具身智能产业深度研究：大模型与数据为人形机器人打开脑洞.pdf

具身智能产业深度研究：大模型与数据为人形机器人打开脑洞。

核心观点：大模型为引擎，数据为燃料，构筑人形机器人最核心环节

具身智能本质特点是具备理解物理世界并与之交互的能力。相比于传统机器人 控制，具身智能的核心转变是实现了自主决策，让机器人从根据指令执行特定 任务的机器进化为持续与世界交互的智能体，因此大模型与数据是人形机器人 最核心的环节。

从理解到执行，AI 算法向具身智能演进

具身智能本质特点是能够与物理世界交互。具身智能与非具身模型的本质区 别，在于是否具备理解物理世界并与之交互的能力。大语言模型虽然能实现复 杂信息理解，但局限于感知环节，具身大模型则需要构建完整的"感知、决策、 执行"链路，实现对物理世界的精准干预。 具身智能实现机器人控制从指令执行到自主决策的转变。传统机器人系统控制 本质是功能组件的机械协同，而具身智能则构建了一个能在物理环境中自主存 续的完整行为个体。具身智能大模型让机器人从执行特定任务的机器，进化为 持续与世界交互的智能体。

大模型：具身智能的引擎

模型架构方面，主要有端到端和分层端到端两类路线。端到端大模型直接构建 “输入（视觉+语言）→输出（动作控制）”映射，不拆分中间环节，典型代表 是谷歌 DeepMind 的 RT 模型。分层端到端将具身智能系统拆分为多个专用模 块，平衡了性能与实用性，数据需求合理化，泛化性能增强，成为目前的主流 选择，典型代表包括 Figure 的 Helix 模型和银河通用的三层大模型系统等。 分层端到端由基础大模型、决策大模型、执行大模型组成。第一层基础大模型 为感知与理解中枢，通过整合语言指令与视觉信号实现对复杂场景的语义解析 和空间推理；第二层决策大模型为任务拆解与规划中枢，将复杂任务拆解为可 执行的子任务序列，并调度下一层进行执行，技术路径从基于 LLM 的规则拆 解向 RL 驱动的自适应规划演进；第三层操作大模型为硬件执行中枢，将上一 层生成的抽象指令转化为控制硬件的精确信号，技术路径从MPC+WBC向RL+ 仿真演进。

数据：具身智能的燃料

真实采集数据：可靠性高，但面临规模化瓶颈。采集方法主要包括远程操作与 动作捕捉，保留物理世界真实性与闭环反馈，但成本高、规模化难。 仿真合成数据：解决数据稀缺的经济高效方案。通过计算机仿真技术在虚拟环 境中生成交互数据，可快速批量化生成，但存在虚实差距等问题。 行业实践：真实与合成数据协同应用。英伟达从少量人类示范数据中生成大规 模合成数据，将合成数据与真实数据相结合后性能提升了 40%；特斯拉以真实 数据为主，主要通过动作捕捉技术采集数据，以仿真合成数据为辅，构建虚拟 仿真场景以训练算法应对不同环境的性能；银河通用则采用 99%的合成数据和 1%的真实数据，高效完成 pick&place 等任务。