全球人工智能技术加速演进的背景下，如何让机器人具备更接近人的认知与执行能力，仍是行业核心难题。现有方案普遍面临两类瓶颈：以动作输出为主的模型难以覆盖复杂、多变的场景；以视觉理解为主的方案则缺少持续记忆能力，导致任务连贯性不足。这些问题直接影响机器人在真实环境中的落地表现。 针对此难题，我国科研团队取得新进展。最新发布的RynnBrain模型将时空记忆与物理推理两项能力融合，并在推理过程中采用文本与空间定位交错的策略，使决策始终对齐真实物理环境。测试数据显示，其推理速度较同类产品提升两倍，训练数据规模超过2000万对。 这一进展带来多上产业价值。其一，时空回溯能力让机器人在任务中断、状态变化等情况下仍能继续完成工作；其二，开源的7个全系列模型有望降低研发与验证成本；其三，30B MoE架构通过仅激活3B参数实现对传统72B模型的性能超越，提升了算力利用效率。 专家认为，该技术具备较强的应用潜力。在工业制造场景中，可增强产线机器人的自主决策能力；在服务机器人领域，有助于推动更智能的家政与医疗辅助设备研发；同时，开源评测基准RynnBrain-Bench为行业提供了可参考的测试框架，弥补对应的标准不足。 据研发团队介绍，这项成果是达摩院“大小脑分层架构”研究的重要节点。此前该院已陆续开源WorldVLA、RynnEC等关键技术组件。本次发布显示，我国在具身智能基础研究与工程化路径上持续推进，并在部分关键方向形成领先优势。
从“能回答”到“能行动”，从“单次完成”到“连续执行”，具身智能的突破不只取决于模型规模，更取决于对物理世界的长期记忆、可靠推理与可验证的评测体系。开放共享与标准化评测将加速技术扩散与产业协同，但真正的竞争力在于把能力沉淀为可规模部署、可持续进化的系统。随着关键基础能力逐步补齐，机器人走向更广阔的真实场景，正进入需要长期打磨与务实落地的新阶段。