随着VLA、世界模型、具身基座模型不断迭代，机器人的感知、语言、动作能力持续提升，具身智能成为人工智能行业炙手可热的赛道。成立于2025年的火星登陆，是赛道中颇具特色的创业力量，这支以00后创始人牵头的团队，接连拿下两轮数千万元融资，走出一条区别于训练超大具身基础模型的技术道路，主攻面向物理世界的类脑智能架构。

当下行业内不少观点将大模型直接等同于机器人大脑，但团队提出不一样的认知：模型本质只能输出单项或多项能力，能力强大并不代表拥有完整大脑。如今机器人可以顺利完成抓取、分拣、搬运等各类独立操作，单项任务表现亮眼，但掌握多项技能和长期自主完成复杂任务，是完全不同的命题。

当任务时间拉长到数小时，需要机器人跨环境、跨目标持续作业，考验的就不只是机器人会不会做事。它要记住自身位置、过往操作、任务进度，面对环境变动、执行失败时自主修正策略继续推进工作。这类长程自主任务，无法单纯依靠提升模型参数规模实现，它需要空间记忆、任务状态管理、多技能协同、反馈纠错整套机制，核心诉求是把零散的模型能力有序整合，而类脑架构要实现的，正是构建记忆、任务、技能、行动、反馈之间的完整闭环，并非简单复刻生物神经元。

大模型依靠规模扩张收获巨大成功，很多从业者希望把这套缩放逻辑复制到具身智能领域，但单纯依靠模型规模扩张，未必就能打造真正的机器大脑。语言模型已经形成成熟的迭代范式，而具身智能还处在路径摸索阶段，有效数据的筛选、采集、组织、训练方式均没有统一标准。

具身数据和机器人硬件、传感器、动作模式深度绑定，一旦技术范式发生更迭，过往积累的数据价值就会大打折扣。因此不能单纯用数据体量评判企业的技术壁垒，技术快速变革阶段，海量数据甚至会带来沉重的迁移成本，演变为发展包袱。

基于此，团队提出，具身智能更应当重视Experience Scaling（经验缩放）。和记录客观事实的数据不同，有效经验融合了机器的行动尝试、运行结果、失败案例与自我修正。机器的成长，重点不在于囤积多少原始数据，而是在真实环境交互的过程中沉淀可复用的有效经验。

针对火热的工业机器人落地浪潮，团队也做出理性辨析：工厂引入机器人属于真实需求，但这不等于通用具身智能的落地。工厂采购机器人的核心诉求是提升生产力，追求低成本、高稳定性、快速回本。很多场景依靠传统自动化搭配基础机器视觉就可以解决问题，通用智能机器人并不会凭空创造价值；只有柔性制造、非标装配这类充满变数的场景，通用智能才能释放优势。

这里需要厘清两件事：机器人容易商业化落地的场景，和机器智能得以进化的场景并不等同。工业场景依靠标准化消除不确定性，而通用智能恰恰需要应对各类未知变数，场景标准化程度越低，智能的价值就越突出。

因此企业把研发目标投向地下隧道、山林抢险、应急处置，以及未来家庭养老、商业服务等没有被人为标准化的开放场景。这类环境经常遭遇网络中断、定位失效、环境动态改变，充斥大量预定义之外的突发状况，更贴合真实世界的运行逻辑，也是机器递归自我迭代进化的沃土。

仿真模拟、合成数据能够降低训练成本，但真实世界不该只是机器人的最终测试集，更要成为持续学习的载体。机器人需要搭建“感知—记忆—决策—行动—反馈—纠错—再学习”闭环，每一次执行失败不能仅留存日志，更要反哺后续行为，这也是类脑架构的另一层内核，既要完成能力组织，也要实现智能在现实交互中持续成长。

火星登陆没有选择自研大型具身基础模型，而是从空间智能切入底层架构。身处物理世界的机器人，需要实时厘清自身位置、周边环境、历史轨迹、环境变化以及任务和空间的关联关系。围绕该逻辑，团队搭建起覆盖空间理解与记忆、任务组织与协同、端侧技能执行的完整技术体系，落地星擎M1、星群M2、星芒M3系列产品。

这套体系不是用来取代VLA、世界模型等基础模型，未来基础模型能力必然会持续变强，但机器拥有的能力越多，智能组织调度的价值就愈发凸显。

AI深度融入物理世界的新阶段，评判机器人实力的标尺，将不再局限于它掌握多少种技能。能否在动态变化的现实环境维护长期记忆、拆解调度复杂任务、依托真实反馈沉淀经验，最终完成长时间自主作业，才是核心命题。大模型赋予机器各项能力，而类脑架构，则负责把碎片化能力聚合为完整的机器智能，这也是这条赛道值得押注的核心逻辑。