具身智能技术路线与商业化节奏研究

报告编号：EXK-A-014 二级赛道：机器人与具身智能 出品单位：经纬智汇信息咨询有限公司（北京） 密级：内部参考 数据截至：2026 年 7 月

摘要

具身智能被英伟达、高盛、摩根士丹利等机构共同视为继大语言模型之后人工智能的"下一个浪潮"，也是全球科技竞争与产业投资的战略新高地。本报告从技术导向与市场导向出发，兼顾政策与商业视角，沿"过去→现在→未来"全时间轴，系统剖析具身智能的定义边界、技术路线、竞争格局、商业化节奏、产业链、政策环境与市场预测，并给出面向投资方、技术决策者与采购方的分层行动建议。

核心判断：技术上，"大脑—小脑—本体"三层架构已成共识，VLA（视觉-语言-动作）大模型成为主导范式，但泛化、灵巧操作、长程规划三大瓶颈未解；商业化呈"倒金字塔"顺序，2025 年为全球规模化量产元年，但展示类场景仍占绝对多数；竞争格局是"中美双极"——美国领先于 AI 软件与基础模型，中国主导硬件制造、供应链与量产规模。 建议决策者以"软件/数据护城河 + 硬件国产替代确定性红利 + 场景 ROI 选型标尺"三条主线布局，警惕估值泡沫与同质化竞争。

本报告采用"结论后置"结构：先以九个部分铺陈现状、数据与分析，最后统一给出建议、结论与行动路径。报告约 1.3 万字，含 6 处图占位符与多张数据/对比表。

一、具身智能的定义、内涵与边界

1.1 概念的历史脉络（过去）

具身智能（Embodied AI / Embodied Intelligence）并非新概念。1950 年，图灵在其奠基性论文中已首次提出具身智能的设想；上世纪八九十年代，随着机器人学与认知科学的发展，"智能离不开身体"的思想逐渐成型，与传统"符号主义 AI"分道扬镳。真正将其推向产业前台的是 2023 年——英伟达 CEO 黄仁勋在 ITF World 半导体大会上提出，人工智能的下一个浪潮将是具身智能，即能够理解、推理并与物理世界互动的智能系统。自此，具身智能从学术概念跃升为资本与产业的核心叙事。

1.2 定义与本质

具身智能指一种基于物理身体进行感知和行动的智能系统：智能体通过身体与环境的实时互动来获取信息、理解问题、做出决策并执行行动，从而在交互中学习、进化，产生适应性的智能行为。其本质是"感知—认知—决策—行动"一体化闭环，强调"智能源于身体与环境的耦合"，而非脱离物理世界的纯数字推理。

需要厘清的是：具身智能 ≠ 人形机器人。人形机器人是具身智能当前"最佳载体"与最受关注的形态，但具身智能也可承载于轮式、四足、机械臂等多种本体；反过来，一台人形机器人若不具备在交互中学习与泛化的能力，也只是传统机器人。

1.3 与相关概念的区别与联系

一句话概括三者关系：具身智能 = AI 大模型（提供"脑"）+ 机器人本体（提供"身"）+ 物理交互数据（连接二者的血液）。它既不是工业机器人的简单升级，也不是大模型的物理外壳，而是二者深度融合催生的新物种。

1.4 "大脑—小脑—本体"框架

理解具身智能技术的核心框架，是被中国工信部相关指导意见与地方产业主管部门普遍采纳的"大脑—小脑—本体"三层路径：

• 大脑：负责环境理解、智能交互、认知推理与任务规划，主要依托机器视觉与多模态大语言模型，是"智能"的来源。
• 小脑：负责运动控制（平衡、姿态、步态、力控），在大脑策略指导下实现动作执行与实时反馈，是"协调"的来源。
• 本体：物理硬件载体，包括躯干、四肢、灵巧手，以及视觉、触觉、力觉、惯性等各类传感器与执行器，是"身体"本身。

当前产业的一个关键特征是发展不均衡："大脑"智力借助大模型快速提升，"小脑"的灵巧操作仍处初期，这一"脑快身慢"的落差，正是理解后文一切技术瓶颈与商业化节奏的钥匙。

*图1：具身智能"大脑—小脑—本体"三层技术架构示意图*

二、技术路线深度剖析（核心之一）

具身智能的技术栈可沿"感知层 → 决策/认知层（大脑）→ 运动控制层（小脑）→ 本体形态 → 数据路线"逐层拆解。本章为报告技术纵深所在。

2.1 感知层：多模态感知与世界模型

感知层是本体与环境交互的入口，涵盖视觉、触觉、力觉、听觉与本体状态感知（IMU）。

• 视觉 / 3D 感知：受益于扫地机器人、消费电子等规模化摊薄，工业级入门深度相机成本已降至千元级、较两年前下降约 70%；3D 视觉成为环境建模的关键环节，代表厂商如奥比中光。
• 触觉 / 力觉：六维力传感器是感知层"皇冠上的明珠"，用于手腕、脚踝、机械臂末端的精细力控；电子皮肤、多维触觉感知被深圳等地列为重点攻关方向。难点在于触觉信号的遮挡、噪声与多模态融合。
• 世界模型（World Model）：建立环境的内部表征并预测未来状态，使规划更可靠，尤其适合长时序、复杂的制造/仓储场景；代价是计算消耗大、训练数据要求高。2025 年出现"VLA + 世界模型"融合的探索，代表性工作如智平方联合北大推出的融合 4D 世界模型的 Video2Act 架构。世界模型被广泛视为具身智能大脑的下一个突破方向。

2.2 决策 / 认知层（"大脑"）：VLA 与路线之争

VLA（Vision-Language-Action）模型是当前技术主线，其核心是将视觉观测与语言指令直接映射为机器人的连续动作，打通"看—想—做"的端到端链路。代表性架构演进如下：

• Google RT-2 / Gemini Robotics：开创动作 token 化路线。2025 年 9 月，Google DeepMind 发布 Gemini Robotics 1.5（VLA 执行）与 Gemini Robotics-ER 1.5（具身推理），构成"ER 负责高层规划、1.5 负责动作执行"的双模型"大脑-身体"架构，ER 1.5 已通过 Gemini API 向开发者开放，另提供可本地运行的 On-Device 版本。
• Physical Intelligence π0 系列：结合视觉语言模型（VLM）与条件流匹配（flow matching），支持高精度连续动作。π0 于 2024 年 10 月发布、2025 年 2 月开源；后续迭代 π0-FAST（训练提速约 5 倍）、π0.5（开放世界泛化）、π0.6（引入 RECAP 强化学习，吞吐翻倍）。
• Figure Helix：快慢双系统架构，兼顾实时控制（快系统）与语义推理（慢系统）；Helix 02 进一步扩展到全身控制。
• NVIDIA GR00T N1：世界首个开源人形机器人基础模型，2025 年 3 月发布，采用双系统设计（System 2 慢思考 VLM + System 1 快思考扩散 Transformer），公开版约 22 亿参数，约 5 万 H100 GPU 小时预训练，训练数据构成"网络视频 + 合成数据 + 真机数据"的数据金字塔。

两条路线之争是当前技术辩论的焦点：

• 端到端大模型路线：从感知信号直接生成动作，泛化性强、学习效率高（如小鹏第二代 VLA 去除"语言转译"中间环节，从视觉信号直接生成动作指令）；短板是长程规划弱、新场景易失效、可解释性差。
• 分层控制路线：大脑负责规划与反馈，小脑/小模型精通单一任务，模块化、可靠性高、易调试；短板是泛化受限、跨任务迁移成本高。

趋势判断：机器人大小脑正从"分层解耦"走向"端到端融合"，VLA 端到端成为核心范式；工程实践中出现折中方案——"大模型负责高层规划 + 若干 VLA 小模型精通单任务并封装为可复用 skill 模块"，兼取泛化与可靠。

2.3 运动控制层（"小脑"）：模仿学习、强化学习与 Sim2Real

• 模仿学习（Imitation Learning）：通过遥操作示范采集数据，让机器人模仿人类动作，是操作类任务的主流方法。
• 强化学习（RL）：适应复杂、动态环境。人形机器人的复杂身体控制（行走、跳舞、空翻）几乎都在仿真器中通过 RL 习得。
• Sim2Real 迁移：仿真与现实之间在接触动力学、摩擦、材料属性上的差异（Sim-to-Real Gap）是所有仿真路线的根本难题，也是当前最热的攻坚点。
• 全身控制（Whole-body Control）：双臂、双腿、腰腹核心的协同控制，是本体运动的关键，直接决定机器人能否稳定完成搬运、上下台阶等复合动作。

产业已形成的决策系统融合共识是：高层决策嵌入规则化常识（由大模型编码抽象知识），低层动作采用强化学习适应动态环境，即"规则保安全、学习促适应"的分层混合框架。

2.4 本体形态：人形之争与灵巧手

• 人形 vs 非人形：人形因双足行走、双手协作，与"为人类设计的环境"互动的隐性成本最小，能最大化复用现有基础设施与人类行为数据体系，被视为通用载体；但在稳定性、成本、可靠性要求高的特定场景，轮式、四足、机械臂往往更优。行业正构建"人形 + 轮式 + 多足 + 机械臂"的复合作业体系，其中轮式人形因兼顾移动稳定与成本，被预测为增速最快的形态之一（2030 年前年复合增长率约 120%）。
• 灵巧手：从操作复杂度看，"手比脚更难"，灵巧手进展相对缓慢，却是人形机器人从"能走"迈向"能干活/工具化"的关键。特斯拉 Optimus 第三代灵巧手自由度已达 22；一旦成熟量产，将有较大降本空间。

2.5 数据路线与 Scaling Law 之争

数据是具身智能区别于大模型的最大特殊性，也是最深的护城河。

四条数据路线并存： - 真机数据——质量最高、成本最贵； - 仿真数据——可规模化生成，但有 Sim2Real gap； - 遥操作数据——模仿学习的基础； - 视频学习——利用海量网络人类视频，规模大但存在 embodiment gap（人体与机器人本体差异）。

主流范式为"仿真合成数据预训练 + 真实数据后训练"（以银河通用为代表）；业界流传"95% 黄金比例"，即约 5% 数据人工精标、95% 通过数据飞轮自动生成与筛选。

数据飞轮与壁垒：与大模型可被低成本蒸馏不同，机器人数据需私有采集、别人拿不走（最多拿走模型）。业内形象概括为"数据之于大模型是包袱，之于具身智能却是壁垒"。多家企业估算，具身智能真正可用至少需要千万小时级乃至更高量级的数据；头部企业已投建数千平方米的数据采集工厂，日均产出数万条高质量数据。

Scaling Law 之争：多家机构初步验证了 Scaling Law 在机器人方向的有效性，但"仿真能否替代真实数据""不同任务的规律是否一致"仍有分歧。主流观点认为，真实数据在复杂人类行为、动态场景与高可靠性需求中不可替代，仿真只能作为补充而非替代。

*图2：全球主流 VLA / 具身大模型技术路线对比图*