具身智能技术路线正从视觉语言动作模型(VLA)转向世界模型(World Model),旨在通过预测未来状态提升机器人泛化与推理能力,2025-2026年为关键转折期。大模型目前无法取代底层运控“小脑”,核心价值在于上层任务拆解与语义理解,未来趋势为云端大模型调用机器人本体接口协同工作。
具身智能“GPT时刻”需1,000万小时有效数据支撑,目前国内顶尖团队仅达百万小时量级,预计爆发时点在2028-2029年。数据结构中第一视角视频及无本体采集数据占比达60%-70%,仿真数据在预训练阶段可大规模应用,但精密接触类数据仍依赖真实采集。
商业化路径遵循toB向toC过渡,未来2-3年以工业场景为核心;国内看好智元机器人、银河通用在工业端的规模化落地潜力。国内外差距核心在于算力及高质量多模态数据,海外领先数倍;数据安全风险将促使国内垂直模型在核心场景取代通用大模型API。
具身智能模型发展历经早期编程阶段、2011年深度学习兴起阶段、2017-2022年论文研究阶段及2022年后的行业转折期。当前技术特点为世界模型成为主流研发方向,通过预测未来状态提升泛化与推理能力。
大语言模型(LLM)处理文本信息,VLA模型联合视觉和语言信息进行生成式回答,世界模型利用多模态信息预测未来状态。完整物理AI系统包含任务层、行为层、控制层、感知与运动层,各层级通过接口传递信息,世界模型负责预测、成功判定和失败恢复。
训练具身智能模型需多种数据类型:第一视角视频数据用于监督训练,五指采集设备数据用于操作策略训练,身体姿态捕捉数据用于微调和动作监督,仿真数据用于场景扩增和算法验证,回流数据用于模型迭代优化。视觉和力觉数据分别用于空间布局理解和物理交互理解。
大模型向下参与动作控制趋势下,未来形态为云端大模型与机器人本体“小脑”协同工作,大模型负责任务拆解和语义理解,小脑输出具体动作。当前大模型难以取代“小脑”,但未来可能通过接口协同提升机器人能力。
GPT-6Sora泛化能力提升源于多模态数据、工具调用和模型参数量增加,非针对机器人领域特定训练。通用大模型存在数据安全风险,国内更倾向开发垂直模型,国外通用大模型API适用于通用场景。
真实世界数据采集解决不同瓶颈:第一视角视频数据偏向“大脑”层面,操作轨迹数据偏向“小脑”层面。通用大模型效果良好不代表数据需求减小,因不同公司有特定需求,且技术路线转向世界模型需更多数据。
世界模型用于视频生成和训练世界动作模型(WAM),优于VLA模型,能预测未来状态和动作轨迹。训练WAM需海量真实或高保真合成数据,以建立对物理世界的认知。国内在算力和高质量多模态数据方面落后海外数倍,需打牢数据基础。
仿真数据结合真机微调可能成为主流趋势,预训练阶段可大规模使用高质量仿真场景数据,仿真轨迹数据作为补充。精密接触类数据仍依赖真实采集。海外公司通过数据供应商和场景覆盖优势领先国内。
具身智能数据集长期可能形成20%-30%通用数据集和70%定制化数据集。人形机器人行业模式需关注海外公司硬件能力(如Pi、Figure、特斯拉)和国内公司垂直模型开发。商业化落地顺序为toB(工业场景)→养老院/商超等toC场景→家庭场景,预计2028年后逐步出现。
国内人形机器人主机厂中,智元和银河通用可能率先在工业场景实现商业化落地,优必选其次,宇树稍慢。具身智能“GPT时刻”预计2028-2029年到来,需1,000万小时有效数据,其中60%-70%为第一视角视频及无本体采集数据,仿真数据占比取决于生成质量。