猜你想问
西部计算机这份研报主要讲了什么核心内容？
该研报核心内容聚焦于西部计算机在物理AI与具身智能领域的最新进展。测试结果显示，GPT-6控制机器人时双臂任务成功率约26%，单臂成功率98%；混合控制（GPT-6+派0.5）时双臂成功率提升至48%，复杂手机操作成功率达76.9%，但移动操作成功率降至12%；单臂混合控制成功率约12%，林草操作得分61.6分。性能对比显示，GPT-6单次任务耗时约39.86秒，单次场景测试消耗约1.13万token，而本地模型派0.5推理仅需7毫秒，实时性比GPT-6高约三个量级。GPT-6优势源于数据超大规模提升而非架构优化，其开放词汇理解、指令解析与任务拆解能力显著增强。模型协同逻辑方面，GPT-6负责任务拆解、指令汇总、约束条件处理，派0.5（VLA模型）仅启用技能策略部分执行具体动作，两者通过API对接协同。
物理AI与具身智能赛道未来发展趋势如何？
物理AI与具身智能赛道未来将呈现模型分工趋势，通用大模型作为“大脑”负责任务规划、指令解析，VLA模型向“小脑”方向发展专注具体动作策略优化，运控模型将单独保留侧重全身动作协调。数据价值与需求方面，具身智能所需数据包括普通视觉数据（Ego约30%-50%）、带穿戴设备的动作数据（Share Ego约10%-20%）、末端操作数据（Omni）、数据标注（Sup）、仿真数据，单一场景覆盖需7万-10万小时数据，普通视觉数据占比最高。商业化落地节奏预计2028-2029年零售场景率先落地，工业搬运、检测等场景快速覆盖，复杂操作、精细化场景需5-6年，医疗康养、家庭场景落地最晚。
这份研报重点分析了哪些方向？
该研报重点分析了西部计算机在物理AI与具身智能领域的核心技术突破与应用场景。核心内容包括GPT-6与派0.5混合控制策略下的机器人操作测试结果，对比分析了GPT-6与本地模型派0.5在任务耗时、token消耗、实时性等方面的性能差异，揭示了GPT-6优势源于数据规模而非架构优化。模型协同逻辑部分详细阐述了GPT-6与派0.5的分工机制，GPT-6负责任务拆解与指令生成，派0.5执行具体动作。此外，报告还分析了具身智能所需的多类型数据构成及采集方式，以及不同主体的技术优劣势对比。
当前物理AI与具身智能市场现状如何？
当前物理AI与具身智能市场呈现多主体竞争格局，OpenAI等大模型公司具备通用大模型能力但具身交互数据不足，机器人厂商拥有硬件适配优势但通用模型能力不足，自动驾驶公司兼具技术积累但面临数据缺口风险。硬件要求方面，未来对硬件使用寿命、绝对定位精度、灵巧手手指偏差等要求将提升，电机接口参数需向模型开放，硬件技术架构趋向统一标准。商业化风险方面，GPT-6加VLA模型模式成本过高，token消耗巨大，尚不划算进入复杂多任务场景；业内数据采集仍以人工穿戴为主，仿真数据仅优化模拟器，无突破性进展。
研报提示了哪些风险？
该研报提示了物理AI与具身智能领域的主要风险点。商业化风险方面，当前GPT-6加VLA模型模式成本过高，token消耗巨大，尚不划算进入复杂多任务场景；业内数据采集仍以人工穿戴为主，效率低且成本高，仿真数据仅优化模拟器，无法完全替代真实场景。技术风险方面，通用大模型与VLA模型的协同机制仍需优化，硬件要求不断提升可能带来研发与生产压力。竞争风险方面，不同主体间存在技术壁垒与数据壁垒，大模型公司数据不足，机器人厂商模型能力不足，自动驾驶公司同样面临数据缺口。