具身智能——決定 機器人泛化能力天花板的“大小腦”,分層具身大模型和端到端大模型

具身智能是一種基于物理身體進行感知和行動的智能系統，其通過智能體與環境的交互獲取信息理解問題、做出決策 并實現行動，從而產生智能行為和適應性。具體而言，具身智能在機器人上的應用體現可以劃分為三階段：感知、推 理、執行。

具身智能是機器人與人工智能發展的交匯點。機器人的通用性取決于泛化性的發展程度，自20世紀50年代以來，經過 多輪發展，機器人開始從傳統的自動化工業場景機器人，向通用泛化場景的機器人方向發展。而人工智能在幾十年發 展過后，在今天迎來了智能程度、通識程度更高的生成式大模型時代。在當前時間點，人工智能可以真正為機器人賦 予“大腦”，機器人也可為人工智能提供“身體”，兩者深度融合，而融合的交點——具身智能，則是人工智能與機 器人相互促進發展而形成的必然的產業趨勢。

目前具身大模型可以分為兩大流派，一類是端到端大模型，一類是分層具身大模型。1）端到端大模型：能夠直接實 現從人類指令到機械臂執行，即輸入圖像及文本指令，輸出夾爪末端動作。

2）分層具身大模型：不同層次模型協作， 上層大模型進行感知與決策，底層硬件層和中間響應快的小模型進行決策的分解與執行。目前，由于受數據制約難以 達到性能要求，端到端大模型尚未成為主流選擇，更多廠商還是選擇以分層模型為機器人的具身智能。

訓練具身大模型的痛點：數據。機器人需要用海量數據進行訓練，使其變得更加智能。但機器人是非常新的領域，嚴 重缺乏訓練數據的積累。對應而言，目前主要的數據收集方法有四種：1）遠程操作，即由實驗人員操作機械手柄，遠 程控制機器人做出相同動作，以此來積累數據；2）AR，即通過AR環境對機器人進行訓練，積累數據；3）仿真，即 通過海量算力進行模擬運算，計算得出海量機器人訓練數據集；4）視頻學習，即通過多模態大模型，直接讓機器人通 過視頻學習人類動作，從而積累訓練數據。

人形機器人產業未來展望：從專用到通用，從ToB到ToC。短期來看，任務相對聚焦，對泛化能力要求不高工業制造 場景下的任務正在更快進入商業化階段。在工業制造場景實現商業化落地之后，海量機器人的具身數據疊加算力技術 的進步，機器人的能力將循序漸進逐步解鎖，并向商用服務、家庭服務等更開放的場景進行延伸，屆時市場有望達萬 億J。

附件：具身智能——決定 機器人泛化能力天花板的“大小腦”,分層具身大模型和端到端大模型