产业深度07期：机器人产业深度（七）：机器人的大脑——具身智能

2024年人形机器人最具突破性的进展主要体现在具身智能领域，Covariant发布端到端具身大模型RFM-1，Sergey Levine和Chelsea Finn创立Pi，Figure AI接入OpenAI GPT-4V的Figure 01 demo，李飞飞创立World Labs，特斯拉展示Optimus精准分拣电池的场景。国内人形机器人产业硬件供应链优势明显，但在具身智能、数据采集、人才领域存在短板。

具身智能大模型主要分为非具身大模型（基础大模型）和具身智能大模型（机器人大模型），区别在于能否生成运动姿态。非具身大模型如GPT、Sora等，输入输出模态为语言、图片和视频；具身智能大模型输入视觉、语言信号，输出三维物理世界的操作。具身智能大模型主要有端到端和分层端到端两种路径，目前主流方案为分层端到端，典型代表为Figure AI，其采用三层大模型系统：基础大模型（LLM或VLM）、决策大模型、操作大模型。

分层端到端大模型中，基础大模型负责多模态感知，决策大模型负责任务理解、自动生成运控指令，操作大模型负责执行具体动作。决策大模型技术方向从LLM向强化学习（RL）演进，操作大模型技术方向从“MPC+WBC”向“RL+仿真”演进。

数据采集是具身智能的关键，主要方式为远程操作和仿真合成数据。互联网上各类文本、图像和视频数据集庞大，但机器人场景和交互有价值的数据量小，限制了AI模型泛化能力。特斯拉使用人类真实运动方式训练机器人，英伟达通过真人的遥操作数据捕获和生成合成运动数据，加速机器人技术研发和应用。国内人形机器人创新中心加速建设人形机器人训练场。

具身智能估值逻辑主要基于硬件、数据、模型和人才。硬件是基础，需要自研高性能稳定硬件；数据采集、组织管理和模型开发需要强大组织能力和专业算法团队；人才是关键，需要具备组织大规模工程师经验和深入研究和开发算法的能力。

具身智能面临落地难题、技术难度被低估、竞争激烈、投资过度引发泡沫等风险。