为机器人打造长效记忆大脑，华为+字节科学家们的AGI破局路线 来源： • 更新时间：2026-07-02 05:17:55 • 越来越多的机器人正在尝试走入家庭，但离融入家庭，还有着很长的体验鸿沟。这固然与行业发展现状有关，硬件可靠性低、高质量训练数据稀缺、模型架构有短板和无法形成有效的数据飞轮仍是具身智能行业的四大痛点。但从消费级场景需求来看，机器人落地家庭最核心的短板其实是记忆缺失。因为没有记忆，机器人只能完成单次问答，转头就忘记了之前的对话内容，同样也记不住家庭户型布局、物品位置和用户生活习惯。像收拾客厅、找物品这类长程任务，没有记忆的机器人完全无法胜任，更无法为用户提供个性化服务。一家今年3月才正式运营的具身智能公司——贝塔无限正在破解机器人“记不住”的痛点。这家公司，由清华电子系校友刘武龙、陶帅联合创办，刘武龙拥有华为自动驾驶、大模型集群系统工程落地经验，陶帅深耕字节、腾讯 C 端个性化AI系统研发工作。两人以互补的技术与工程能力创业，希望通过消费级场景应用驱动实现通用具身智能。公司成立后，短期吸引汇聚了数十名AI天才少年加入，并且获得资本的火热追捧，已连续完成种子轮、种子+轮数亿元融资。就在前几天，贝塔无限发布其首创的全时空多模态记忆具身大脑架构BetaMem及其Demo视频。视频中的机器人不仅能记住所处环境的时空、人物信息，还记住了所发生事件的具体场景，从而实现从冰箱中拿可乐、帮用户找到遗落的钥匙等高频且真实的需求。创业邦，赞778高管组队造机器人押注消费级场景刘武龙和联创陶帅是老同学，两人均毕业于清华大学电子系。读研时两人在同一个实验室，学生时代就建立了信任和合作基础。正是2025年年底实验室的一场聚会，让两人有了一起创业的契机。“我们想做一个消费级场景的机器人，陶帅说他也在做，”刘武龙说，“我们很快达成了合作创业的共识。”刘武龙之前在华为工作了十年，曾任加拿大AI研究所所长，做过大模型工程，孵化华为智能驾驶业务，主导昇腾万卡集群训推系统的从0到1，有着大模型、系统算法、软硬一体开发的技术积累；陶帅在字节、腾讯工作过，在字节带领了百人AI研发团队，打造出“千人千面”复杂AI系统，一直长期深耕C端个性化系统。“我们两人组合起来，就具备了消费级的机器人应有的关键技术要素。”刘武龙表示。这种互补，也延伸到创业后的分工上。从两人的过往经历看，刘武龙长期参与复杂系统工程、AI团队管理、产品量产交付，对跨团队组织、资源协调和产品落地更熟悉；陶帅则长期深耕AI研发和C端个性化系统，更偏向技术研发体系的搭建。2026年3月，贝塔无限正式开启运营，刘武龙做CEO，陶帅做CTO，瞄准消费级具身智能产品。贝塔无限CEO刘武龙（左）和CTO陶帅选择消费级场景打造机器人，最初是源于刘武龙生活中的一个场景。之前他在国外工作了三年，一年只能回国一次。他和年幼的女儿的情感连接，只能靠视频通话。女儿当时只有三岁，聊不了多久就烦了，把手机扔在一边。家人只能拿着手机追着孩子，让她跟爸爸再说两句。刘武龙当时就冒出了个想法：一定要做一个home robot（家庭机器人），让孩子喜欢、家长放心、能增强家庭情感连接的家庭伙伴。图源：AI生成这是个感性的小插曲。从理性层面分析，刘武龙瞄准消费级场景，有几个因素。首先是，大模型带来的技术范式的改变，和消费级市场匹配度极高。在此之前，传统机器人和自动驾驶都是做感知、检测、控制，严格按轨迹执行。但在大模型加持下，具身智能开始有了泛化能力，能够让机器人有了“举一反三”的可能。刘武龙认为，这意味着具身智能的技术新范式已经到来。类似iPhone改变手机市场、Tesla改变汽车市场，本质上是技术变革带来的系统性机会。在新的技术周期里，具身智能最核心的差异性优势在“大模型+AI应用”，以往机器人厂商所积累的传统运控能力可能会被很快抹平甚至超越。这是一个在新战场用新武器打的新战役。其次，消费级市场能迅速产生数据飞轮，让用户体验越来越好。“工业级场景数据单一，具身智能难以形成数据飞轮。”刘武龙认为，产品产生规模化应用，才能产生大量数据回流，再用这些数据训练模型、调优、部署，系统才能转起来，具身智能才能越用越好。“车是部署500台就能有第一个数据飞轮，而机器人空间问题更复杂，预估单一场景下2000台部署才会有第一个数据飞轮。”刘武龙说，“机器人的数据飞轮，首先应该发生在消费级场景。既然目标是通用人工智能，那么，率先建立体系闭环的公司才能活到终局。”最后是商业空间的考虑。刘武龙创业，就是想做一件有市场想象力、有大的经济价值和社会价值的产品。而具身智能消费市场刚好是个万亿市场。他认为，创业公司真正能成长为巨型公司的机会，还是在C端。“B端垂直场景如果足够大，大厂会进来，把标准解决方案搬过去。但C端可以和用户建立连接、建立心智。用户一旦习惯用产品，大厂再出竞品也不一定能搬动。”刘武龙说。先解决长期记忆痛点提出具身统一大脑解决方案机器人要进入家庭，是贝塔无限一开始就定下的目标。在刘武龙看来，AI发展到如今，机器人的演化方向应该是一个足够自主的产品，不能等人开口，要在真实空间里移动、观察、判断，理解用户没有说出口的习惯。因此，机器人的大脑首先就要记住家庭成员以及他们习惯喜好，也要记住家庭空间以及发生过的数据。刘武龙认为，记忆是机器人大脑的底层能力，“无论是小猫小狗、高阶动物还是人，想持续做几小时的事，前提是它能记住几小时前做了什么。”因此，贝塔无限打造的第一项关键能力，就是记忆。就在6月23日，贝塔无限发布全时空多模态记忆具身大脑架构BetaMem，面向长程复杂任务，支持记忆不断演化，由端到端强化学习驱动。这个大脑架构，就是要让机器人记住人、记住物、记住空间，更加了解用户需求，这些记忆，都能指导机器人下一次行动。BetaMem把记忆拆成实体、空间、情景、语义、经验、程序等多个类型。其中，实体记忆帮助机器人判断“手机、可乐、钥匙”；空间记忆对应“沙发、门口、茶几的位置关系”；情景记忆记录“刚才发生过什么”；程序记忆则让机器人知道一件事该按什么顺序完成。以找手机为例。用户在家里找不到手机。有了记忆的机器人，不仅知道用户过去一小时在哪里活动，手机可能在哪里，还记得之前手机被高频遗忘的地点。机器人可以根据这些记忆去索引、查询、搜索，找到手机。与此同时，记忆还是保证家庭机器人“千人千面”个性化体验的基础。“每个家庭场景都不一样，很难完全标准化，千人千面的个性化是必要的。”刘武龙说，“个性化的前提是要记得过去发生过什么。比如知道用户最近需要按时吃药，知道用户每天回家比较晚，知道用户的生活习惯和喜好。”刘武龙表示，BetaMem是业界首个完备的全时空多模态记忆大脑架构，能够提升长程任务执行成功率，15min典型长程任务成功率较行业主流模型提升20%。机器人拥有完整时空记忆，长了“记性”，才能融入人的生活中，成为家庭的帮手。模型架构上，贝塔无限提出了原创的BetaBrain统一大脑解决方案。这是由自研BetaMem全时空多模态记忆架构，搭配BWAM（Beta World Action Model，基于Physics-Guided Reward System的RL后训练+真机RL的世界模型）。“这就类似 Harness框架，像以前手机的操作系统，能够编排、调用、分发不同功能的模型，持续完成长程任务。”刘武龙说，通过融合物理引导奖励机制与真机强化学习，打造具备物理认知、可持续进化的机器人大脑，实现更灵活的智能体验。从家庭伙伴出发做物理世界的Agent系统基于BetaBrain统一大脑解决方案，贝塔无限将会在年底推出一款先锋体验版家庭机器人。刘武龙表示，将会募集一批先锋用户来体验这款产品，经用户授权后，产品在家庭环境里使用，并提供反馈和授权数据。刘武龙透露，这款是一款小尺寸产品，外观可爱，有两个机械臂和末端执行器，底部采用更适合家庭通行和稳定性的底盘结构。家庭机器人第一要求是安全、稳定、不碍事。“我们目前不做纯双腿，这在短期内很难达到消费级的可靠性。即使像迪士尼的小雪宝（机器人），很矮的双腿，还是很容易倒。”在他看来，一个机器人如果在客厅里频繁摔倒，外观再像人也没有意义。先锋版本的机器人，定位家庭伙伴，主打提升用户生活体验。机器人会基于用户的习惯提供个性化服务，比如知道用户晚上11点到家，提前将拖鞋放到家门口，方便用户换鞋。“我们不代替人，只是让用户在家庭场景多个伙伴，在需要的时候做点事，搭把手。”刘武龙说，“越是这种情况下，人和机器人伙伴的连接关系会更强，比如小孩在客厅玩得特别乱，机器人打扫卫生不一定要完成度高达99.9%，可能只收拾个80%，就已经很超用户预期。”在硬件设计上，贝塔无限为了适应未来增加功能，在硬件层面做了一些冗余，包括传感器、电机和计算平台。刘武龙表示，像智能车，卖给用户时，车可能只能做泊车，后来可以在高速上用，再往后城区也能用。同一款车在生命周期内通过软件升级越用越好。“机器人也类似，我们希望这个产品放给用户之后，硬件不需要高频迭代，后续主要通过软件OTA升级。”在刘武龙设想中，他想做一家类似Tesla的公司。车是终端产品，也是Tesla最早被用户理解的基础。而真正长期投入的是，AI和自动驾驶能力。贝塔无限也类似，消费级机器人是产品入口，未来不论是自己做终端，还是和其他本体厂商结合，最终都指向同一件事——持续打造物理Agent系统。“具身智能刚起步，这个产业周期比自动驾驶的10年更长、更广。未来，机器人会逐步渗透到生活和工业场景里，可能持续50年、100年都不止，我们这一代人会见证机器人快速进化，也需要适应人机共融的新生活方式。”刘武龙说。“通用具身的真正落地，是个‘贝塔无限’的过程。” 本文采摘于网络，不代表本站立场，如有侵权，请联系删稿。转载联系作者并注明出处：http://www.china-datacenter.com/show-1566.html
