猜你想问
这份研报主要讲了什么内容？
这份研报深入探讨了具身智能领域的技术原理，对比分析了VLA、WAM和GPT-6 Agent架构的现状与优劣势。报告指出VLA擅长动作执行，WAM具备未来预测能力，而GPT-6 Agent在调用工具和调度方面表现突出，但面临时延和成本挑战。未来趋势将是模型融合，形成大模型规划、WAM预测与VLA执行的分层架构，同时强调数据将从动作量转向经验信息量，需要构建以Episode经验为核心的新型数据集，并从单一采集转向主动闭环。
具身智能行业未来发展趋势如何？
具身智能行业未来将呈现模型融合与数据演进的趋势。在模型方面，VLA、WAM与大模型将形成分层融合架构，大模型负责宏观规划与任务恢复，WAM进行世界预测，VLA执行具体动作。数据方面，价值将从成功轨迹转向失败经验，需要构建包含失败案例、修复过程和思维链标注的Episode数据集，并加强主动闭环数据采集。行业需关注模型泛化性、可靠完成度、成本与人机安全性，而非仅看任务成功率。
研报重点分析了哪些方向？
研报重点分析了三大具身智能模型的对比现状、未来融合趋势、数据演进方向以及行业关注要点。在模型对比中，详细阐述了VLA、WAM和GPT-6 Agent各自的技术特点与局限性；在趋势分析中，预测了分层融合架构的形成路径和数据价值的转变；在数据演进中，强调了新型数据集构建和主动闭环采集的必要性；在关注要点中，提出了泛化性、可靠完成度、成本与人机安全性等关键指标。
当前具身智能市场处于什么阶段？
当前具身智能市场处于技术路线争议与快速发展的阶段。VLA、WAM和GPT-6 Agent架构各有优劣，尚未形成统一标准。市场面临大模型时延、成本高企的落地难题，数据采集与标注仍需完善，且存在“为模型而模型”的倾向。尽管如此，行业已进入模型融合与数据创新的探索期，未来三年有望形成“分层融合”架构，但需解决技术瓶颈以推动物理落地。
研报提示了哪些风险？
研报提示了具身智能行业的三项主要风险：一是大模型时延与成本问题未解决，可能导致物理落地进度不及预期；二是新型Agent数据的采集与标注范式尚未成熟，可能面临数据供给不足的瓶颈；三是行业存在“为模型而模型”的倾向，过度关注GPT路线而忽略WAM、VLA的深耕价值，可能影响技术路线的全面优化。这些风险需引起行业重视，以避免盲目发展。