这份研报主要探讨了AI模型发展历程、大语言模型与物理AI在机器人领域的应用、AI系统与机器人技术在解决不确定性问题中的应用、模型能力评估与未来趋势、大模型发展与动作控制趋势、大模型应用与数据安全及技术路线、世界模型与CLA在预测模型中的应用及国内外差距、仿真数据与真实数据在智能学习中的比例及行业趋势、人形机器人商业化路径与头部主机厂展望、人形机器人GDP时刻预测与数据需求分析等核心内容。
具身智能技术行业正经历从编程控制到深度学习,再到多模态模型的演变。2022年后,行业聚焦于提升推理与协同能力,主流技术方向转向识别模型与世界模型。大语言模型通过视觉编码器和动作生成图等技术,与物理AI融合应用于机器人控制和自动驾驶。未来模型需基于具体场景落地,海外及国内公司逐步介入物理世界模拟。人形机器人商业化路径中,tob场景优先于to c,工业场景早于家庭场景。国内银河通用和另一未具名企业可能率先进入tob场景。海外公司在物理世界落地有参考价值,特斯拉在场景跑通和量产方面有潜力。
研报重点分析了AI模型发展历程、大语言模型与物理AI在机器人领域的应用、AI系统与机器人技术在解决不确定性问题中的应用、模型能力评估与未来趋势、大模型发展与动作控制趋势、大模型应用与数据安全及技术路线、世界模型与CLA在预测模型中的应用及国内外差距、仿真数据与真实数据在智能学习中的比例及行业趋势、人形机器人商业化路径与头部主机厂展望、人形机器人GDP时刻预测与数据需求分析等方向。
当前具身智能技术市场正经历从编程控制到深度学习,再到多模态模型的演变。2022年后,行业聚焦于提升推理与协同能力,主流技术方向转向识别模型与世界模型。大语言模型通过视觉编码器和动作生成图等技术,与物理AI融合应用于机器人控制和自动驾驶。国内银河通用和另一未具名企业可能率先进入tob场景。海外公司在物理世界落地有参考价值,特斯拉在场景跑通和量产方面有潜力。但国内模型公司在数据基础设施、高质量数据获取、通用大模型发展及核心算法处理等方面与海外前沿团队存在差距。
研报提示的风险包括:国外企业发布的通用大模型应用于机器人可能引发数据安全问题,建议核心场景使用垂直模型保障数据安全。物理数据对大脑和小脑瓶颈均有影响,不同数据类型对模型训练至关重要。新技术路线下,数据需求量未来几年仍将持续增长。国内模型公司在数据基础设施、高质量数据获取、通用大模型发展及核心算法处理等方面与海外前沿团队存在差距。此外,仿真数据质量不及真实数据,跨领域信息共享存在挑战。