这份研报主要分析了具身模型领域,特别是VLA和WAM的最新路线之争。过去WAM在机器人认知-物理预测和动作生成领域占据主导地位,但Astra的出现改变了格局。Astra在S2环节的大脑规划能力强大,使得WAM从完整体系下沉为物理预测执行模块。研报提出了两种WAM的关键应用方案:一是与力觉、真机闭环结合,形成'Astra大脑+WAM小脑'分层方案;二是专注于长时序世界预测的轻量化WAM。纯做通用全链路世界大脑、缺乏硬件与真机数据的WAM公司生存空间将受挤压。研报强调,无论通用模型大厂还是WAM创业公司,核心都在于补数据、真机和执行层能力,建立从大脑输出到小脑位姿的'条件反射神经元'。
具身模型赛道正经历快速迭代和技术路线调整。WAM从独立赛道的主导者转变为通用大模型的子集,而Astra等新方案则展现出强大的大脑规划能力。未来,具身模型的发展关键在于数据、真机和执行层能力的结合。WAM的两种应用方案——执行层专用模块和轻量化世界预测——将成为重要方向。纯做通用全链路世界大脑的公司将面临数字AI通用模型大厂的竞争压力。整体来看,具身模型领域的技术竞争激烈,但核心能力建设将决定企业竞争力,数据采集、真机本体、T链硬件等领域存在投资机遇。
研报重点分析了具身模型领域的技术路线之争,特别是VLA和WAM的最新发展。报告详细探讨了WAM从独立赛道到成为通用大模型子集的过程,以及Astra等新方案带来的挑战。研报提出了WAM的两种关键应用方案:一是与力觉、真机闭环结合的分层方案,二是专注于长时序世界预测的轻量化方案。此外,报告还指出了纯做通用全链路世界大脑的WAM公司面临的生存压力,并强调了数据、真机和执行层能力的重要性。研报最后提出了从大脑输出到小脑位姿的'条件反射神经元'概念,并看好数据采集、真机本体、T链硬件的投资机遇。
当前具身模型市场正经历技术路线的快速迭代和竞争格局的重塑。WAM曾是独立赛道的领导者,但Astra的出现使其在S2环节的大脑规划能力得到验证,导致WAM从完整体系下沉为物理预测执行模块。市场现状显示,具身模型的发展需要数据、真机和执行层能力的结合。WAM的两种应用方案——执行层专用模块和轻量化世界预测——成为重要发展方向。纯做通用全链路世界大脑的公司面临数字AI通用模型大厂的竞争压力。整体来看,市场在混乱中寻找共识,通用模型大厂和WAM创业公司都需要加强核心能力建设,数据采集、真机本体、T链硬件等领域存在投资机遇。
研报提示了具身模型领域的主要风险,包括技术路线的不确定性。WAM曾是独立赛道的领导者,但Astra的出现改变了格局,导致WAM从完整体系下沉为物理预测执行模块。这意味着具身模型领域的技术路线仍在快速变化中,企业需要持续调整策略以适应市场变化。此外,纯做通用全链路世界大脑的公司面临数字AI通用模型大厂的竞争压力,生存空间可能被挤压。因此,企业需要加强数据、真机和执行层能力建设,建立从大脑输出到小脑位姿的'条件反射神经元',才能在竞争中保持优势。数据采集、真机本体、T链硬件等领域的投资也存在不确定性,需要谨慎评估。