田晏林 发自 凹非寺
量子位 | 公众号 QbitAI
特斯拉开源硬件专利后，所有人都在等：中国公司怎么回应？
现在答案来了——跟风硬件没意思，要开源就找比硬件更值钱的东西。
4月22日，智平方发布AlphaBrain Platform开源社区。这是全球首个一站式、开箱即用的具身智能模型开源社区。
注意，这次不是单模型开源，智平方联合港科大（广州）熊辉团队直接拿出了一套“顶配全家桶”：
具身前沿技术（类脑/世界模型）最全架构覆盖（RL/传统VLA/类脑）最自由组合能力（跨范式即插即用）最公平评估标准（统一Benchmark）最广泛开发社群（汇聚全球产学研开源力量）这些原本只存在于顶尖实验室的前沿技术，现在全部开放！任你取用！
有开发者评价：
以前开源是给你一个工具，现在开源是直接给你一个工具箱。
2023年成立的智平方，专注AGI原生的通用智能机器人，目前公司规模近300人。
因一年12次融资，该公司被外界称为全球具身智能领域融资节奏最快的独角兽。摩根士丹利也把它列为具身基础模型的代表企业。
此时拿出这样一套“工具箱”，智平方有什么考量？
过去两年，具身智能涌现了大量开源模型。但一个尴尬的现实是：开源模型很多，真正“好用”的很少。
开发者还是要面对各种问题：这个模型怎么跑起来？那个模型跟它比谁更强？我想做的创新能不能落地到真实场景？
现在，AlphaBrain Platform选择开源“让模型跑起来、比得清、落得地”的全链路能力，方便复现、方便对比、方便场景化落地。
信号已经很明确了：中国具身智能的开源战，正式进入头部玩家卡位阶段。
5大技术亮点，有3个最值得看前面说过了，这套“顶配全家桶”集齐了业内五大核心技术。
其中最受关注的，当属世界模型、类脑模型、RL Token和持续学习算法。
它们是当前具身智能领域最火的技术路线，各有各的狠活儿。别急，咱们一个个来看。
世界模型：最火的“想象力引擎”AlphaBrain Platform最硬核的地方，是把世界模型的能力给拉满了，带来了全球首个可插拔世界模型架构（WA）。
亮点有主要有2个：
1、原生集成NVIDIA Cosmos Policy原始权重。
这可不是挂个名头。
开发者可以直接加载NVIDIA Cosmos Predict2那个2B参数的DiT原始预训练权重，在latent space里通过视频扩散模型预测机器人动作。
说白了，就是把NVIDIA最核心的那套“动作预测”能力，原封不动地搬了过来，可训参数约1,956M，这底子打得够厚。
2、预设三大主流世界模型Backbone，自由切换。
Meta的V-JEPA 2.1（约18亿参数），视频联合嵌入预测架构；VIDIA自家的Cosmos Predict系列（约21亿参数）世界模型；通义万相的Wan 2.2（约50亿参数），是这三款中体量最大的一个，主打大规模文本-视频生成。这阵容拿出来，基本就是把全球顶尖的世界模型一网打尽了。
这三个Backbone可以在Flow-Matching解码器中进行自由切换。
啥意思？就是一个动作解码器（约1.1亿参数），喂给这三个世界模型都能用。
AI生成
开发者想对比不同世界模型在同一个任务上的表现，一键切换就行了。
训练模式切换也做到了极致简化。
一条命令，就能通过统一配置入口切换训练模式，只需要简单修改配置文件即可运行。
RL Token：强化学习+VLA的黄金组合智平方自创立起，便确定了构建物理世界大模型的核心技术方向，在行业尚未形成共识前，率先布局VLA架构。这些年对VLA的研究一直没有停下。
在面对VLA结合强化学习的研究方向时，开发者往往要面对两座大山：动辄数十亿参数带来的极低的推理效率的门槛，以及微调时极易引发的“灾难性遗忘”难题。
RL Token则是打破这一僵局的“黄金组合”，也是让大模型真正可落地的场景化利器。
智平方率先在LIBERO环境上完成了该路线的验证，并提出了一套对开发者极其友好的开源优化方案。
这套方案的核心突破在于：
1、信息瓶颈编码与VLA主体冻结
为了解决算力开销和遗忘问题，方案引入了信息瓶颈编码器与两阶段训练策略。
在RL微调阶段，庞大的VLA主体参数被完全冻结。这不仅守住了模型原有的通用能力底线（避免灾难性遗忘），更让训练的计算成本实现了断崖式下降。
2、降低RL的训练门槛
通过架构优化，系统所需训练的参数量从原本庞大的3.9B骤降至约137M（仅占VLA总参数的3.5%）。
更硬核的是，在实际的强化学习梯度更新环节，仅涉及极轻量的1.3M参数。
这意味着，开发者不需要庞大的算力集群，仅需单张普通消费级RTX 4090显卡，就能跑通VLA的强化学习后训练（Post-training）。
3、告别推翻重来，实现“稳定进化”
换句话说，广大开发者可以在不破坏模型原有能力的前提下，对特定任务进行低成本优化。
大模型终于可以像人类一样，在已有的丰富经验基础上不断精进，而不是每次遇到新场景都反复推翻重来。
这套方案证明了强化学习+VLA这对黄金组合，可以让每个行业、每个场景都用它来定制自己的“能干活的AI”。
持续学习：数据洪流下的“不会忘”工程机器人一旦真实部署，每天都在产生新场景、新任务、新技能。
传统训练模式有个老大难问题——学新的忘旧的，也就是业内公认的“灾难性遗忘”。
要做通用智能机器人，持续学习（Continual Learning，CL）是绕不开的底层能力。
AlphaBrain Platform在这一块做了比较系统的工程化工作：把CL从“单模型上的研究玩具”推向多架构可复现的对比平台。
技术亮点主要有3个：
1、多架构横向对比
当前前沿的VLA架构——QwenGR00T、NeuroVLA、LlamaOFT、PaliGemmaOFT——都被纳入了同一套CL验证流程。
每个架构上都跑了全参与LoRA两种训练变体，形成统一基准下的横向对比，而不是只在某一个backbone上秀单点效果。
2、跨架构解耦：算法和模型互不侵入
CL算法接口和业务模型完全解耦——换backbone成本极低。
想把Experience Replay换成别的CL方法？实现一个统一的抽象类，所有架构即可自动适配。
LoRA的注入、保存、加载合并也抽成独立模块，对外只暴露少量清晰API。
也就是说，算法研究者不用啃每个VLA的实现细节，模型开发者也不用操心CL算法内部怎么跑，双方各司其职，协作成本降一档。
3、开箱即用的训练-评估链路
从训练一条命令启动，到矩阵评估、遗忘分析出结果，整套pipeline有配套的wrapper和文档。
LoRA路线下的checkpoint体积也显著小于全参版本，对显存和存储更友好，更多研究者能在自己机器上复现和二次改造。
总而言之，以前做“一个模型连续学多个任务还不忘”这类实验，光搭环境就够折腾一阵。
现在这套工具链把门槛降了一档：实现了一键切换架构、可复现、可对比、可扩展。
类脑模型：VLA的未来前面讲了“想得远”和“学得快”，但真正让机器人像人类一样“边干边学、越干越聪明”的，还得是类脑计算。
智平方这次拿出来的euroVLA，是全球首个支持在公开基准上验证的类脑具身开源模型。
它不是简单贴个“类脑”标签，而是从底层架构上，向生物脑的学习机制迈了一大步。关键的设计有4个：
1、脉冲神经网络（SNN）动作头
传统AI输出的是连续数值，像开关一样，要么0，要么1。NeuroVLA引入了LIF（Leaky Integrate-and-Fire）神经元，用脉冲编码来输出。
它在模拟生物神经元的“放电”机制。有刺激才发脉冲，没刺激就歇着，更像人脑的工作方式。
2、R-STDP训练算法
这名字听着复杂，核心就一件事：让机器人能从“成败”中学习。
它支持反向传播+STDP的混合模式，以及纯STDP模式。
奖励信号会调制神经元的连接强度，做对了就强化，做错了就弱化。这就是生物大脑里的“用进废退”。
3、在线STDP测试时自适应
大多数模型部署后就定型了，遇到新环境只能认栽。
但NeuroVLA不一样，它在运行阶段不需要反向传播，只靠环境交互产生的自监督奖励信号（比如状态预测准不准、动作顺不顺滑），就能实时更新SNN权重。
关键是，零额外计算开销。也就是说，机器人一边干活一边学习，还不费算力。
4、GRU-FiLM动作精修模块
SNN输出之后，还有一个“精修师”在把关。
GRU-FiLM模块会基于机器人当前的本体状态（比如关节角度、速度），对动作进行条件性修正。粗调之后再来个精调，动作精度直接拉满。
简言之，以前的机器人，出厂啥样就啥样，遇到新场景只能傻眼。
NeuroVLA这套方案，让机器人拥有了“终身学习”的能力，不仅边干边学、越干越顺手，学习成本还几乎为零。
这不就是生物大脑最核心的优势吗？
这个“顶配全家桶”，可以用来做什么？聊完技术，咱来说一个更实际的问题：这个“顶配全家桶”到底能拿来干啥？
四个字：拿来就用。
全球范围内，只有两家创业公司能把VLA模型做到开源，一家是智平方，另一家是Pi。
但和Pi开源单个模型不同，智平方这次玩了把大的，把自己家的模型和其他头部模型开放集成。
最牛的模型，马上能用。它开源了自己最先进的三个“全球首个”模型、不用调依赖，直接上手。
哪个模型好，开发者一测便知。 统一Benchmark，一键评测。世界模型A和世界模型B谁更强？跑一下就知道了，不用自己搭擂台。
而且，它把路直接给开发者们铺好了：从数据到训练，从架构到测试，场景落地，有一整套工具链。
更狠的是，消费级显卡就能跑，需训练参数降低到原本的3.5%。
想适配自己的机器人？低成本强化学习后训练微调，快速搞定。
类脑计算、世界模型、RL+VLA黄金组合——这些原本只存在于顶尖实验室的前沿技术，现在开源社区里就能拿到。
最未来的黑科技，直接拥有。
和Pi一对比，格局大小立见。
前者让你“有一个模型可以用”，但智平方让你“有多个模型可以选，而且能复现、能对比、能落地”。
当技术门槛被降下来，更多人能参与，行业共识也会更快形成。
开源这件事，智平方不是第一次干了。
作为全球具身智能大模型的领跑者，智平方自主研发的AlphaBrain，致力于为通用智能机器人提供“最强大脑”。
早在2024年6月，智平方就扔出了AlphaBrain的初期版本，这也是该公司首个开源的VLA模型。
当时有个数据挺有意思：模型规模只有谷歌同类的1/20，但性能反超了80%。
这波操作直接入选了NeurIPS 2024，连图灵奖得主Yann LeCun都公开关注并引用了。
到了2025年7月，智平方推出了快慢系统深度融合的新一代VLA架构，这是业内首个“异构输入+异步频率”的双系统VLA模型，性能直接超越国际标杆Pi0达30%。
它更以117.7 Hz的超高控制频率，重新定义了机器人“又快又聪明”的可能性。
当行业近期开始热议“世界模型”时，智平方早在2023年下半年便率先提出：世界模型不应是VLA的外接模块，而应深度内生于模型之中。
基于这一前瞻认知，AlphaBrain在2025年11月吸纳了新一代架构Video2Act的最新成果——实现“先预测、后执行”。
如今，智平方再次引领突破——开源了全球首个类脑VLA模型（NeuroVLA），并将其融入AlphaBrain。
从AlphaBrain再到今天的AlphaBrain Platform，智平方走了一条“先自己跑通，再开源给所有人”的路。
“最像特斯拉”的中国机器人公司说实话，智平方这次把这么多好东西直接摊在桌上，我属实没想到。
它为啥敢这么干？到底什么来头？
资本和产业界给智平方贴过同一个标签：“最像特斯拉”的中国机器人公司。
因为端到端的思考最早由自动驾驶行业提出，特斯拉是最早走端到端大模型技术路线的企业。
智平方则是人形机器人赛道，首家引入该理念的公司。
创业之初，智平方就是奔着“物理世界大模型”去的，明确坚持VLA技术路线，是行业中最早推动具身大模型从概念走向落地的团队。
AlphaBrain采用原创模型架构，拥有完整的数据-训练-迭代闭环体系，而非套用开源方案。
该公司创始人兼CEO郭彦东，本硕就读于北京邮电大学，后赴美就读普渡大学电气与计算机工程博士，师从AI领域的美国工程院院士Jan P. Allebach和Charles A. Bouman。
他还曾在微软美国研究院参与过深度学习技术研发。
回国后，郭彦东担任过小鹏汽车和OPPO的首席科学家与研发高管，曾主导数亿台智能终端的AI研发工作。
2021年，郭彦东获得中国图像与图形学会技术发明一等奖，并在国际顶级期刊上发表了100余篇论文（被引用超万次）。
2025年，他被任命为香港科技大学（广州）兼职教授，还入选当年福布斯中国科创人物。
同一年，他的团队有数十篇论文被顶级会议收录，仅NeurIPS就达6篇，在世界模型、多模态理解与VLA方向持续获得国际认可。
智平方不只有郭彦东坐镇，还拥有最高密度的科学家团队，其中有5位斯坦福全球前2%科学家。
来自微软、谷歌、OPPO、小鹏、Momenta，以及清华、北大、中科院、CMU、伯克利的成员也不少。
智平方最不一样的地方在于，它是行业稀缺的生产力型通用智能机器人玩家。不搞表演、不堆demo，专攻真正能干活、能交付的机器人。
AI公司容易犯一个毛病：模型很牛，但落不了地。
智平方的创始团队脱胎于手机和汽车产业，对“端侧智能”和“规模化量产”的理解几乎是刻在骨子里的。
他们太清楚什么叫“要在真实产线上扛住压力”。
他们打造的轮式通用智能机器人AlphaBot（爱宝），由AlphaBrain大模型驱动，2025年开始在工业场景规模化应用。
所以你会看到这样的数据：
2025年9月自建产线启用；同月，与全球前三的液晶面板厂商惠科签了5个亿的大单。这也是全球生产力型机器人最大的单一订单；2025年12月，单月百台级AlphaBot 2真实交付；2026年产线规划扩至万台规模。直接把“演示型机器人”和“生产力型机器人”划清了界限。
作为工业场景之外的第二增量曲线，2025年底，其推出的全球首个模块化具身智能服务空间“智魔方”，已在北京、深圳、上海、贵州、福建等多地常态化运营。
最后说两句，智平方之所以敢和以前所有开源都不一样，是因为它不想只秀肌肉，更想做标准的制定者。
中国具身智能的开源竞赛，已经进入头部玩家的卡位阶段。
智平方这一拳，打得很重。
开源社区链接：https://www.alphabrain-platform.com/
盛达优配提示：文章来自网络，不代表本站观点。
