具身智能模型持续进步行业商业化突破有望加速

目录TOC\o"1-2"\h\z\u身智模型续迭，泛化力有持续升 4当前具身智能模型，呈多种技术路线并行 5具身智能模型虽有差异追求高泛化性逐渐成为共识 9身智数据存在颈，行积极索降据成本 13资建议 16风险提示 17图表目录图1：具身智能应用拓展对具身大模型泛化能力提出更高要求 4图2：具身智能技术框架 4图3：目前具身智能模型技术路径行业内尚未统一 5图4：智元机器人GO-1模呈现分层架构 6图5：典型VLA模型架构 6图6：端到端的VLA模型目有多种技术架构 7图7：逐际动力具身智能大脑系统采用了三层架构 8图8：逐际动力Oli机器人整理家务 8图9：世界模型的技术范式可以概括为两条互补的发展路径 8图10：世界模型可理解为模器、渲染器、规划器等三类功能 9图谷歌模型具备到端的能力 图12：FigureAIHelix02模型三系统VLA架构 12图13：特斯拉正将全FSD积累扩展至具身智能领域 12图14：银河通用数据金字塔构 14图15：自变量机器人HOST框架支持从单条人类视频中获取技能 15表1：国内具身智能厂商模型的技术路线存在差异 9表2：具身智能主要数据类型 13表3：当前具身智能真机数据采集方案主要包括遥操作数据采集、开放环境采集和动作捕捉三种...................................................................................................................................................14表4：国内具身智能厂商已在多个场景探索布局 16具身智能模型持续迭代，泛化能力有望持续提升具身智能已成为全球关注的科技前沿。据国际电信联盟定义：具身智能指与物理实体融合的人工智能，能够自主与物理世界交互并适应环境。从智能能力上看，具身智能需具备认知、协作和学习三个功能。目前产业内常将具身智能组成拆分为大脑、小脑和本体三部分，以具身大模型为代表的“大脑”技术是机器人实现理解交互、自主决策、任务规划，规模化进入工业、商业、家庭等应用场景的认知能力基础，以具身本体智能模型为代表的“小脑”技术则是机器人能够高稳定性、高灵活性地完成各项复杂任务的运动能力前提。我们认为要实现具身智能更广泛的应用，需要持续提升机器人模型跨场景、跨任务和跨本体的泛化能力。图1：具身智能应用拓展对具身大模型泛化能力提出更高要求亿欧智库，东方证券研究具身智能需要具备环境中自主进化的智能闭环，这对模型和数据提出了更高要求。传统大语言模型交互模式为“输入数据-输出答案”，而具身智能具备了物理本体，其交互模式有望形成智能--本体”是三个关键技术要素。其中，数据是闭环飞轮启动起点，大脑能力和大小脑协同是现阶段智能的核心瓶颈。图2：具身智能技术框架中国信通院，东方证券研究具身智能行业已围绕“通用大脑”开展了广泛的技术创新。具身智能要构建一个通用大脑，目前主要的技术路线包括：分层大模型、端到端大模型和世界模型三种，行业内尚未形成统一、成熟LLM、VLM并通过API调用相应的动作策略。端到端大模型路线上，端到端的VLA（Vision-Language-Action）模型，将视觉、语言和动作统一到一个学习框架，根据视觉观测和自然语言指令输入，端到端地输出动作，该模型旨在绕过传统的显式状态估计与符号规划环节，尝试建立从高维感知输入到低层控制指令的直接映射，在处理未知任务时表现出良好的泛化能力。世界模型路线上，通过构建机器人对物理环境的内在认知模型，实现环境预判、时序推理与自主规划，核心意义在于赋予智体“内在的世界理解与模拟能力”，能够在与环境交互过程对应的高维、多模态的感知数据中提取物理规律、因果结构与环境动态，从而形成可用于推理与规划的内部表征，进而提升决策性能。图3：目前具身智能模型技术路径行业内尚未统一中国信通院分层大模型技术上相对易实现，但可能存在响应延迟等问题。分层架构将感知、决策、运动控制解耦为独立模块，高层任务规划负责语义理解与行动决策，底层运动控制专注动作执行。如CLIPort，借助CLIP在图文对齐上的预训练能力，该模型可以通过自然语言指令直接生成操控动作，在少量样本条件下即表现出良好泛化能力。分层架构具备工程实现难度低、系统可控性强、数据需求相对较小等优势，适配行业发展早期数据稀缺的产业现状，但该路线可能的缺陷在于各模块之间缺乏统一的表示空间，难以实现语言、视觉与动作之间的深层语义对齐，且模块间串联易产生信息损耗和响应延迟，跨模态信息融合能力相对较弱。图4：智元机器人GO-1模型呈现分层架构上观新闻，智元机器人端到端架构（VLA模型）可以直接将多模态输入映射为动作控制信号，泛化能力较强。典型的VLA模型架构，包含了视觉模型、语言模型以及动作模型，分别处理图片输入、任务输入以及动作输出。VLA模型的工作流程主要包括以下步骤：首先，视觉传感器获取的图像信息，会被输入至视觉编码器进行特征提取。同时任务指令会被送入语言编码器进行语义理解。之后，多模态融合模块通过整合信息，形成一个统一的、面向任务的意图表征，并输出动作词元。这些动作词元代表了具身智能的操作姿态，以离散编码的形式呈现。动作解码器获取到这些动作词元后，会将这些动作词元解析为具体的末端执行器位姿信息，再发送至底层机器人控制器，控制器通过逆运动学求解，计算出机器人各关节的动作信息，从而实现精确控制。VLA模型响应速度快、泛化能力强，且随算力提升和数据积累具备智能涌现潜力，但该路线高度依赖大规模、高质量多模态数据集，因大规模数据采集时间和经济成本均较高，在商业化前期落地难度相对较大。图5：典型VLA模型架构《具身智能大模型综述及展望》袁霆宇,刘凯,关标良等，东方证券研究端到端的VLA模型目前呈现多种技术架构并存，行业尚未形成统一方案。从模型的宏观架构范式看，VLAVLAVLA模型。离散动作词元的自回归序列建模，虽然解码速度快，但其量化误差较大，导致难以实现平滑精细的控制，可能需要特定的技巧（如掩码、分块等）VLA模实现连续动作的生成，从而能够进行平滑控制，但这种方法会显著增加计算开销和延迟。从认知分层角度，VLA模型可分为单系统和多系统分层架构，多系统分层架构将高层任务规划与低层DeepMindRT模型是单一系统架构的代表，FigureAIHelix7-9Hz200Hz本体运控的协同，用于实现人形机器人上半身的高频灵巧控制。国内整机厂商中，例如自变量机器WALL-OSSMOE到小脑动作执行的知识迁移。图6：端到端的VLA模型目前有多种技术架构《具身智能大模型综述及展望》袁霆宇,刘凯,关标良等逐级动力具身智能大脑系统采用了三层架构，在快速应用落地上具备一定优势。逐际动力把机器人大脑分成认知、技能和运控三层，VLA只占其中一层。底层是小脑基础模型（Whole-BodyControlFoundationModel），高鲁棒性的全身运动控制系统提供稳定可靠的全身平衡与运动能力。中层是具有环境感知与适应能力的大小脑融合的高阶技能层，可组合、可调度各种技能，支持导航、避障、抓取、上下楼梯等复杂行为；顶层为自主认知与决策能力，主要体现为交互、记忆与思考。按照逐级动力的理念，由于物理世界的数据天然稀缺且昂贵，具身智能大模型不应采用先COSAOli实现了把脏衣服放进洗衣篮，把鲨鱼玩偶放上椅子，叠好箱子，收走桌上的玩具，扶正歪斜的椅子，把垃圾扔进桶里，最后将钱包递到主人手上，其已能够完成全自主、实时推理的长程任务。我们认为这样的大脑架构在一些垂类场景的快速应用落地上具备一定优势。图7：逐际动力具身智能大脑系统采用了三层架构 图8：逐际动力Oli机器人整理家务 新华网，逐际动力 逐际动力世界模型有望增强具身智能的泛化能力。世界模型通过构建机器人对物理环境的内在认知模型，实现环境预判、时序推理与自主规划，被视为实现通用智能的重要前沿方向。该架构可基于历史观测与交互数据，预演环境变化与行为后果，具备更强的因果推理、泛化迁移与小样本学习能力。当前可以将世界模型的技术范式概括为两条互补的发展路径：世界的隐式表示与世界的未来预测，二者分别关注“理解当下的世界状态”与“推演未来的世界演化”，隐式表示为智能体提供了理解世界结构的基础，使其能够在无需外显建模的情况下完成推理、规划与决策；未来预测范式让模型从数据中直接学习世界的时间逻辑与变化规律，从而具备推演未来、理解因果关系、辅助规划与实现交互的能力。图9：世界模型的技术范式可以概括为两条互补的发展路径《人工智能中世界模型的起源与研究路径》钱振兴，甘振良世界模型理论上可大幅降低对真实世界数据的依赖，长期智能成长空间显著。世界模型可理解为三类功能：模拟器预测状态如何变化，渲染器把状态转化为可观测结果，规划器基于预测结果选POMDP的闭环决策过程中相互调用、相互更新。由此，在具身智能系统中世界模型具备两大核心能力，一是仿真引擎，使机器人无需完全依赖真实试错即可在内部进行未来情景预测与任务演练，提供合成数据，大幅降低数据采集成本并提升策略迭代速度。二是策略增强，构建“世界模型+动作策略”（WMA）的架构范式，使智能体在与环境的交互作业中，不仅理解“现在发生什么”，更关键是预测“接下来会发生什么”，从而支持决策模型生成更安全、更高效、更具普适性的动作策略。该项WMA模型技术的逐步成熟有望引领具身智能技术能力的根本跃迁。但当前相关研究仍处于前沿探索阶段，模型训练复杂度高、环境建模与时空表征难度大、算力消耗巨大，距离规模化工程落地仍有较长距离。国内整机厂商中，例如智元发布了的世界模型GE2.0，宇树科技发布了跨机器人本体的开源世界模型UnifoLM-WMA-0，北京人形开源了WoW世界模型。图10：世界模型可理解为模拟器、渲染器、规划器等三类功能《ADefinitionandRoadmapforWorldModels》CHENXY,GUOHY,GUOS,etal.国内人形机器人整机厂商模型技术路线并未收敛。目前国内具身智能厂商的采用的模型技术路线Magic-VLAK02VLAVLA模型布局中，我们发现了部分现象：1、具身智能模型技术路线之间虽有差别，但呈现一定的融VLA理规律的理解。2、追求泛化能力成为具身智能模型的一点共识。我们看到各大厂商之间的模型虽有差异，但均在强调跨本体、跨任务的泛化能力。我们认为从工业到商业、家用等应用场景，机器人的泛化能力要求越来越高，这种能力将成为具身智能模型商业化的关键，具备高泛化模型的整机厂商更容易在市场竞争中取胜。3、大量高质量的训练数据将成为模型竞争的关键。表1：国内具身智能厂商模型的技术路线存在差异厂商 模型 简介2025年3月发布，Vision-Language-Latent-Action(ViLLA)架构，该架构由智元机器人 Genie

VLM(多模态大模型)+MoE(混合专家)组成，其中VLM借助海量互联网图文数据获得通用场景感知和语言理解能力，MoE中的LatentPlanner(隐式规划器)借 助大量跨本体和人类操作视频数据获得通用的动作理解能力，MoEAction优必选

GenieEnvisioner2.0UnifoLM-WMA-0UnifoLM-VLA-0Thinker-VLAThinker-WM

Expert(动作专家)借助百万真机数据获得精细的动作执行能力。20264GESim2.020259UnifoLM-WMA-01020中完成多类本体、多任务的连续作业。2026年1月开源发布，在真机实验中，UnifoLM-VLA-0展现了较强的泛化能力，仅使用单一策略即可在真实物理环境中完成12个不同的操作任务，体现了该模型作为通用机器人多模态基础模型的潜在能力。2025VLAVLA176%320ms（3.12Hz）116ms（8.16Hz），200ms的工业实时性门槛。VLA60%，端侧全功能模块GPU芯片存储需64GB32GB。20265月发布，Thinker-WMDiffusionTransformer统一多模态空间架FlowMatching化，具备未来场景智能想象推演能力。Thinker-WM锚定真实世界的物理交互规则与作业约束，智能推演生成海量高保真、多样化、高难度的虚拟训练数据，补齐真机难以采集的极限工况、动态干扰、长尾场景、多步骤复杂操作等稀缺样本。2026年7月发布，大脑系统划分为三层架构，System2（认知层）以LLM/VLM为核心，负责场景理解、记忆、推理和任务调度，决定“要做什逐际动力 LimXCOSA0.5魔法原子 Magic-VLAK02北京人形创新中心 WoW界模型银河通用 GraspVLA

1Hz；System1（技能层）VLA50Hz；System0（运控层）基于自研LimXWBT1000HzMagic-VLAK02VLM202510月发布，DiT世界生成基座模型是具备真实世界推理与生成能力的物SOPHIA范式，让世界模型“自己教自己”。通过给定连续两帧预测视频，FM-IDM从视觉“想象”中反推出真实可执行的运动指令，让模型真正实现从视频到行动的闭环。20251月发布，GraspVLA于仿真合成大数据进行预训练，预训练后，模型可直接Sim2Real在未见过的、千变万化的真实场景和物体上零样本测试，全球首次全面展现了七大卓越的泛化能力，满足大多数产品的需求；而针对特别需求，后训练仅需小样本学习即可迁移基础能力到特定场景。星动纪元 ERA-42自变量 埃斯顿酷卓 Codroid02机器科学 Visics大模型

202412本。此外，星动纪元团队已将世界模型融入原生机器人大模型。VLA模型，在超过20种机器人形态、每轮超过100万条轨迹的数据上完成预9000力。20256VLM输出精确的动作指令，实现低延迟的运动控制。20266VLOAObjectTrajectory（3D点云轨迹）互联网视频及仿真数据进行预训练。各公司官网，上观新闻，智元机器人，中国新闻网，宇树科技招股书，NE时代，新华网，界面新闻，36氪，光源资本，机器之心，机器人科学网，东方证券研究（注：非完全列举）谷歌在端到端VLA模型上技术积淀深厚，其最新发布的GeminiRobotics2已能实现对人形机器人的全身控制。RT-1TransformerRT-2步融合了CLIP等大规模视觉语言预训练模型，赋予了机器人从互联网上迁移跨模态知识的能力，显著提升了模型在开放环境下的泛化控制能力。RT-2的关键创新在于提出“动作语言化”(Action-as-Language)范式：将连续的机器人动作离散化为若干词元，使其与语言序列统一到相同的建模空间，这使得模型能够利用VLM的强大能力来生成语言，同时也可将动作视为一种特殊GeminiRobotics2Robotics2GeminiRoboticsER2GeminiRoboticsER1.6，ER2图11：谷歌RT-2模型具备端到端的能力《具身智能大模型综述及展望》袁霆宇,刘凯,关标良等FigureAIHelix02模型采用了三系统VLA架构，在长时程端到端控制上表现优异。20261月，FigureHelix02，Helix02HelixSystem1System2基础上新System0System2负责慢速目标决策，涵盖场景解析、语言理解与行为序列规划，可处理“走到洗碗机旁并打开它”等System1解析为全System01kHz的高频执行动作，保障全身的平衡、接触与协同控制。图12：FigureAIHelix02模型三系统VLA架构NE时代，FigureAI通过将全FSD的积累扩展至具身智能领域，特斯拉Optimus在具身智能模型训练上或具备行业领先的综合优势。特斯拉的自动驾驶与人形机器人的技术内核相同点在于都依靠视觉系统来理解世界，并基于端到端的模型生成动作指令。在硬件层面，FSDOptimusOptimus图13：特斯拉正将全FSD的积累扩展至具身智能领域芝能科技，《TheAIMergeThatChangesEverythingforTesla》PhilBeisel具身智能数据仍存在瓶颈，行业积极探索降低数据成本当前具身智能训练范式，多采用预训练结合后训练的分阶段训练方式。在预训练阶段，通过监督学习让具身智能获得大量技能，并学习应对从未见过的环境和任务；后训练阶段，通过模仿学习、强化学习或两者结合等方式掌握特定技能，从而实现通用任务策略到特定动作策略的泛化。例如PhysicalIntelligenceπ₀GROOTN1预训练阶段学习本体无关的通用策略，后训练阶段RoboGPT-R1在预训练基础上，后训练使用监督微调（SFT）来快速获得基础任务能力，再通过强化学习来提升模型长期规划能力。除此之外，结合真实环境中的强化学习实现可扩展学习，也是行业研究的方向。具身智能数据瓶颈问题突出，降低高质量数据的成本逐渐成为行业共识。行业已有研究表明，大规模数据对具身智能基础模型的性能提升具有显著作用，行业普遍认为要实现具身智能的涌现至少需要百万小时、甚至千万小时的高质量真实行为互动数据。具身智能领域能够应用的数据包括海量互联网数据、仿真合成数据和真实数据三类，目前能反映机器人本体真实行为的真机数据和合成数据相对稀缺，因此如何降低高质量数据的成本逐渐成为行业探索的共识方向。在构建具身基础模型时，厂商往往会以互联网多模态数据预训练的视觉语言模型为基座，让模型先具备通识知识，再结合仿真合成数据或真机数据训练，使其看懂物理环境、理解行为逻辑、学会动作技能并适应现实世界。表2：具身智能主要数据类型数据类型采集场地获取方式积累量质量效率成本真实数据训练场/开放环境遥操采集、开放环境采集、动作捕捉少高低高仿真/合成数据仿真环境仿真平台、世界模型、生成式模型中中中中互联网数据开放环境互联网多模态数据海量低高低中国信通院，东方证券研究真机数据最能反映机器人的实际行为，当前阶段有望构成整机厂商间的竞争壁垒。当前的真实数据采集方案主要包括遥操作数据采集、开放环境采集和动作捕捉三种。遥操作采集的数据在训练模型后更容易迁移到同一本体上，在当前发展阶段内占据主流地位，主要可分为位姿类遥操作、视觉类遥操作和光惯类遥操作等方案。开放环境采集系统研发由高校主导，例如斯坦福大学推出的DexUMI、DexCap等，将人类手部动作直接转换为机器人手操作。动作捕捉是对人体的动作映射，动作捕捉数据可以划分为人体动捕示教数据和人类视频演示数据，获取方式主要有三种方法：基于相机的视频或图像、基于VR、基于动捕设备，这三种方法获取数据的质量和成本依次递增，但数据规模依次递减。从数据整合角度看，不同真机平台或采集设备在传感器类型、精度、采样率上差异显著，导致真实数据有效共享仍存在一些困难。由此我们认为当前阶段，真机数据的积累有望构成整机厂商间的竞争壁垒，真机数据更丰富的厂商在具身智能模型上具备一定的先发优势。表3：当前具身智能真机数据采集方案主要包括遥操作数据采集、开放环境采集和动作捕捉三种采集方案 简介两个完全相同的机器人之间实时动作复现，主从两台机器人的动力学结构完全相遥操作采集

操作操作操作

操作操作操作

其适合需要精确手动控制的任务。包含外骨骼在内的穿戴类遥操作设计，因其保留数据真实性基础上，场景适配更为更受企业和市场青睐的技术路径。手持类遥操作设备相对结构设计简单，获取位姿数据和转换得到的控制信号稳定度高，便于集成到系统，但很多情况下不能直观表达操作意图，更适合简单环境下的数据采集工作。使用视觉传感技术捕捉人类操作员的动作，然后将这些动作转换为控制命令来操作机器人。由于利用了运动重定向方法将人类动作映射到机器人动作上，动作映射的准确性依赖于重定向算法的质量，尤其在复杂场景下，动作精度和异构结构上需要较多调试。和视觉类遥操作技术的优势，可以实现对人类操作员动作的准确、连续、可靠跟渐拓展到具身智能的数据采集领域。开放环境采集 DexUMI、DexCap等，将类手部动作直接转换为机器人手操作。相比于遥操作，动捕数据示教侧重于使用各种动捕设备（如数据手套、动作捕捉服动作捕捉

等）记录操作员的动作，并为机器人作示教，而不是精确对应机器人运动，在采集的数据可用性上存在差异。《具身智能数据行业研究白皮书》国际先进技术应用推进中心，中国信通院，东方证券研究仿真和合成数据相较真机数据量更大、多样性强，逐渐得到业界较高关注度。数据仿真致力于构建高保真的动态物理环境，以孕育出符合真实世界交互规律的智能体行为策略，数据合成则侧重于以算法驱动，高效生成大规模、多样化的静态或序列化标注数据，以攻克感知与模仿模型的数据瓶颈。二者互为补充，共同构成了仿真数据基础设施的一体两面。我们认为虽然当前仿真/合成数据质量不如真机数据，且存在仿真到现实的差距（Sim2RealGap），但其显著优势在于数据量大、多样性强，更加适合需要大量数据训练模型的场景。不同仿真平台采集的数据在数据格式、坐标系、物理参数和任务映射标准等方面均不一致，仿真合成数据整合存在一定困难。我们认为仿真数据技术路线对于一些初创的机器人公司具备更强的探索价值，有望助力厂商弥补真机数据积累的不足，实现模型的突破。例如银河通用坚持仿真合成数据为核心，通过虚实融合的天量具身数据生产管线，推动跨本体、强泛化的学习。图14：银河通用数据金字塔结构机器人前瞻，银河通用，东方证券研究互联网多模态数据有望广泛用于具身模型预训练，以提升具身模型的泛化能力。与文本数据类似，互联网也拥有海量的视频数据，其中包含人类动作的视频也具有演示作用。人类视频演示学习是一种新兴的机器人学习方法，核心是利用人类视频演示作为知识来源，使机器人理解并模仿人类行为来完成复杂任务，无需手动编程或大量的机器人数据采集。我们认为互联网多模态数据是整机厂商之间共同的原始数据源，其使用的核心更在于筛选、处理和训练，并且互联网数据相较于仿真数据而言丰富度更高，同样有望助力初创整机厂商弥补真机数据积累的不足，实现模型的突破。VLA的SFT（监督微调），提升模型在实际任务中的表现，最后通过强化学习进一步优化操作的成功HOST2962%45%Pi-0.5+1/50500倍。图15：自变量机器人HOST框架支持从单条人类视频中获取技能IT之家，自变量机器人投资建议我们看到当前具身智能模型技术路线虽有差异，但追求高泛化性逐渐成为共识，面对当前的数据瓶颈问题，降低高质量数据的成本逐渐成为行业探索的共识方向。展望未来，我们认为在汽车制造、物流仓储等垂类应用场景里，由于工作任务相对明确、对机器人泛化能力要求相对不高，因此有望率先实现规模化应用，垂类场景下具备丰富的行业数据，以及行业Know-how的具身智能厂商具备先发优势，有望率先大规模商业化。但我们认为这并不构成完全的竞争壁垒，区别于传统机器人和具身智能的关键之一是智能的自主决策，因此未来不排除模型泛化能力更强的整机厂商通过与垂类行业合作，进行降维打击。向前看，我们认为在垂类场景积极布局的具身智能厂商以及模型泛化能力更强的整机厂商，有望取得更大的竞争优势。相关标的：上纬新材(688585，未评级)、优必选(09880，未评级)、埃斯顿(002747，未评级)、杰克科技(603337，未评级)、杭叉集团(603298，买入)。表4：国内具身智能厂商已在多个场景探索布局具身智能厂商 主要应用场景产品进展上纬新材 教育科研、家庭陪伴等 公司已推出小尺寸全身力控人形机器人启元Q1和可变形人机器人启元T1。此前，智元机器人已完成对上纬新材的股份收购，并实现控股。宇树科技 教育科研、汽车制造、消费应用、物流仓储等优必选 教育科研、汽车制造、物流埃斯顿 仓储物流等工业场景

公司已发布人形机器人产品包括UnitreeG1/H1/H2/R1等，公司具身智能模型同时布局了VLA架构与世界模型。公司已发布人形机器人产品包括WalkerS2、WalkerC1、CruzrS2、U1Pro等，公司具身智能模型同时布局了VLA架构与世界模型。公司的子公司埃斯顿酷卓已发布人形机器