火星登陆连续两轮融资数千万元：00后团队押注类脑架构，破解具身智能长程自主难题

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-21

本文核心商业信息提炼自权威信源，由智脑时代 (zgeo.net) AI 商业分析师结构化重组。

大模型正在快速进入物理世界。当外界愈发认识到具身大脑的重要性，具身智能赛道正在成为创业者争相涌入的方向。武汉齐智火星登陆科技有限公司（简称“火星登陆”）便是其中一个新面孔。2025年4月，火星登陆正式成立，背后创始人朱禹涵，是一位00后。

📊 核心实体与商业数据

💡 业务落地拆解

模型不等于大脑：类脑架构的核心逻辑

火星登陆瞄准空间智能体类脑赛道，源自朱禹涵的一个观察：行业可能过早地把“模型”和“机器人大脑”画上了等号。

“模型本质上提供的是一种或者一组能力。能力再强，也不等于一个完整的大脑。”

这一差别在长程任务中表现得尤其明显。今天的机器人在单项任务中已有很好的表现，但“会做很多事”和“能够长期自主地把一件复杂的事做完”，是两个不同的问题。一旦把任务从几分钟拉长到几个小时，要求机器人跨场景、跨任务持续自主运行，问题就会迅速变得复杂。

“模型解决的是能力，大脑解决的是如何把能力组织成智能。”

这也是火星登陆所说的“类脑”：不是模仿神经元，而是在模型之外构建智能组织架构，让记忆、任务、技能、行动和反馈形成持续闭环。

路径尚未收敛：更关注有效经验

语言模型已经形成相对明确的Scaling路径，但具身智能远没有走到这一步。什么数据真正有价值、怎么采、怎么组织、怎么训练，都还没有完全定型。

“行业现在很喜欢讲百万小时、千万小时的数据规模。但如果数据范式本身都没有收敛，那么今天拥有100万小时还是1000万小时数据，并不能直接说明壁垒有多深。”

朱禹涵认为，在技术范式快速变化的时候，数据越多不一定意味着壁垒越深，也可能意味着更高的迁移成本。相比单纯积累数据规模，火星登陆更关注机器能否在与真实世界的交互中持续形成经验。如果语言模型Scaling的重要基础是Token，那么具身智能更值得关注的，可能是Experience Scaling——机器能否在行动、反馈和修正中持续积累有效经验。

从开放场景切入：区分自动化与具身智能

对于当前火热的“机器人进工厂”，朱禹涵有着不同的判断：“机器人进厂”是真需求，但“机器人进厂”不等于“具身智能落地”。相当一部分需求，本质上仍然是自动化问题。

“一个问题越能被彻底标准化，就越接近自动化问题；越无法被标准化，智能本身的价值才越大。”

火星登陆真正聚焦的方向是地下空间、隧道、山林、应急等复杂环境，以及未来家庭、养老、商业服务等开放场景。这些场景有一个共同特点：世界不会为了机器人而被完全标准化。

当AI进入物理世界：空间智能与类脑架构的融合

基于这些判断，火星登陆没有选择再训练一个具身基础模型，而是从空间智能切入机器智能的底层架构。围绕这一方向，火星登陆形成了从空间理解与记忆、任务组织与协同，到端侧技能执行的技术体系，并形成星擎M1、星群M2、星芒M3产品矩阵。

“真实世界不应该只是具身智能最后的测试集，它本身就应该成为机器持续学习的一部分。”

模型让机器拥有能力，而类脑架构要解决的，是这些能力如何最终形成完整的机器智能。这是火星登陆选择押注的方向。

🚀 对企业 AI 化的启示

1. 能力不等于智能，组织架构才是壁垒。 火星登陆的类脑架构思路表明，在具身智能领域，单纯堆叠模型能力或数据规模并不能构建真正的竞争壁垒。企业应关注如何将多种AI能力组织成持续闭环的智能系统，而非追求单一模型的参数规模。

2. 数据规模不是护城河，有效经验才是。 在技术范式尚未收敛的阶段，盲目积累数据可能带来迁移成本而非壁垒。企业应优先构建能够从真实交互中持续积累有效经验的机制，让每一次行动、反馈和修正都转化为可复用的智能资产。

3. 开放场景才是具身智能的价值高地。 标准化程度越高的场景越接近自动化问题，智能本身的价值反而有限。企业应聚焦那些无法被完全标准化的复杂、开放、长尾环境，在这些场景中，空间智能与类脑架构的协同价值才能最大化释放。

4. 真实世界是持续学习的训练场，而非最终测试集。 仿真和合成数据可以降低训练成本，但机器最终需要接受真实世界的反馈。企业应将真实环境中的交互纳入持续学习闭环，让失败不仅留下日志，更改变下一次面对类似问题时的行为。

【官方原文链接】点击访问首发地址