具身智能前瞻系列深度报告：从线虫转向复盘至行动导航，旗帜鲜明看好物理AI.pdf

具身智能前瞻系列深度报告：从线虫转向复盘至行动导航，旗帜鲜明看好物理AI。从生物智能五阶段映射具身智能，模拟、规划能力是当前缺失环节。具身智能发展至今，从物理形态到大脑机理，机 器人无一不在以“仿生”的脉络发展演绎。我们认为，虽然目前人形机器人的产业发展阶段尚处早期，但市场往往会 高估原子层面的变化，而低估比特层面的变化——具身智能模型侧的发展日新月异，因而我们试图在本篇报告中详细 梳理生物智能五阶段的变化，并逐阶段地映射产业界的产品形态与模型算法。生物体亿万斯年的演化历程，蕴含着解 读目前具身智能发展阶段的钥匙，我们认为，当前具身智能真正缺乏的是第三阶段的生物智能——模拟学习的能力， 而物理 AI 正是构建模拟学习的核心。

复盘智能驾驶模型算法演绎历史，世界模型≈空间智能+物理 AI。正如“线虫学会转向”是生物智能的起点，“行动导 航”也是“具身智能”的起点，因而理解智能驾驶算法模型的演绎，对于理解机器人具身智能模型的发展阶段及卡点， 具有奠基性意义。同时由于具身智能产业尚处初期，业内众多明星创业公司的核心创始团队均有过长期智能驾驶行业 的从业经验，因而核心人才的迁移也必然伴随核心算法、思想的迁移。通过梳理复盘以特斯拉 FSD 为代表的智驾算法 模型的演绎历史，我们可以得出几个结论：1）BEV 架构实现了 2D 图像到 3D 空间的扩展，使得模型具备了初级空间 智能的能力（这一点在理想、华为等车企身上更多是通过激光雷达实现的）；2）传统端到端算法的实质是一个无模型 的强化学习，是快思考的系统 1；3）现阶段智驾中频繁出现的 VLM、VLA 实质是一个基于模型的强化学习，是慢思 考的系统 2；4）是否应用基于模型的强化学习，对于智能驾驶而言也许仅仅是一个“好用”与“可用”之间的区别， 而对于一台通用人形机器人而言，则会直接导致“可用”与“不可用”的区别，而建立系统 2 的关键正在于模拟与规 划的能力，也即物理 AI 的仿真能力。2025 年 CES 上，英伟达发布 Cosmos 世界模型平台，我们认为，世界模型≈空 间智能+物理 AI，也就是需要让模型具备理解、生成 3D 几何关系、距离等空间信息的能力，同时需要让模型在 3D空 间中符合真实世界物理规律地与其他物体之间发生交互。

空间智能：让模型理解 3D 空间中不同物体之间的几何比例关系与位置距离信息。由于互联网中并不直接存在海量的 3D 数据，因而现阶段的 LLM 与 VLM 仍然局限于对于文字、图像&视频等信息的生成与理解，而如果希望实现对于 3D 空间数据的 Scale up，目前而言有真实数据采集与仿真合成数据两条路线。通过真实数据采集获取的 3D 空间数据虽 然质量更高，但数据成本其实是房租+人力，规模效应不强，较难降本且极为耗时。而通过 Real2Sim2Real 方式获得 的仿真合成数据的成本，则是 GPU 的仿真计算与渲染成本，降本路径服从摩尔定律，且原始数据一般取材于真实物理 空间，数据质量并不低，是一条更有性价比且可以极大缩短数据采集时间的路径。

物理 AI：解决机器人与物理世界交互的最后一环。对于具身智能机器人而言，最后一个核心环节是嵌入模型的机器人 需要与外部世界的物体发生真实的物理交互。这件事对于扫地机、割草机、智能驾驶汽车而言都不必须，原因是广义 的行动导航（或者智能驾驶）天然是反物理交互的，智能汽车唯一与外界的高频物理交互是轮胎与地面的摩擦，除此 之外可能发生的物理交互都是智驾模型竭力避免出现的（如追尾、撞人、剐蹭等），而机器人无论是家用服务场景还 是工厂内的劳动力替代场景，都需要高频与外部环境进行交互，包括抓取水杯、搬运箱子等。而一旦涉及到物理交互， 就会存在力反馈信息，需要服从合格的物理定律，否则将会产生严重的人身伤害及财产损失。物理 AI 正是在这样的背 景之下诞生，要去回应当前机器人产业“缺数据”的难题。