具身智能——决定 机器人泛化能力天花板的“大小脑”,分层具身大模型和端到端大模型

具身智能是一种基于物理身体进行感知和行动的智能系统，其通过智能体与环境的交互获取信息理解问题、做出决策 并实现行动，从而产生智能行为和适应性。具体而言，具身智能在机器人上的应用体现可以划分为三阶段：感知、推 理、执行。

具身智能是机器人与人工智能发展的交汇点。机器人的通用性取决于泛化性的发展程度，自20世纪50年代以来，经过 多轮发展，机器人开始从传统的自动化工业场景机器人，向通用泛化场景的机器人方向发展。而人工智能在几十年发 展过后，在今天迎来了智能程度、通识程度更高的生成式大模型时代。在当前时间点，人工智能可以真正为机器人赋 予“大脑”，机器人也可为人工智能提供“身体”，两者深度融合，而融合的交点——具身智能，则是人工智能与机 器人相互促进发展而形成的必然的产业趋势。

目前具身大模型可以分为两大流派，一类是端到端大模型，一类是分层具身大模型。1）端到端大模型：能够直接实 现从人类指令到机械臂执行，即输入图像及文本指令，输出夹爪末端动作。

2）分层具身大模型：不同层次模型协作， 上层大模型进行感知与决策，底层硬件层和中间响应快的小模型进行决策的分解与执行。目前，由于受数据制约难以 达到性能要求，端到端大模型尚未成为主流选择，更多厂商还是选择以分层模型为机器人的具身智能。

训练具身大模型的痛点：数据。机器人需要用海量数据进行训练，使其变得更加智能。但机器人是非常新的领域，严 重缺乏训练数据的积累。对应而言，目前主要的数据收集方法有四种：1）远程操作，即由实验人员操作机械手柄，远 程控制机器人做出相同动作，以此来积累数据；2）AR，即通过AR环境对机器人进行训练，积累数据；3）仿真，即 通过海量算力进行模拟运算，计算得出海量机器人训练数据集；4）视频学习，即通过多模态大模型，直接让机器人通 过视频学习人类动作，从而积累训练数据。

人形机器人产业未来展望：从专用到通用，从ToB到ToC。短期来看，任务相对聚焦，对泛化能力要求不高工业制造 场景下的任务正在更快进入商业化阶段。在工业制造场景实现商业化落地之后，海量机器人的具身数据叠加算力技术 的进步，机器人的能力将循序渐进逐步解锁，并向商用服务、家庭服务等更开放的场景进行延伸，届时市场有望达万 亿J。

附件：具身智能——决定 机器人泛化能力天花板的“大小脑”,分层具身大模型和端到端大模型