面向具身智能的大小脑模型协同算法研究及实践

具身智能是基于物理载体进行感知和行动的智能系统，通过智能体与环境的交互产生智能行为和适应性，是通用人工智能的可能起点。具身智能的关键任务包括技能泛化、真实交互和本体扩展。

具身模型类型多样，但传统端到端模型虽决策高效，但泛化性和扩展性受限，难以适应多样场景。大小脑模型协同框架凭借模块化、可泛化和可解释的优势，成为学界与业界的研究热点。该框架赋予具身智能体可扩展架构、高效开发和强适应性，是当前实现具身智能体更易落地的技术路线。

传统多模态大模型（VLMs）在具身智能场景中面临挑战，如GPT-4o在具身任务中表现欠佳。具身模型应具备技能泛化、真实交互和本体扩展能力。

技能泛化方面，MP5和RA-P等模型通过多智能体协作和组合泛化实现未知技能的学习。真实交互方面，MineDreamer和Chain-of-Imagination等技术通过想象链强化行动执行的指令跟随能力，并实时监控提升任务执行的成功率。具身大脑的基本能力提升包括空间感知和深度思考，如大规模数据集（2D Web Images, 3D Embodied Videos）和RoboRefer等模型的应用。

尽管取得进展，具身模型仍面临语义和空间感知、可靠长时程规划等挑战。大小脑模型协同框架为具身智能的实现提供了有效途径，但仍需进一步研究解决现有局限。