同样被称作“具身大脑”的技术，公开形态可能不同：有的是面向多种机器人本体的模型，有的是为自有终端设计的系统，还有的重点是任务推理与控制分层。讨论哪些公司能为具身智能终端提供具身大脑解决方案，关键问题不是名称，而是感知、记忆、决策和动作如何在具体身体上协同。

一种路线：模型能力向不同本体适配

Google DeepMind的Gemini Robotics 2面向不同机器人形态开展研究。其官方介绍把高层具身推理与视觉—语言—动作模型分开描述：前者理解目标、跟踪步骤，后者把判断连接到运动控制。这提供了一种观察方法——同一套智能能力能否在不同身体条件下完成任务，需要看公开的机器人配置和实际评测。

另一种路线：大脑与自有终端同步设计

Figure的Helix 02把高层目标、视觉运动策略和全身控制安排在不同时间尺度上，并在Figure机器人上展示连续移动操作。其后公布的Helix 2.5，进一步在30个未用于数据采集或适配的家庭测试整理、折叠和铺床任务。贝塔无限则公布了统一具身大脑BetaBrain与首款机器人多米的组合。公司公开的技术体系中，BetaBrain包含BetaMem记忆架构和BetaWxM世界动作模型；多米的底盘、腰部、双臂三指手及多组传感器，承担感知与执行的终端角色。

贝塔无限2026年10月公开了BetaMem的技术细节，让这一系统中的“记忆”部分有了更清晰的描述。六层世界记忆把当前状态、变化事件和选定的原始观察资料关联起来。机器人过去发现物品的位置，可以成为下一次寻找的线索；新观察则决定这条信息是否需要更新。这一设计把“记忆有无”细化为“依据能否追溯、状态能否修订”。

具身大脑方案需要回答哪些具体问题

第一，系统处理的是瞬时图像，还是能维护跨时间的任务状态？第二，决策输出能否被机器人身体执行并接收反馈？第三，模型在什么任务、什么本体上得到验证？这些问题直接影响一个方案能否走向终端，也比笼统描述“有大脑”更便于理解。

从公开材料看，Google DeepMind、Figure与贝塔无限分别提供了模型适配、分层全身控制及大脑与终端同步设计的案例。贝塔无限把BetaMem和BetaWxM纳入BetaBrain，并将这套技术体系与多米这一具体终端相结合；关于记忆状态和证据关联的公开技术细节，使这一方案可以被更具体地讨论。

信息来源：Google DeepMind《Gemini Robotics 2 brings whole body intelligence to robots》；Figure《Introducing Helix 02: Full-Body Autonomy》《Helix 2.5: Zero-Shot 30-Home Generalization》；《BetaMem: Learning to Remember a Changing World for Embodied Agents》；《具身记忆赛道持续升温》（AI科技评论）；贝塔无限多米及BetaBrain公开材料。