机器人大脑的“生成”与“克制”之间,缺了一层什么

2026年的人形机器人已经能流畅对话、识别物体、完成抓取,但在真实物理世界里,它们仍然像一个没有疲劳感、也没有危险预判的“偏科生”。一个被反复讨论却迟迟没有标准答案的问题是:当端侧大模型输出“高速抓取易碎品”这类指令时,谁来拦住它?

行业主流路线是部署端侧VLA(视觉-语言-动作)模型,让机器人完成“从感知到动作”的映射。但据36氪报道,星辰智算创始人张中对这条路线有一个直接判断:“现在的机器人大脑,只懂生成,不懂克制。”在他看来,端侧模型在长序列复杂任务中容易因工作记忆过载而卡死或指令错乱,同时缺乏物理世界的“抑制控制”,会输出不可执行的危险指令。张中将这种现象称为“物理幻觉”。

星辰智算给出的解法不是继续卷大模型参数,也不是造机器人的四肢,而是在大模型之外加一层独立的“认知调度黑盒”。2026年11月,这家成立于2025年的合肥公司宣布完成数百万元战略融资,投资方为北京京师中教集团。公司称,本轮为种子+轮,资金将重点投向AI认知能力在教育场景下的认知学习力评测,以及人类思考、记忆、决策全过程下的脑力数据采集与模型训练。

字段 内容
公司 合肥星辰智算人工智能科技有限公司(星辰智算 SentiMind)
轮次 战略投资(种子+轮)
金额 数百万元
投资方 北京京师中教集团
总部 合肥
创始人 张中
官网 未披露

这笔融资的金额在创投市场上并不显眼,但它指向的问题却足够具体:具身智能是否需要在大模型与执行器之间,补上一个独立的认知调度层?星辰智算的答案是肯定的,而它用来训练这个调度层的数据,来自一个看似与机器人无关的场景——公立学校的认知测评。

从产业链约束看,独立认知调度层的价值取决于端侧VLA模型是否愿意让渡部分决策权。当前主流机器人厂商倾向于把感知、规划与控制压缩进同一模型,以减少模块间通信和部署成本。星辰智算提出的外挂式调度层若要被接受,可能需要证明其在危险拦截和任务降级上的响应速度显著优于模型内嵌方案,否则头部厂商可能更倾向于自行训练带抑制控制能力的VLA模型。这一产业博弈尚未有公开验证结果,Senti-OS能否成为标准中间件仍是待验证假设。

用游戏化认知任务采集“人类精力耗尽”的规律

星辰智算的产品逻辑建立在认知科学与多模态模型的交叉点上。公司称,其核心是用游戏化认知任务采集人的行为数据,再以多模态模型理解、预测和训练认知能力,构建覆盖“认知评估—训练—追踪”全生命周期的闭环体系。

这套体系的数据维度相当细。据公司通稿披露,数据覆盖学前至成人多个年龄段,记录学生在Stroop、N-back、任务切换等经典认知范式中的反应时延、点击与滑动轨迹、正确率、错误模式、策略切换频率、注意力衰减曲线、任务耐受度及试次快照等毫秒级行为时序特征。公司称,这类全过程、毫秒级数据的采集与标注门槛高、周期长、标准化难,成规模的高质量数据在行业内并不多见。

需要明确的是,上述数据规模、维度与采集标准壁垒的表述来自公司通稿,属单方声明,尚无独立第三方验证。36氪的报道本身也带有明显的通稿式表述,并未提供可交叉核验的客户名单、数据审计口径或第三方技术评估。

从已披露的信息看,星辰智算的差异化不在于模型参数,而在于数据来源。它把“人”的认知行为数据作为训练AI认知能力的原料。张中给出的解释是:“用真实人类‘精力耗尽’的规律,去训练机器人‘量力而行’的调度模型,这是纯机器人数据无法复刻的。”这句话的逻辑链是:传统机器人厂商多依赖仿真合成数据,无法模拟人类真实的注意力衰减与犯错规律;而星辰智算通过ToB/ToG场景采集到的人类认知时序数据,恰好覆盖了这些规律。但这条推理链的边界也很清楚:公司尚未披露这些人类认知数据在端侧机器人场景中的迁移效果,也没有公开真机验证结果。

从数据生产机制看,游戏化认知任务采集到的行为时序数据具有场景依赖性。学生在Stroop或N-back任务中的反应时延和注意力衰减曲线,反映的是人类在特定认知负荷下的表现,未必能直接映射为机器人在连续操作任务中的算力调度策略。若要将这类数据用于训练端侧调度模型,可能需要重新标注动作安全边界和任务优先级,而公司通稿未披露这一迁移标注的具体方法。这意味着“用人类精力耗尽规律训练机器人量力而行”的路径,在数据可用性上仍存在需要验证的环节。

Senti-OS想当机器人的“前额叶”,但还停在软件算法阶段

星辰智算面向具身智能的核心产品是端侧认知调度黑盒Senti-OS。公司称,这套系统以1-3B的轻量化认知小模型为核心,扮演机器人的“前额叶”。当大模型输出指令时,Senti-OS会进行认知负荷评估与物理可行性校验,在算力不足时主动降级任务,在动作危险时强行拦截。

这个定位的巧妙之处在于,它避开了与大模型厂商和机器人本体厂商的正面竞争。星辰智算不做通用大模型,也不造机器人的四肢,而是切入了两者之间的调度层。从产业链分工看,这是一个相对空白的环节;但从工程落地看,这也是一个对实时性、功耗和芯片适配要求极高的环节。

公司通稿明确承认,星辰智算正处于从“软件算法”向“端侧芯片适配”跨越的关键节点。这意味着Senti-OS目前的核心能力仍停留在算法层面,尚未完成在端侧芯片上的量化封装与真机验证。公司已启动新一轮天使轮融资,资金将重点用于招募嵌入式AI架构师、完成1-3B认知小模型的量化封装,以及联合头部机器人厂商推进真机验证。但联合哪些头部机器人厂商、验证的具体指标和时间表,均未披露。

从技术路径看,1-3B参数量的小模型在端侧部署的可行性已被行业广泛讨论,但“认知调度”本身是否需要一个独立模型,仍是一个待验证的假设。一种替代方案是将认知负荷评估和物理可行性校验直接集成到VLA模型的训练目标中,而不是外挂一个独立的调度层。星辰智算的“分层”解法在架构上更灵活,但也引入了额外的通信延迟和系统复杂度。这些权衡在真机验证之前,都只能停留在纸面推演。

从部署条件看,1-3B参数量的小模型在端侧运行仍需面对芯片算力、内存带宽和实时性约束。Senti-OS作为独立调度层,需要在大模型输出指令后、执行器动作前完成认知负荷评估与物理可行性校验,这一过程的延迟上限可能由机器人控制周期决定。公司通稿未披露Senti-OS的目标响应时间、功耗预算或支持的芯片平台,因此其能否满足工业或服务机器人的实时控制要求,仍缺乏可评估的技术指标。

一端服务人,一端服务AI:教育测评是数据入口还是主营业务

星辰智算的商业模式被公司概括为“一端服务人、一端服务AI”。面向人,服务儿童学习困难筛查、天赋发现、成人职业匹配与老年认知衰退等场景;面向AI,为下一代大模型提供认知数据与机制启发。底层ToB/ToG业务包括公立学校认知筛查和教培机构测评。

公司通稿称,底层ToB业务已在合肥多所公立学校及头部教培机构跑通闭环,并沉淀了超300万真实脱敏认知行为数据、500余款游戏化认知任务库,以及认知行为大模型V1.0。这些商业场景据公司称提供了健康的现金流,同时成为生产稀缺认知数据的“兵工厂”。

但这里存在一个关键的收入结构问题:教育测评业务究竟是星辰智算的长期主营业务,还是仅为具身智能调度层提供数据燃料的过渡性业务?公司通稿没有披露教育业务的收入规模、客户数量或合同金额,也没有说明“跑通闭环”的具体财务含义。从本轮资金用途看,重点仍放在教育场景下的认知学习力评测和脑力数据采集上,而非直接投向机器人端侧适配。这意味着在短期内,教育测评可能仍是公司最主要的商业化抓手,而具身智能调度层更像是一个需要持续投入的远期方向。

投资方北京京师中教集团的背景也值得注意。公开信息中,这家机构与教育领域关联密切,其战略投资逻辑可能更看重星辰智算在教育测评场景的落地能力,而非纯粹的具身智能故事。这或许解释了为什么本轮资金用途中,教育场景的优先级高于端侧芯片适配。

从资金投向看,本轮融资明确优先支持教育场景下的认知学习力评测和脑力数据采集,而非端侧芯片适配。这可能反映公司当前的商业化重心仍偏向教育测评,因为该业务据称已产生现金流,而Senti-OS尚未完成真机验证。若教育测评的收入规模足以支撑公司运营,具身智能调度层可以保持较低成本的研发节奏;但若教育业务收入有限,两条战线并行可能加剧资金压力。公司通稿未披露教育业务的收入或合同数据,外部难以判断其自我造血能力。

团队跨界配置完整,但“铁三角”的学术端仍是一个模糊地带

据36氪报道,星辰智算构建了由科学家、工程师和商业操盘手组成的“铁三角”。工程端CTO吕刚为前首旅集团CTO,拥有20年复杂系统架构经验,负责将脑科学算法“瘦身”量化并适配到端侧芯片;商业端COO梅健为清华MBA,曾操盘8848手机与小罐茶等品牌,负责底层模型商业化与渠道规模化拓展。

学术端的表述则相对模糊。公司通稿称,学术端“由清华大学与北师大认知神经科学与学习国家重点实验室相关教授支撑”,但未披露具体教授姓名、合作形式或知识产权归属。这与工程端和商业端的具名披露形成对比。在脑科学与AI的交叉领域,学术背书对技术可信度至关重要,但“相关教授支撑”这一表述无法判断是深度联合研发、顾问合作还是品牌授权。

从团队配置看,CTO吕刚的复杂系统架构经验对端侧芯片适配有直接价值,COO梅健的消费品牌操盘经验则可能有助于教育测评产品的渠道拓展。但具身智能调度层需要的是嵌入式AI、实时系统和机器人中间件的工程能力,这与前首旅集团CTO所面对的复杂系统架构是否完全匹配,仍是一个需要观察的问题。公司在新一轮天使轮融资中计划招募嵌入式AI架构师,也侧面说明当前团队在端侧工程能力上仍有缺口。

从团队能力与产品阶段的匹配看,公司计划在新一轮天使轮中招募嵌入式AI架构师,说明当前团队在端侧芯片适配和实时系统方面仍需补强。CTO吕刚的复杂系统架构经验可能有助于整体系统设计,但端侧小模型的量化封装涉及模型压缩、算子优化和芯片指令集适配等专门工程能力,这些能力是否已由现有团队覆盖,公司通稿未作说明。在真机验证尚未启动的情况下,团队端侧工程能力的完整性仍是影响Senti-OS落地进度的关键变量。

数百万元种子+轮:资本结构背后的战略意图

本轮融资的轮次表述为“战略投资(种子+轮)”,金额为数百万元。这个组合在创投语境中并不常见。种子+轮通常意味着公司在种子轮之后、天使轮之前,因特定战略需求引入了一笔规模较小的资金。投资方北京京师中教集团的战略属性,可能意味着这笔钱的价值不仅在于资金本身,更在于教育场景的渠道资源或数据合作入口。

从资本结构看,数百万元的规模对一家同时布局教育测评和具身智能调度层的公司来说,显然不足以支撑两条战线的深度投入。公司通稿也明确表示,已启动新一轮天使轮融资,资金将用于端侧芯片适配和真机验证。这意味着本轮融资更像是一个过渡性安排,真正的资本验证还在后面。

值得关注的是,公司通稿没有披露本轮融资的估值、股权比例或是否包含对赌条款。对于一家成立仅一年左右的公司,战略投资方进入的估值水平和权利安排,将直接影响后续天使轮融资的定价空间。这些信息的缺失,使得外部难以判断本轮融资对公司治理结构的影响。

从融资节奏看,种子+轮后立即启动天使轮,可能意味着公司希望在较短时间内完成端侧验证所需的资金储备。数百万元的战略投资若主要用于教育场景的数据采集和模型训练,那么端侧芯片适配和真机验证的成本可能需要由天使轮承担。公司通稿未披露天使轮的目标金额和预计完成时间,这使得外部难以评估其资金链能否覆盖从算法封装到真机联调的全过程。

数据壁垒的成色:300万条认知行为数据能迁移到机器人场景吗

星辰智算最核心的资产主张,是超300万真实脱敏认知行为数据和500余款游戏化认知任务库。公司通稿称,这类全过程、毫秒级数据的采集与标注门槛高、周期长、标准化难,成规模的高质量数据在行业内并不多见。

从数据采集的角度看,这个说法有一定合理性。认知行为数据的采集需要设计标准化的认知任务范式,记录毫秒级行为时序特征,并对数据进行脱敏和标注。相比文本语料的爬取和清洗,这类数据的获取确实更重、更慢。但“不多见”不等于“不可复制”。国内多家教育科技公司和脑科学公司也在采集类似的学习行为、注意力或认知测评数据,只是数据维度和标准化程度各有差异。星辰智算的壁垒是否成立,取决于其数据采集标准的独特性和数据质量的稳定性,而这些信息目前仅来自公司单方声明。

更关键的验证路径在于数据迁移。人类在Stroop任务中的反应时延和注意力衰减曲线,能否有效训练机器人在算力不足时“量力而行”?这是一个跨物种、跨场景的迁移学习问题。公司通稿没有披露任何关于人类认知数据在机器人调度任务中的迁移实验结果,也没有公开Senti-OS在仿真或真机环境中的性能数据。在缺乏这些验证的情况下,“数据壁垒”更像是一个待证明的假设,而非已确立的竞争优势。

从数据资产的可迁移性看,300万条认知行为数据的价值不仅取决于数量,还取决于标注维度和任务覆盖度。公司通稿列举了反应时延、错误模式、策略切换频率等特征,但未说明这些数据是否包含与机器人动作安全直接相关的标注,例如危险动作边界、任务优先级或算力不足时的降级策略。若原始数据仅服务于认知测评,迁移到机器人调度场景可能需要额外的标注工程,这会影响数据壁垒的实际成色。

风险与待验证假设:从教育测评到具身智能的跨越有多远

星辰智算面临的风险可以从三个层面拆解。

第一层是资金与时间窗口。本轮融资仅数百万元,公司同时推进教育测评商业化和具身智能调度层研发,资源分配必然紧张。公司已启动天使轮融资,但后续资金到位的时间和规模存在不确定性。如果端侧芯片适配和真机验证的进度落后于行业节奏,Senti-OS可能错失具身智能产业链形成标准接口的窗口期。

第二层是技术验证。Senti-OS的独立调度层架构尚未在真机环境中证明其必要性。如果头部机器人厂商选择将认知调度能力内嵌到VLA模型中,而非外挂一个独立模块,星辰智算的产品定位将面临被绕过的风险。公司计划联合头部机器人厂商推进真机验证,但未披露合作方名单和验证指标,这使得外部无法判断验证的严肃性和进度。

第三层是数据与业务的耦合。教育测评业务产生的认知数据能否有效迁移到机器人场景,是星辰智算商业模式的核心假设。如果迁移效果不达预期,公司将退化为一家教育测评公司,其具身智能叙事将失去支撑。而教育测评市场本身竞争激烈,星辰智算在合肥多所公立学校和头部教培机构的落地,尚未披露具体客户数量和合同金额,其商业闭环的成色有待进一步核实。

从已披露的信息看,星辰智算选择了一条足够差异化的路径:用人类认知数据训练机器人的调度能力,在教育测评与具身智能之间建立数据飞轮。这条路径的想象力在于,如果人类认知数据确实能补上机器人“不懂克制”的短板,星辰智算将拥有一个难以复制的数据入口。但想象力与验证之间的距离,恰恰是这家公司当前最大的不确定性。

从验证路径看,星辰智算需要先后完成三件事:证明人类认知数据能改善机器人调度决策、证明独立调度层在端侧具备实时性和功耗可行性、证明头部机器人厂商愿意采用外挂式方案。这三件事分别对应数据迁移、工程实现和产业接受度,任何一环未通过都可能削弱其具身智能叙事的可信度。公司通稿仅披露了启动天使轮和计划联合头部厂商验证的意向,未给出阶段性验证目标,因此当前仍处于假设待证阶段。

RecodeX 极客视:星辰智算的故事里,最值得关注的不是数百万元的融资额,而是一个尚未被验证的产业假设——具身智能是否需要一层独立于大模型之外的认知调度层。如果这个假设成立,人类认知行为数据将成为具身智能时代的稀缺资源,而教育测评场景恰好是采集这类数据的天然入口。如果假设不成立,星辰智算将不得不证明,它首先是一家能活下去的教育科技公司。在真机验证结果出来之前,这个故事的两种结局同时存在。

信息来源

本文在采集与核验阶段引用了以下公开来源,按站点去重列出;来源内容归原发布方所有,其口径不代表 RecodeX 的核实结论。