具身智能梳理以及展望

具身智能相关技术与发展历程

具身智能概念

具身智能指具有自身体验、改变物理世界的智能。

过去 5.4 亿年，地球所有生物智能由身体作用于世界的行为塑造。

1950 年，图灵在《Computing Machinery and Intelligence》论文中首次提出具身智能（Embodied Intelligences）概念。

论文链接：

https://courses.cs.umbc.edu/471/papers/turing.pdf

里程碑事件

2016 - 2017 年：DeepMind 火柴棍机器人研究

• 论文一（2017）：《Emergence of Locomotion Behaviours in Rich Environments》，通过策略梯度强化学习新变体，让智能体在无明确奖励指示下学习奔跑、跳跃等行为。

• 论文二：《Learning human behaviors from motion capture by adversarial imitation》，利用对抗式模仿学习，根据有限示例生成人类相似动作模式，解决强化学习动作僵硬问题。

• 论文三：《Robust Imitation of Diverse Behaviors》，提出生成对抗模仿学习（GAIL ），使监督方法可一次性模拟学习，从更少示例进行更鲁棒控制学习。

2019 - 2022 年：ETH 预训练框架及相关研究

• 2019 年：ETH 击败波士顿动力获 Darpa 冠军，相关论文《Learning agile and dynamic motor skills for legged robots. Science Robotics》入选 Nature2019 年度十大杰出论文，通过神经网络建立电机模型解决仿真到实物迁移问题。

• 2020 年：论文《Learning quadrupedal locomotion over challenging terrain. Science Robotics》为 Science Robotics 2020 年 10 月封面文章，利用 teacher - student 结构进行预训练。

• 2022 年：论文《Learning robust perceptive locomotion for quadrupedal robots in the wild》获得 DARPA 地下挑战赛冠军，利用 belief encoder 做本体感受融合。

2022 年：NVIDIA 和 ETH 建立具身智能基础软件 ISAAC

ISAAC 是世界首个端到端的动力学仿真分析软件，使用 NVIDIA 的 Isaac Gym 仿真环境在 GPU 上并行模拟数千个机器人，被评为 “2022 年世界十大智能制造科技进展” 。

2025 年：Helix 快 - 慢系统融合新思路

Helix 首创 “S1 快系统，S2 慢系统” 的 VLA 模型，用于控制人形上半身。同时，Gemini Robotics、英伟达 GROOT N1 采用类似架构，预计成研究热点。

具身智能领域主流技术路线

机器人智驾大模型

主要解决电动车、无人系统或机器人导航与路径规划，以全端到端方式实现车辆智能驾驶。

机器人操作大模型

解决配置机械臂等移动机器人操作能力问题，特征是机器人基础模型（RFMs） 。

人形机器人分层策略模型

采用 “上层任务规划 + 下层操作策略” 分层策略，重点解决人形机器人边走边作业问题。

人形机器人基础通用模型

实现人形机器人 “感知 - 抓取 - 动作” 一体化训练和推理，将文本、语音、视频等作为输入。

机器人基础模型面临挑战

• 整合多样的数据源：利用预训练视觉 - 语言模型导入互联网规模经验，进一步训练整合机器人动作形成视觉 - 语言 - 动作模型，采用跨化身训练合并多种机器人数据。以 RDT 为例解决数据异构性问题。

• 模型架构：为执行复杂物理任务，采用带有流匹配（通过学习概率流转换数据分布） 、动作分块（分解动作序列提高效率准确性） 、表示复杂连续动作分布（以高频率控制机器人）等方法。

• 大规模预训练：在大规模多样化语料库预训练，再在精心策划数据上微调导出所需行为模式。

模型	视觉编码器	文本编码器	状态编码器	基座模型	动作预测方式	模型参数量	是否开源
GR - 2	VQGAN - Encoder	CLIP	MLP	GPT - style	VQGAN - Decoder 指导的 MLP 预测	230M	否（GR - 1 只开源验证）
RDT - 1B	SigLIP - 400M	T5 - XXL	MLP	DIT	Diffusion	1.2B	是
π0	SigLIP - 400M	Gemma Tokenizer	MLP	VLM PaliGemma	Diffusion（基于 action expert 的 flow matching diffusion）	3B	否

 

国际相关模型

1. Physical Intelligence：机器人基础模型 π0（pi - zero） 。
2. Skild AI：Skild Brain 的机器人基础模型。
3. Covariant：首个机器人通用基础模型 RFM - 1（Robot Foundation Model - 1） 。
4. Deepmind：通用机器人大模型 RT - X。

国内相关模型

1. 穹彻智能：穹彻具身大脑（Noematrix Brain），含实体世界大模型和机器人行为大模型。
2. 清华大学 AI 研究院：RDT（Robotics Diffusion Transformer）双臂机器人操作任务扩散基础模型 。
3. 灵初智能：基于强化学习的端到端具身模型 Psi R0。
4. 自变量机器人（X Square）：Great Wall 操作大模型。
5. 星海图：具身基础模型（Embodied Foundation Model, EFM） 。
6. 银河通用：操作大模型 SAGE。
7. 星动纪元：ERA - 42 端到端原生机器人大模型。
8. 字节跳动：GR - 2（Generative Robot 2.0） 。

技术路线 3：人形机器人分层策略模型

通过建立 “足 - 地” 接触力权重调节、长短期历史反馈控制器和机器人高维状态识别神经网络，可在复杂地形下并行训练和实现鲁棒控制。调节因素包括触地状态、地形信息、电机参数等，涉及奖励函数如线速度、角速度等计算。该方法解决了国际常用 “预训练 + 知识蒸馏” 两步走强化学习策略信息损失问题，提升数据利用率与迁移效果，在青龙人形机器人上成功应用。

利用 OpenAI 大模型赋能，

第一层 Open AI model 用于交互、理解、记忆、存储，为机器人提供强大短期记忆；

第二层 Neural Network Policies 基于 transformer 的视觉 - 运动变换策略，将像素映射到动作；

第三层 Whole Body Control 负责安全、稳定控制，为全身控制器提供 “设定点” 。

国际相关模型

1. 特斯拉 Optimus 人形机器人：采用 FSD + 规划控制。

2. Figure 公司 Figure01 人形机器人：运用 “策略 + 环境 + 行为” 分层架构控制方案。

3. Boston Dynamics 电驱动 Atlas 人形机器人：采用动态分层强化学习算法。

国内相关模型

1. 国地共建人形机器人创新中心青龙人形机器人：采用 “书生大模型 + 运动层 + 行为层” 的分层架构控制方案。

2. 智元新创人形机器人：依托讯飞星火大模型联合开发；乐聚夸父人形机器人搭载华为盘古大模型，通过分层策略进行任务规划和执行。

3. 傅利叶 GR - 1：2023 年 7 月推出，未来以通用机器人技术平台为核心实现商业化落地。

4. 优必选人形机器人 Walker S：接入百度文心大模型，通过 “大脑大模型” 和 “小脑大模型” 配合完成任务。

5. Cyan 青心意创人形机器人：在大语言模型加持下，具备情绪表达的自然语言交互能力和双臂操作能力。

技术路线 4：人形机器人基础通用模型

NVIDIA GROOT 项目

在 2024 GTC 上推出，是面向人形机器人的通用基础模型开发框架。需在 NVIDIA DGX 上训练模型，在 OVX 上进行实时强化学习，开发者可在 Isaac Lab 模拟（Omniverse Isaac Sim 新应用用于人形学习 ），在 OSMO（新计算编排系统用于扩展模型 ）训练，并部署到 Jetson Thor（为 GROOT 提供动力的新边缘 GPU 芯片 ）。

英伟达三项基础设施

• NVIDIA DGX：作为机器人基础模型的训练框架，包含 NVIDIA AI Enterprise 软件套件，提供数据科学工具、预训练模型、优化框架等资源及企业支持，具备强大计算能力，支撑大规模 AI 模型训练。

• NVIDIA Isaac Lab：基于 Isaac Sim 构建的机器人基础模型仿真平台，融合高精度物理和传感器仿真，提供全面机器人模型、训练环境、物理仿真和传感器仿真，支持多种机器人模型与训练环境，是从仿真到现实应用的理想选择。

• NVIDIA Jetson Thor：计划 2025 年上半年推出，作为机器人基础模型的 “大脑” 芯片，是新一代人形机器人专用紧凑型计算平台（雷神，算力达 1000Tops） ，支持机器人感知、决策和行动，执行复杂任务。

商业化落地难题

传统机器人系统

• 控制系统不精确：基于 Model Based 方案简化系统，难以对外部扰动建模（Traditional Control System ）。

• 模型参数难自适应：传统控制算法参数无法自整定，需切换系统设计（Auto Tunning ）。

• 开发周期长：新控制系统设计需完整流程，包括建模、辨识、设计、开发、调参、迭代（New System ）。

人形机器人

• 操作交互难：精确操作和与物理世界交互困难，移动、转移物品难度大、精度差（Manipulation Complex ）。

• 任务适应难：需具备持续学习能力以满足柔性作业及多样化、长程、组合任务需求（Mission Complex ）。

• 智能化实现难：当前智能程度远不及人类 30%，真正可落地的智能对数据和模型要求极高（True Intelligence ）。

人形机器人发展分析

产量预测与通用化趋势

预计 2026 年人形机器人将进入通用化时刻，达到 10 万台的生产或销售门槛，摆脱特定领域专用限制，广泛应用于不同场景。2015 - 2024 年中国工业机器人产量持续增长，2024 年产量达 55.64 亿台。根据马斯克在 2025 年 1 月 12 日 CES 访谈，特斯拉 Optimus 人形机器人未来三年产量计划为：2025 年生产几千台并在工厂测试；2026 年若测试顺利，产量增至 5 - 10 万台；2027 年产量再增 10 倍达 50 万台，未来人形机器人与人类比例或达 5:1，全球将有 300 亿台运行。

双足人形机器人发展

Figure 终止与 OpenAI 合作协议，在全端到端机器人 AI 取得重大突破，将在未来 30 天展示人形机器人领域前所未有的成果。相关技术涉及 OpenAI 模型、神经网络策略、全身控制器等，还有用于导航的 NaVILA 模型（Legged Robot Vision-Language-Action Model ） 

马斯克在 CES2025 预测

• AI：2024 年耗尽人类知识数据，接管除体力劳动外的脑力活动，引发人类思考未来工作方向。

• 人形机器人：2026 年 5 - 10 万台，2027 年 50 万台，助力人类进入高收入时代，实现工作选择自由。

• 脑机：已有三位植入患者运行良好，2025 年计划为 20 - 30 位患者植入升级版设备，使人接管虚拟世界，创造人类与 AI 共生关系。

• 火星：未来两年送无人飞船赴火星测试安全着陆，之后每两年开展一次任务，目标在 2030 年让人类成为多行星文明探索者。

• 自动驾驶：每天处理超 1 亿次人工干预数据，2025 年第二季度实现安全性超人类驾驶员十倍，影响城市治理和土地规划。

• 人类命运思考：AI 和机器人取代工作后，人类进入高收入时代，引发对生命意义的思考，推动社会转型。

具身智能产品能力要求

具身智能产品需具备软硬一体化能力，涵盖跑的快（如宇树科技小型人形 G1 高速奔跑 ）、拿的准（如 1x EVE 在大模型加持下精准作业 ）、训的好（如 Optimus 在实训场训练技能 ）、通用化（如具备控制任何机器人的通用大脑 ）等方面，打造融合多家技术的产品是软硬一体化终极难题。

未来 1 - 3 年头部公司走向

• 赛道：以具身智能为主线，打造人形机器人通用产品，借助大训练场加速数据产出与场景闭环。
• 预测：硬件平台公司预计留存 20%，少于 10 家高性能全尺寸整机公司；具身智能公司考验软硬件能力，纯软件公司将被洗牌；数据集是关键技术，开源开放促人形机器人推广；训练场成 AI 时代数据工厂，催生新商业模式；芯片和操作系统将成重要竞争赛道。
• 热点与新事件：2023 年人形机器人整机受关注，2024 年具身智能机器人成焦点；新事件包括 google 量子芯片 Willow 等。
• 2025 年预计：人形机器人产量元年，3 - 5 家企业进入 1000 台套订单俱乐部；世界基础通用模型元年，超 10 家公司进入机器人大模型俱乐部 ；SoC 芯片和 GPU 操作系统成新增长点；具身智能与核心零部件结合；场景落地尚需时日，以 10 - 100 台套级别机器人示范园为主。