猜你想问
西部计算机研报主要分析了哪些物理AI与具身智能技术？
研报重点测评了GPT6具身能力，对比纯GPT6直接控制与混合控制模式（GPT6+派0.5）在双臂操作、灵巧手操作及复杂任务中的表现。结果显示混合控制模式显著提升性能，但纯GPT6成本高昂、效率低。此外，报告深入探讨了大模型与VLA协同模式、具身智能模型发展趋势、训练数据分析、行业格局及商业化落地节奏，揭示了分层架构、海量数据和多源异构数据对模型能力提升的关键作用。
具身智能赛道未来发展趋势如何？
具身智能赛道呈现通用大模型与VLA协同、世界模型演进、运动控制独立发展的趋势。通用大模型认知理解能力持续提升，但需优化任务成功率与效率；VLA向“小脑”方向演进，强化物理接触预测；运动控制短期内与VLA不深度融合。商业化落地将优先从零售场景（如药房机器人）入手，逐步向工业、医疗、康养等复杂场景递进，整体呈现由简到繁的演进路径。
报告重点分析了哪些具身智能技术方向？
报告重点分析了GPT6具身能力测评、大模型与VLA协同模式、具身智能模型发展趋势、训练数据分析及行业格局。在技术方向上，对比了纯GPT6与混合控制模式性能差异，揭示了预训练阶段海量多源异构数据对模型能力提升的关键作用，并探讨了分层架构（大模型做决策+VLA做执行）的适用性。同时，报告分析了不同厂商的竞争要素，如大模型厂商的语义理解能力与强化学习经验，以及传统机器人厂商的自研模型、硬件适配度等。
当前具身智能市场现状如何？
当前具身智能市场呈现大模型厂商与传统机器人厂商竞争的格局。大模型厂商凭借通用大模型语义理解能力和强化学习经验占据优势，而传统机器人厂商则依靠自研模型、硬件适配度、稀缺场景数据储备和任务落地效率展开竞争。在技术组合上，GPT6+派0.5组合展现出显著性能提升，成功率较纯GPT6大幅提高，但DeepSeek+派0.5等组合表现不佳，表明大模型与VLA协同仍需优化。数据采集方面，主流方式为专业设备采集结合仿真补数据，手环采集等新方式尚处早期。
投资西部计算机需关注哪些风险？
投资西部计算机需关注具身智能技术商业化落地的不确定性。尽管报告显示具身智能更适合分层架构，且预训练阶段海量数据是关键，但商业化落地仍需时日，优先从零售场景逐步向工业、医疗等复杂场景推进。此外，技术迭代速度快，大模型与VLA协同模式仍需持续优化，数据采集成本高昂且依赖多源异构数据，硬件升级需提升寿命与精度并推动参数开放。行业竞争激烈，大模型厂商与传统机器人厂商各有优势，需警惕技术路线选择与市场格局变化带来的风险。