核心观点
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，实现机器人控制从指令执行到自主决策的转变。大模型与数据是人形机器人最核心的环节。
AI算法向具身智能演进
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
数据是约束具身智能技术突破和落地应用的关键因素。具身智能系统涉及多模态感知输入（视觉、听觉、触觉等）、复杂决策推理及精确运动控制，其训练数据需包含环境感知、物理交互、运动控制、任务执行等多源异构信息。互联网上各类文本、图像和视频数据集庞大，但机器人的场景和交互有价值的数据量相对较小，约束了AI模型在人形机器人上的泛化能力。真实数据采集方法主要包括远程操作技术与动作捕捉技术，远程操作技术通过人类专家对机器人的实时控制，能够完整记录复杂任务中“状态—动作”映射关系。动作捕捉技术通过精准记录人类行为模式并映射至机器人运动空间，提供拟人化动作的数据源。仿真合成数据是通过计算机仿真技术在虚拟环境中生成的交互数据。仿真合成数据可实现数据量的指数级加速，通过虚拟环境模拟可有效降低硬件成本与人力投入，场景覆盖广极广，可模拟极端环境与长流程任务。行业实践中多采用真实数据与合成数据协同应用的方式，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训练后性能提升了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。
风险提示
大模型技术落地不及预期；数据供给与质量不及预期；动态环境适应与复杂任务执行不及预期。
