2026全球开发者先锋大会｜眸深智能：从具身原生模型，走向真实场景的持续进化

10月23日至25日，2026全球开发者先锋大会（GDPS 2026）暨国际具身智能技能大赛在上海张江科学会堂举行。大会以“具身进实景，劳动最光荣”为主题，将技术交流与真实场景中的作业能力验证相结合，关注具身智能如何走向产业应用。

大会期间，眸深智能创始人兼CEO穆泽林出席开幕式圆桌论坛，围绕具身智能模型架构与工业化落地分享思考；眸深智能CTO首席技术官余翀担任“记忆，机器人持续进化的下一块拼图”圆桌论坛主持人，与产业嘉宾共同探讨机器人部署后的持续适应与进化能力。

从模型如何理解动作，到如何在端侧高效运行，再到如何积累并调用经验，两场讨论共同指向一个问题：机器人如何在真实环境中持续创造价值？

01从动作出发，构建具身原生模型

什么样的模型架构，才能更好地支撑机器人理解并执行任务？

围绕VLA与世界模型等技术路线，穆泽林认为，不同路线各有能力边界，也可能成为未来具身智能系统的组成部分。对于机器人而言，模型设计需要回到动作与任务本身，探索能够原生理解动作模态的架构。

在他的阐述中，机器人完成任务涉及不同动作技能的组合。仅依赖对既有数据的记忆，难以充分应对实际作业中的变化；而动作生成能力要进入真实应用，也必须同时考虑可靠性。

因此，眸深智能持续关注的方向，是将动作作为独立模态进行理解与建模，并结合具体任务需求组织模型能力，让模型架构更贴近机器人与物理世界交互的方式。

02端侧部署，让模型能力适配真实作业

除了模型能够完成什么任务，机器人还需要回答：反应是否足够快，部署成本能否被接受，能否支撑持续运行？

穆泽林指出，机器人最终是一个智能终端，模型的体量与响应速度，需要在架构设计之初就被纳入考虑。即使在部分已经能够满足准确度要求的服务场景中，执行速度与使用成本仍然影响着商业化落地。

这也是眸深智能坚持端侧路线的重要原因。模型既要具备任务执行能力，也要适应机器人本体的计算条件，以更小的体量、更快的响应参与真实作业。

在讨论通用大模型发展带来的机遇与挑战时，穆泽林进一步强调了场景积累与模型、芯片协同优化的价值。对具身智能企业而言，长期积累的数据、应用工具与工程经验，需要转化为具体场景中的执行能力；模型与芯片之间的紧密协同，则关系到这些能力能否在端侧高效发挥。

让模型贴合场景，让计算适配执行，是具身大脑走向实际应用的重要环节。

03在场景中落地，在反馈中迭代

谈及商业化路径，穆泽林分享了眸深智能专注具身大脑、与本体及产业伙伴协同推进应用的思路。

不同场景对机器人的负载、精度、连续作业能力与成本有着不同要求。即使是同一客户，仓储、零售与收银等任务，也可能需要不同的硬件配置与能力组合。

穆泽林表示，眸深智能现阶段优先选择快递分拣、服务及零售等场景，是因为这些场景本身的容错率相对较高，可以先落地，再获取数据来支撑模型迭代。

这一过程需要具身大脑、本体与应用伙伴共同参与：在具体任务中验证商业价值，再依据实际反馈逐步拓展能力边界。

04聚焦记忆机制，探讨部署后的持续进化

10月23日下午，在GDPS 2026开发者系列活动“汇智具身，向新而来”具身智能先锋讲坛中，余翀担任“记忆，机器人持续进化的下一块拼图”圆桌论坛主持人。

论坛汇聚松延动力、具脑磐石、贝塔无限、泉智博、江锦自动化等企业嘉宾，将讨论视角延伸至机器人部署后的经验积累、记忆调用与持续适应。

围绕这一主题，论坛设置了从实际场景中的记忆失效，到记忆能力如何转化为可感知、可交付功能等议题，并进一步关注执行端力控数据与运动反馈的作用，以及工业场景对记忆安全性、可追溯性和运行稳定性的要求。

当机器人需要在更长时间内完成任务，记忆的价值也需要放到实际作业中衡量：如何保留有效经验，如何在合适的任务中调用，以及如何支持部署后的持续改善。这些问题，正在连接模型研究与产业交付。

从具身原生模型到端侧运行，从场景反馈到记忆机制，眸深智能持续围绕机器人在真实环境中的作业需求展开探索，与产业伙伴共同推进具身大脑的应用与迭代，让每个机器人拥有可自主进化的原生大脑。