2025年机器人大模型行业深度报告：我们距离真正的具身智能大模型还有多远？

1.人形机器人为何需要高智能的大模型？

人形形态并非技术难点，核心在于通用智能的补足

人形形态的机器人早已实现工程落地，但长期停留在“仿形不仿智”阶段。过去的人形机器人主 要以模仿人类形态为目标，相关技术早在数十年前已初步成熟。早期典型代表如2000年本田推出 的ASIMO与2013年波士顿动力的Atlas，虽具备出色的运动能力，但执行逻辑高度依赖预设行为库。这类机器人可完成跑跳等复杂动作，体现了运动控制硬件的成熟度，但其行为均来自人工设定的 指令序列，无法自主理解任务或适应环境变化。因此，本质上这类产品仍是“人形的机器”，而 非“具备人类智能的机器人”。它们缺乏对环境的感知、任务的理解与泛化能力，尚不具备真正 的智能交互与通用任务执行潜力。

多模态大模型的出现，为人形机器人装上“智能大脑”

本轮人形机器人热潮的底层驱动力，是市场对其“智能性”的高度期待。随着多模态大模型的突 破，机器人首次具备了“感知—理解—决策”的潜力，被视为拥有“大脑”的关键起点。大语言 模型（LLM）的成功，验证了通过大规模互联网文本训练神经网络具备推理能力的可行性；而视 觉语言模型（VLM）进一步拓展模态边界，使模型可以“看懂图像、理解语言”。LLM专注于文 本推理，VLM则通过融合图像/视频与语言等模态信息，构建起跨模态的统一表征体系，从而支持 模型理解现实世界的更多维度。

动作模态的融入，让模型端真正赋予机器人执行操作的能力。仅能感知、理解世界并不是机器人 大脑的终极目标，机器人的最终目标是在认知的基础上实现与现实世界的动作交互。目前机器人 模型的核心迭代方向，是将动作模态融入现有的视觉语言模型。

初级具身智能模型撬动人形机器人产业0-1落地

当前大多数人形机器人仍处于展示阶段，核心瓶颈在于智能程度不足。一旦具备初步智能化能力，机器人即可在特定场景中落地应用，并通过任务反馈不断优化模型，开启数据飞轮与产品迭代循 环，从0-1迈向1-100的演化。

数据飞轮是驱动智能系统能力提升的核心机制。本质是“收集数据—改进模型—提升产品—吸引 更多用户和数据—再次改进”的正向循环，有望带动人形机器人快速迈入迭代加速期。

当前模型水平有限，距离真正泛化仍有较远距离

现阶段人形机器人仅在智能化的初级阶段。北京市人形机器人创新中心牵头，联合上海市、浙江 省人形机器人创新中心，以及优必选、宇树科技、中国信息通信研究院、工业互联网研究院等多 家头部企业与科研机构，共同制定了全球首个《人形机器人智能化分级》标准，从感知、决策、 执行、协作四维度划分L1-L5五级。目前主流产品智能水平普遍仅在L2左右，尚未具备自主泛化 与应变能力。未来向更高智能等级进化仍需突破模型、数据与算力多重门槛。真正实现通用智能 机器人仍有较长路径要走，需在技术、数据体系和生态协同上持续积累。

2.从架构端和数据端看，目前机器人大模型的进展 如何？

发展历程：三条主线驱动，加速技术衍变

多模态、动作频率和泛化能力三条主线驱动技术衍变。 1）多模态：22年4月Saycan发布，能够根据任务指令在动作库中输出最优动作。22年12月RT1发布， 动作输出升级为由Transformer生成的动作Token。23年3月PaLM-E发布，较Saycan在任务理解能力上 显著升级。23年7月RT2发布，结合RT1和PaLM-E两者优势，将动作信息纳入模型输出空间。 2）动作频率：RT2只能输出1-5Hz的动作序列，为克服这一问题。24年10月π0发布，引入采用 FlowMatch模型的动作专家，动作输出升级为50Hz的动作轨迹。25年2月Helix发布，采用快慢脑结构，操纵频率进一步提高，输出200Hz动作序列。 3）泛化能力：由于现实世界极其复杂，不可能通过枚举穷尽所有场景，因此机器人必须具备“零样本 泛化”能力。纵观模型发展史，各模型均强调多任务联合训练、预训练迁移能力以及跨平台迁移能力，核心目的就是提升零样本泛化表现。

SayCan：语言模型与可行性评估结合的任务规划框架

SayCan 是由 Google 于 2022 年提出的一种将语言模型（LLM）与机器人可行性模型相结合的任务规划系统。 它的核心思想是将自然语言指令拆解为一系列子任务，然后由 LLM（如 PaLM）生成可能的动作候选，再由一 个训练好的“Can”模型（基于 Q-learning 的 Affordance Model）评估每个动作在当前环境下的可行性。

具体流程：SayCan 首先接收一段用户指令（如“请帮我从厨房拿一瓶水”），通过语言模型推理出多个可能的 操作步骤（如“走到冰箱前”、“打开冰箱”、“拿出水瓶”），之后使用训练得到的可行性模型为这些步骤 打分，最终选取可执行性最高的动作序列传给机器人控制器执行。该方法巧妙地将 LLM 的语义理解能力与机 器人在现实场景中的动态感知能力连接起来，实现了“说得通也做得到”的人机交互模式。

SayCan 在真实机器人平台上展示出显著优于传统方法的任务执行能力，验证了“语言+可行性打分”架构的 有效性。 在实验中，SayCan在真实世界的厨房环境中执行了101项任务，规划成功率为81%，执行成功率为 60%，比未经过现实世界约束的LLMs执行准确性提高了约15%。

SayCan 的两阶段结构在工程部署和模型泛化上存在一定限制，难以满足大规模通用机器人系统需求。 1）语 言理解模块和可行性模型是独立训练，无法实现全局端到端优化，导致部分情况下任务分解与动作打分之间 存在语义脱节；2）可行性模型依赖预定义的状态特征和Q值训练，对不同场景需重新标注和学习，迁移成本 高；3）系统整体对任务顺序依赖强，缺乏自主 replanning 能力，难以处理开放环境中的任务中断或失败恢复。

RT-1：端到端 Transformer 控制模型

Google Robotics于2022年发布的RT-1(Robotics Transformer 1)，基于Transformer模型及简约标记化方法， 利用大规模开放式语言及视觉数据实现实时、可扩展、可泛化、适用于实际场景的机器人运动控制 。RT-1 使用 Transformer 编码器将图像帧与语言指令联合编码，输出动作 token（例如控制机械臂的末端位姿与夹爪 状态）。训练数据来自于机器人远程操作演示，总共包含 13 万条动作轨迹，涵盖700多个任务目标。

具体流程：当听到用户的简单指令如“帮我拿起桌子上的一瓶水”时，EfficientNet会接收图像信息，然后FiLM 层把语言指令与图像结合，输出token到Tokenlearner，并由其提取关键Token输送给Transformer，最后由 Transformer输出具体动作token序列，如关节旋转几度、电机如何运行等。

RT-1 是业界首个大规模部署的机器人端到端 Transformer 控制模型，实现了从感知输入到控制输出的全流 程统一。相比 SayCan 模块化架构，RT-1 提供了更高效率和更强适应能力的系统训练范式，大大简化了机器 人模型设计与训练流程。模型在厨房、实验室等家庭环境中实现了可扩展的多任务执行，平均任务成功率大 幅超过传统控制策略。

PaLM-E：多模态具身语言模型

PaLM-E 是 Google 于 2023 年发布的融合语言、视觉和传感器状态信息的大规模多模态语言模型，能够实现 具身智能任务中的高层推理与决策生成。其核心机制是在预训练的大语言模型（如 PaLM）中，注入来自视 觉、状态估计等模态的连续输入，统一转化为“多模态句子”（multimodal sentence），并作为 Transformer 解码器的输入。这些连续模态通过专门训练的编码器（如 ViT、OSRT、MLP）映射到语言 token 所在的嵌入 空间，与语言 token 共同组成输入序列，最终输出自然语言形式的回答或动作指令。

具体流程：面对“请把蓝色积木放在黄色积木上”的指令，PaLM-E 可生成一个多步文本决策：“1. 拿起蓝 色积木；2. 移动到黄色积木上方；3. 放下蓝色积木”。该文本决策随后由底层控制策略（如 RT-1）执行动 作。PaLM-E 在架构上实现了感知—语言—行动之间的自然耦合，具备端到端推理能力。

RT2：动作信息纳入VLM模型，构成端到端VLA

架构&输出：采用经动作信息训练的VLA模型，输出1-5Hz的动作序列。VLM模型以PaLM-X或 PaLM-E为骨干，经过上述方法训练后成为端到端的VLA模型。后者在应用中可直接分析经ViT处 理的图像信息和语言信息，最后视模型大小输出1-5Hz的动作序列。

具体流程：当听到“帮我从冰箱里拿一瓶水的指令时”，由VLM模型分析图像和语言信息，直接理 解任务要求，并输出如手臂旋转几度、电机如何运行的动作Token序列。其相较于RT1，主要结合 了PaLM-E推理和决策的优势，增强了对任务的理解能力。

π0/π0-Fast/π0.5：引入动作专家，输出50Hz动作轨迹

π0：采用VLM+动作专家，输出50Hz动作轨迹。π0由预训练的VLM（视觉模型SigLIP+LLM模型 Gemma）和使用Flowmatch模型的动作专家组成。图像信息经ViT后和语言信息一同输入给VLM， 经其处理后输入给动作专家，后者结合当前状态qt，输出50Hz连续动作轨迹。 π0-Fast：采用Fast算法+Transformer动作专家，训练时间缩短5倍。Fast算法先将动作轨迹用DCT （离散余弦变换）压缩，再由BPE（字节对编码）后生成离散动作Token，进而可将运动数据放入 动作专家模型中训练，实际应用中Transformer输出的动作Token经Fast解码后转为动作轨迹。 π0.5：采用内置策略规划器的VLA。类似π0-Fast，将VLM训练为VLA，同时内嵌任务分级模块。

Helix：快慢脑结构，输出200Hz动作序列

架构&输出：采用端到端的快慢脑架构，输出200Hz动作序列。Helix采用一个7B参数量的预训练 VLM作为慢脑，以及一个80M参数量的Transformer模型作为快脑。两个模型解耦，在实际应用中 以不同频率同时处理图像及语言讯息，慢脑负责思考高层目标，并以潜在向量指挥快脑，快脑负 责实时执行和调整动作，并输出200Hz动作序列。同时由于潜在向量的存在，快慢脑可进行梯度 回传，从而两者构成一个整体的端到端模型。  创新点：实现零样本多机器人协同以及拾取能力涌现。实验中，两台Figure 02使用Helix首次实现 了多机器人间的协作任务。同时，Figure发现，Helix涌现了拾取任意物品的能力。

3.未来大模型的发展方向是什么？

模态：融入更多模态，构筑世界模型

当前主流模型仅涵盖三个模态，未来扩展空间大。当前主流的机器人大模型多是VLA，即只包括 视觉、语言和动作三个模态，未来若想加强人形与世界的交互，构筑更真实的世界模型，或将需 要融入如触觉、温度等更多模态。

触觉或为下一个模态，VTLA已有相关研究储备。触觉的引入可助力VLA模型进一步泛化。通过 引入触觉这一关键信息，VLA模型可进一步延申为VTLA模型。目前包括戴盟、帕西尼在内的公 司已有相关VTLA技术储备，预计未来触觉将成为下一个融入模型的模态。

架构演进：引入“世界模型”作为核心推理机制

未来机器人通用大模型的架构演进方向之一，是将“世界模型”引入决策推理流程，作为具身智能的核心 支撑模块。 当前的大模型大多基于感知和语言指令直接生成动作，但缺乏对环境物理规律的建模能力，导 致其泛化性与高阶推理能力受限。世界模型（World Model）本质上是一类可以模拟环境动态的神经网络， 以 Cosmos 为代表的架构能够通过学习状态转移规律，基于当前状态与输入预测未来状态，实现“感知— 建模—预测—决策”的闭环认知。这类机制的引入有望赋予机器人“想象力”，让其不仅能看到当前、听 懂指令，更能推演未来，从而在面对复杂任务、多变环境时具备更强的适应能力与泛化能力。

世界模型：英伟达发布Cosmos世界模型平台

英伟达发布世界模型平台，提供大量仿真数据。25年1月，英伟达发布Cosmos 世界模型平台，上面有一系 列开源、开放权重的视频世界模型，参数量从 4B 到 14B 不等。这些模型的作用非常明确，就是为机器人、 自动驾驶汽车等在物理世界中运行的 AI 系统生成大量照片级真实、基于物理的合成数据，以解决该领域数 据严重不足的问题。Cosmos一共包括四大功能模块：扩散模型、自回归模型、视频分词器，以及视频处理 与编辑流程。

报告节选：

编辑：火腿肠