机器人大脑发展及商业化前景
大模型技术演进
- LLM/VLM/VLA 技术发展：从 LLM 到 VLM 再到 VLA，模型能力逐步提升，分别实现文本、图像/文本、图像/文本/动作的识别和理解。VLM 通过跨模态融合突破文本限制，VLA 则跨越图像视频/文本感知理解与机器人动作的鸿沟。
- VLA 模型性能提升：RT-1 引入预训练和微调范式，但泛化性不足；RT-2 提升泛化能力，但数据收集成本高；ViLLA 采用无标注视频训练，解决动作符合物理学问题。
- 触觉感知加入：VLA 模型逐渐加入触觉信息输入，提升模型鲁棒性。
Sim2Real 训练方案
- Sim2Real 技术原理：利用合成数据生成技术，通过场景随机化、参数调整等方式让机器人接触大量不同数据，再将仿真数据与现实数据输入 Cosmo，生成更贴近真实情况的数据用于训练。
- Sim2Real 系统构成：由 AI 超级计算机、仿真计算机（Omniverse 和 IsaacSim）、物理 AI 计算机（GROOT、Cosmos 和 Jetson Thor）三台计算机串联构成。
- DexonomySim 数据集：采用虚拟数据与真实数据合成，真实数据为辅，虚拟数据为主。
国内外人形机器人模型对比
- Tesla Optimus：采用 FSD 技术并融合 xAI 的 Gork 模型，拟人化程度高，能感知自身物理特征，但数据收集成本高。
- 北京通用人工智能研究院：提出“力位混合控制算法”，无需传感器即可同时学习位置与力的控制，任务成功率提升约 39.5%。
- 银河通用：发布 DexonomySim 开源合成数据集，推动具身智能走向实际应用。
机器人模型终局形态
- 世界模型：将 AI 世界带入物理世界，使机器人具备思维能力和顶级空间能力。Gemini Robotics 1.5 和宇树科技 UnifoLM-WMA-0 均为此类模型。
- ViLLA 架构：智元启元 GO-1 采用 ViLLA 架构，结合互联网视频和真实人类示范进行学习，降低具身智能门槛。
- Helix 模型：Figure AI 公司发布的端到端人形机器人 VLA 通用大模型，采用“系统1”与“系统2”的双层解耦架构，可直接输出高维连续动作。
投资建议及风险提示
- 投资建议：关注涉及相关软硬件业务的上市公司，如品茗科技（北京通用人工智能研究院）。
- 风险提示：机器人应用模型开发不及预期风险、数据质量和数量不及预期的风险、时间推移风险、样本误差风险。
