻「掛起」手頭動作 ， 優先把面包遞給人類 。
完事后 ， 憑借「任務棧記憶」瞬間回神 ， 無縫銜接 ， 轉頭繼續處理剩下的水果 。
更有意思的是 ， 哪怕你當著它的面把盤子移走 ， 它也能實時調整路徑 ， 堅持「物歸原位」 。
如果遇到更棘手的情況呢？
讓機器人在一堆「硬菜」面前 ， 找出低卡的那一個 。
這里 ， 不僅考驗了對常識的理解 ， 還需要用到「中文OCR」能力 。
機器人一眼掃過配料表和文字標簽 ， 大腦迅速計算 ， 立馬就能精準找出最合適的那一個 。
難度繼續升級 。
下面是一個典型的「逼死強迫癥」題目：三個面包兩個盤 ， 怎么分？
有趣的是 ， 機器人憑借著「空間規劃」與「長程規劃」的能力 ， 給出了一個絕妙的解法——「疊羅漢」 。
【機器人長800個心眼？阿里達摩院開源具身新大腦，硅谷又坐不住了】
最后 ， 就連機器人版「三仙歸洞」也來了！
把一瓶喝過的礦泉水 ， 在它的面前瘋狂調換位置 。
即便在如此眼花繚亂的變換中 ， 機器人也能死死鎖住目標 。
這背后 ， 離不開強大的「物體記憶」與「復雜視頻理解」能力 。
具身智能之戰 ， 直面物理世界
放眼硅谷 ， 目前主流有三條技術路線在角力 。
第一條 ， 是VLA（視覺-語言-動作）端到端流派 。
Figure、π、Covariant押注的這條路最為火熱 ， 主張用一個模型從感知直通動作 。
但這套邏輯有個硬傷：
它極其依賴昂貴的真機數據 ， 一旦遇到沒見過的場景 ， 泛化能力直接斷崖下跌 。
它主張從像素級模擬物理世界 ， 讓機器人在虛擬環境中大量試錯 。
在英偉達杰出科學家Jim Fan看來 ， 2026年將是「大世界模型」（LWM）為機器人乃至多模態AI奠定基礎的真正元年 。
而第三個流派 ， 則選擇了另一種思路：
基于本身就具有泛化能力的VLM（視覺-語言模型） ， 進一步造出通向物理世界的「具身大腦」 。
它不強求一個模型解決所有問題 ， 而是采用了仿生學的「大小腦」分層架構：
- 大腦：引入時空記憶和物理推理 ， 負責「運籌帷幄」；
- 小腦：專注于具體的「沖鋒陷陣」 。
開篇一些驚艷演示 ， 正是來自這第三條路線的最新破局者——阿里達摩院剛剛亮出的RynnBrain 。
它讓機器人首次擁有了時空記憶和物理空間推理能力 。
實測數據顯示 ， 得益于這種分層架構的優勢：
- RynnBrain在16項具身評測基準中 ， 全面超越了Gemini Robotics ER 1.5、Mimo-Embodied、Cosmos Reason 2等前沿模型 ， 部分核心能力提升幅度超30% 。
三條路線并非互斥 ， 而是從不同維度逼近真相 。
在這場通往通用機器人的馬拉松里 ， 最優解雖未落定 ， 但阿里達摩院已在無人區邁出了關鍵一步 。
核心技術解密
答案沒有捷徑 。
要造「大腦」 ， 得先解決一個更基礎、卻也更棘手的問題：如何讓機器真正「看懂」物理世界？
前傳：為大腦裝上「火眼金睛」
現有的大模型雖然能用詩意的語言描述圖像 ， 卻對物理世界中物體的材質（是軟是硬？）、功能（能坐還是能開？）、真實尺度（多高多寬？）完全「摸不透」 。
為此 ， 達摩院與浙大團隊打造了一雙極致的「眼睛」——RynnEC 。
RynnEC在基礎VLM之上 ， 創新性地引入了專門的區域編碼器（Region Encoder）和基于SAM2的掩碼解碼器（Mask Decoder） 。
這種設計讓模型不再局限于籠統地「看圖說話」 ， 而是具備了區域級別的視頻交互能力 ， 能夠精準鎖定局部物體 。
為了訓練這雙「眼睛」 ， 團隊設計了一套如同人類認知課程般的四階段訓練范式 ， 從最基礎的掩碼對齊開始 ， 逐步注入顏色、材質等物體屬性知識 ， 再進階到距離、方位等空間推理 ， 最后通過指代分割防止遺忘 。
經過這套嚴苛課程的「特訓」 ， RynnEC不僅能回答關于物體屬性的復雜問題 ， 還能在視頻流中實時生成分割掩碼 ， 真正理解了物理世界的幾何與語義 。
RynnBrain正是繼承了RynnEC這雙「火眼金睛」的數據和能力 ， 并在此基礎上長出了負責邏輯推理和時空規劃的「大腦」 。
以小博大：高效的MoE架構
在擁有了極致的感知后 ， RynnBrain在模型架構上選擇了「效率至上」 。
它基于Qwen3-VL底座 ， 使用自研RynnScale架構 ， 讓Dense模型和MOE模型訓練加速兩倍 。
- 輸入端支持任意分辨率圖片、多視角圖像和視頻；
- 輸出端則統一了區域、軌跡、點集、夾爪位姿和文本等多種具身相關模態 。
這種設計讓機器人既擁有大模型的智商 ， 又具備端側部署所需的快速響應能力 。
攻克頑疾：解決物理幻覺與健忘
針對傳統大模型在物理世界中「看不準」和「記不住」的痛點 ， RynnBrain引入了兩項關鍵技術：
? 全局時空回溯
具身智能領域中 ， 很多機器人是「魚的記憶」 ， 看一眼忘一眼 。
舉個栗子 ， 讓機器人去廚房拿可樂 ， 結果剛轉個身 ， 就忘了廚房門在哪 ， 或者忘了剛才看見的可樂在桌子左邊還是右邊 。
為此 ， RynnBrain引入了「全局時空記憶」 。
這種能力讓機器人能夠在完整的歷史記憶中建立起涵蓋空間、位置、事件、軌跡等多維度的三維認知表征 ， 而不僅僅是簡單地批處理歷史圖像 。
通過這種深度的時空建模 ， 模型能夠在當前視野受限的情況下 ， 精準定位歷史畫面中出現過的物體或目標區域 。
甚至在復雜的動態環境中 ， 它還能基于歷史信息預測運動軌跡 ， 賦予了機器人一種類似「心眼」的能力 ， 即便轉過身去 ， 依然能在腦海中清晰地構建出周圍環境的完整地圖 ， 從而實現可靠的全局回溯 。
? 文本與空間交錯推理
大模型最愛「一本正經地胡說八道」 。 在物理世界 ， 這種幻覺是致命的 。
RynnBrain拋棄了純文本推理范式 ， 采用了一種「文本與空間定位交錯」的策略 。
簡單說就是 ， 「邊說邊指」 。
模型在輸出推理文本的過程中 ， 必須將提到的物體或區域與視頻流中的具體像素位置進行強制綁定（Grounding） 。
如果模型無法在物理空間中指出它在談論什么 ， 它就不會生成相應的文本 。
這種「言必有據」的機制充當了一個嚴厲的考官 ， 迫使推理過程緊密扎根于物理環境 ， 從而極大地抑制了純文本模型中常見的物理幻覺問題 ， 確保了每一個指令都是可執行、可驗證的 。
訓練策略：全真數據的「暴力美學」
在訓練數據上 ， 達摩院做了一個反直覺的決定：全部使用真實數據 。
為此 ， RynnBrain構建了龐大的數據工程 ， 在預訓練階段 ， 采用了2000萬高質量數據對 。
具體數據包括以下四大方面：
- 通用多模態數據：復用自研Video-Llama 3數據 ， 并融合LLaVA-OV-SI、LLaVA-Video等多個開源視頻問答數據 。
- 具身認知數據：復用自研RynnEC訓練數據 ， 并引入Sensenova-SI、VSI-590k、Molmo2提高模型的空間理解和動態計數能力 ， 以及自生成100萬自我為中心的OCR問答數據 。
- 具身定位數據：五大定位任務分別標注大量視頻和圖像數據 ， 分別為：物體定位、區域定位、操作點定位、軌跡定位和夾爪位姿定位 。
- 規劃數據：導航和操作兩類數據 ， 前者使用R2R和RxR數據和ScaleVLN的開源數據 ， 后者數據來自OpenX-Embodiment和AGIBot 。
在這里 ， 達摩院采用了「AI生成+人工清洗」的策略——
利用Gemini 2.5 Pro生成初步推理鏈 ， GPT-4o-mini進行實體分類 ， 最后由人工對關鍵物體和區域進行畫框精標 。
值得注意的是 ， 所有定位結果都會以結構化格式<object/area> <frame n>: ...; (coordinates)</...>融入推理文本 ， 從而實現語言與空間的對齊 。
這種方法既保證了視覺的「全真」 ， 又保證了文本邏輯的「高智商」 。
后訓練：能力的「無限擴展」
作為基礎底座 ， 在后訓練階段 ， RynnBrain展現了極強的泛化與下游任務適配能力 。
在導航后訓練中 ， 團隊基于導航SOTA模型StreamVLN的訓練數據 ， 微調了RynnBrain模型 。
在架構完全不變的情況下 ， RynnBrain-Nav導航成功率比原來SOTA提升了2%-3% 。
相較于Qwen3-VL ， 在相同的數據下微調 ， RynnBrain作為基礎模型可以讓導航能力額外提升5% 。
這組數據有力證明了 ， RynnBrain在具身相關任務中預訓練的作用巨大 ， 拉高了后續微調模型的上限 。
另外 ， 在操作規劃任務中 ， 僅用幾百條數據微調 ， RynnBrain-Plan-30B(A3B)便在域內和域外的任務上全面超越Gemini 3 Pro 。
要知道 ， 規劃任務通常要求模型 ， 具備極強的預測能力和場景解析力 。
這恰恰充分體現了 ， 論文中「文本與定位交錯」規劃方式 ， 更適用于復雜多變的物理世界 。
達摩院的下一步：從大腦到OS
具身智能的賽道上 ， 從不缺重量級玩家 。 但真正的變量 ， 往往來自沉默的深耕者 。
在外界看來 ， 達摩院似乎是一位新晉選手 。
但實際上 ， 早在2023年 ， 這支團隊便已在具身智能的深水區低調潛行 ， 并構建起一套完整的技術版圖 。
達摩院的野心 ， 遠不止于模型 。
去年8月 ， 達摩院首度亮劍 ， 開源了具身智能「三大件」：
自研VLA模型 RynnVLA-001-7B 、世界理解模型 RynnEC， 以及機器人上下文協議 RynnRCP。
其中 ， RynnRCP協議的戰略意義尤為關鍵 。
它之于具身智能 ， 恰如MCP之于AI智能體——在異構的數據、模型與機器人本體之間 ， 構筑了一座無縫連接的橋梁 。
目前 ， RynnRCP已成功適配Pi0、GR00T N1.5等熱門模型及SO-100、SO-101等多款機械臂 ， 生態朋友圈正在極速擴張 。
從物理AI到機器人OS
放眼全球 ， 從科技巨頭到獨角獸 ， 都在涌入「物理AI」這一新戰場 。
老黃更是斷言 ， AI與機器人的結合正在醞釀數萬億美金的機遇 ， 是無可爭議的下一個前沿 。
在這一共識下 ， 達摩院的路徑異常清晰：先造大腦 ， 再造OS 。
一個能感知、推理、決策的具身大腦 ， 是機器走向自主化的前提；而對硬件的精密控制、平臺級的架構支撐、上下游的生態整合 ， 則是讓大腦落地的軀干 。
但這只是鋪墊 ， 達摩院更長遠的目標 ， 是打造一個通用的「機器人OS」 。
正如PC時代的Windows、移動時代的Android ， 具身智能亟需一個統一的底層系統 ， 來承載算法與硬件的復雜交互 。
從昔日的「火眼金睛」 ， 到如今的「具身大腦」 ， 再到未來的「機器人OS」 。
屬于達摩院的征途 ， 才剛剛拉開序幕 。
One More Thing
這一次 ， 達摩院繼續秉持極致開源的理念 ， 帶來了重磅更新：
- 全系列模型開源
- 全新評測基準RynnBrain-Bench
- 全棧代碼開源
GitHub:
https://github.com/alibaba-damo-academy/RynnBrain
Hugging Face:
https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain
項目主頁：
https://alibaba-damo-academy.github.io/RynnBrain.github.io/
推薦閱讀
- 英偉達研究：看完44000小時人類視頻后，機器人學會想象物理世界
- 三星展示最新高端技術品牌：讓屏幕壽命延長一倍
- 黃仁勛和SK會長崔泰源上周曾有會面 距上一次會面僅3個月
- 華為前高管貪腐案后續：原多媒體技術部部長鄧某遭批捕，曾在榮耀任研發總裁
- 2026年3000元最值得買的掃地機器人，閉眼入不踩坑！
- 消費級顯卡就能跑！雷軍公布小米機器人最新進展：真機運行畫面首曝
- 視頻模型能解決機器人“預測未來”的問題嗎？短期能，長期不行
- AI購物全面激發縣城即時零售消費潛力 用千問點淘寶閃購百貨訂單六天增長超8倍
- Qwen-Image-2.0炸場：1K長文本硬吃，中文生圖徹底不擰巴了
- 2026年2000元最值得買的掃地機器人，都是高性價比之選！