武汉齐智火星登陆科技有限公司（简称“火星登陆”）在成立数月后，连续完成两轮数千万元融资。公开信息显示，这两轮融资由力合创投、光谷金控、瑞江投资、武汉高科共同完成，老股东奇绩创坛追加投资。
这家公司成立于 2025 年 4 月，创始人朱禹涵是一位 00 后。与继续训练更大的具身基础模型不同，火星登陆选择从空间智能切入，尝试构建面向物理世界的类脑智能架构。
“模型”不等于“大脑”
在朱禹涵看来，行业可能过早把“模型”和“机器人大脑”画上等号。“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里更明显。当前机器人在抓取、分拣、叠衣、开门、搬运、移动操作等单项任务，以及部分跨任务、跨场景任务中，已经表现出较强能力。但“会做很多事”和“能够长期自主地把一件复杂的事做完”，并不是同一个问题。
当任务从几分钟拉长到几个小时，机器人需要跨场景、跨任务持续自主运行，问题会迅速复杂起来。它不仅要判断下一步做什么，还要持续记住自己在哪里、做过什么、任务进行到哪一步；如果中途环境变化或执行失败，还要自行调整并继续完成任务。
在火星登陆看来，这类问题很难只靠一个更强的模型自然解决。长程自主依赖持续的空间记忆、任务状态管理、多能力协同和反馈纠错，核心不只是“模型够不够强”，而是“这些能力如何被长期组织起来”。
朱禹涵说：“模型解决的是能力，大脑解决的是如何把能力组织成智能。”火星登陆所说的“类脑”，并不是模仿神经元，而是在模型之外搭建一套智能组织架构，让记忆、任务、技能、行动和反馈形成持续闭环。
路径尚未收敛，团队更看重有效经验
过去几年，大模型 Scaling 的成功已经得到验证，行业也自然希望把这一路径复制到具身智能领域。但在火星登陆看来，如果模型不等于“大脑”，单纯沿着模型 Scaling 的路线，也未必能得到真正的机器“大脑”。
语言模型已经形成相对明确的 Scaling 路径，具身智能还没有走到这一步。什么数据真正有价值、如何采集、如何组织、如何训练，目前都没有完全定型。
具身数据又高度绑定机器人本体、传感器、动作空间和模型架构。一旦技术范式变化，过去数据的价值就可能被重新评估。
基于这一判断，朱禹涵认为，现在还远不到用“谁的数据更多”来判断壁垒的时候。他说：“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。”
他还提到，在技术范式快速变化时，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。今天的数据资产，未来甚至可能成为历史包袱。
这也体现在火星登陆的技术路线里。相比单纯积累数据规模，团队更关注机器能否在与真实世界的交互中持续形成经验。数据记录的是“发生了什么”，经验则进一步包含行动、结果、失败和修正。
火星登陆认为，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，也就是机器能否在行动、反馈和修正中持续积累有效经验。
从开放场景切入，而不是只看“机器人进厂”
对于当前热度很高的“机器人进工厂”，朱禹涵给出了不同判断。他认为，“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。
对工厂来说，真正购买的不是机器人的“智能程度”，而是生产力。企业更关心的是能不能更便宜、更快、更稳定，以及多久回本。如果传统自动化、机器视觉加上适量 AI 已经能够稳定解决问题，那么换上一台更“智能”的机器人，并不会天然创造额外价值。
不过，在柔性制造、复杂装配、非标操作以及难以彻底改造的存量环境中，更通用的机器人能力正在体现价值。
朱禹涵认为，这里需要区分两个问题：机器人在哪里更容易落地，和机器智能在哪里更容易进化，不一定是同一个问题。
工业生产追求通过标准化尽量减少不确定性，而通用机器智能真正要处理的，恰恰是不确定性。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。
基于这一判断，火星登陆把重点放在地下空间、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。这些场景的共同点是，世界不会为了机器人而被完全标准化。
在这些环境中，网络可能中断，定位可能丢失，环境和任务也会变化，机器需要处理大量没有被提前定义的问题。朱禹涵认为，这种复杂、开放、长尾的环境，更接近机器智能最终需要面对的真实世界。
真实世界不只是测试集
在更远的未来，朱禹涵提到，真正的具身 RSI（Recursive Self-Improvement）离不开机器与真实世界的持续交互。仿真、合成数据和世界模型可以降低训练成本、提高学习效率，但机器最终仍需要接受真实世界反馈，在任务中形成“感知—记忆—决策—行动—反馈—纠错—再学习”的闭环。
在他的表述中，一次失败不应该只留下一条日志，而应该改变机器下一次面对类似问题时的行为。“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。”
这也是火星登陆对“类脑”的另一层理解：不仅关注智能如何被组织，也关注智能如何在与世界的持续交互中形成。
围绕空间智能搭建产品矩阵
基于上述判断，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。
在物理世界中，机器需要持续理解自己在哪里、周围有什么、去过哪里、环境发生了什么变化，以及任务与空间之间的关系。
围绕这一方向，火星登陆已经形成从空间理解与记忆、任务组织与协同，到端侧技能执行的技术体系，并推出星擎 M1、星群 M2、星芒 M3 产品矩阵。
朱禹涵认为，这条路线并不是为了替代 VLA、世界模型或未来更强的基础模型。相反，模型一定会越来越强。但模型越强、机器拥有的能力越多，“如何组织智能”就越重要。
当 AI 进入物理世界，下一阶段的问题可能不再只是机器“会多少”，而是它能否在不断变化的环境中形成持续记忆、组织复杂任务、从真实反馈中积累经验，并最终完成长期自主。火星登陆押注的，正是这一方向。