具身智能的大規(guī)模落地仍處于早期階段

飛象網(wǎng)訊（喜樂）近兩年，具身智能無疑是最熱門的賽道之一。據(jù)中國信息通信研究院副總工程師許志遠介紹，當前，具身智能已經(jīng)取得認知智能與物理智能的雙線突破，但模型路線、數(shù)據(jù)范式以及最佳機器人形態(tài)仍未定型，大規(guī)模落地仍處于早期階段，其未來方向仍在持續(xù)競爭與快速演化中。

一方面，機器人的“認知智能”實現(xiàn)明顯躍升（即“大腦”能力），大模型使機器人能夠完成傳統(tǒng)機器人難以處理的復(fù)雜任務(wù)，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于強化學(xué)習(xí)，人形機器人在復(fù)雜地形行走、高難度舞蹈等動態(tài)任務(wù)上表現(xiàn)顯著提升；基于模仿學(xué)習(xí)與大模型范式，上肢操作能力快速增強，已能執(zhí)行切黃瓜、倒水、疊衣服等精細操作。

盡管技術(shù)突破不斷，具身智能的大規(guī)模落地仍處于早期階段。當前行業(yè)仍面臨三個核心焦點問題。一是模型路線之爭；二是數(shù)據(jù)訓(xùn)練范式之爭；三是形態(tài)路線之爭。

與此同時，許志遠指出，目前，利用大模型提升機器人的泛化能力已成為業(yè)界共識，但如何有效地將大模型應(yīng)用于機器人系統(tǒng)，仍存在多條技術(shù)路徑，行業(yè)也在持續(xù)探索中。

第一條路徑是采用大語言模型（LLM）對人類指令進行語義理解與任務(wù)分解，這是賦予機器人高層智能的關(guān)鍵能力，谷歌的 SayCan 是早期代表性工作。

第二條路徑是在 LLM 的基礎(chǔ)上引入視覺，使模型具備語言與視覺跨模態(tài)融合能力，通過視覺語言模型（VLM）進行機器人控制。借助視覺信息，模型不僅能分析環(huán)境的空間關(guān)系和物體屬性，也能更好支撐高層任務(wù)規(guī)劃。谷歌的 PaLM-E 展示了跨模態(tài)推理在機器人控制中的潛力。

第三條路徑是在 VLM 的基礎(chǔ)上進一步加入動作生成能力，形成視覺-語言-動作模型（VLA）。這類模型以視覺圖像和語言指令為輸入，直接輸出機器人控制指令。VLA 路線自 2024 年底以來受到高度關(guān)注。各家廠商在模型架構(gòu)、模塊設(shè)計和動作生成方式上不斷優(yōu)化，例如美國的 Figure AI、PI，以及國內(nèi)的智元、銀河通用等均聚焦于這一方向。

許志遠強調(diào)，目前，許多 VLA 模型采用 MoE 架構(gòu)，以 VLM 作為骨干網(wǎng)絡(luò)，動作層常使用自回歸預(yù)測、擴散模型或流匹配等生成方式。同時，在 VLM 與動作預(yù)測之間通常加入隱向量用于信息傳遞，以兼顧復(fù)雜任務(wù)推理與實時控制需求。VLA 在復(fù)雜、多步驟、多樣化任務(wù)上展示出一定適應(yīng)性�！叭欢�，我們也觀察到，盡管 VLA 在結(jié)構(gòu)上不斷演進，其實際落地效果仍未達到預(yù)期。原因在于物理世界具有高度多樣性與不確定性，而當前可獲取的機器人數(shù)據(jù)量級有限、覆蓋場景不足，使得 VLA 難以充分學(xué)習(xí)并泛化到真實環(huán)境中�！�

展望未來，在 VLA 的基礎(chǔ)上引入 世界模型（World Model），借助其對物理世界的理解、預(yù)測與推演能力，有望成為進一步提升機器人大模型能力的重要發(fā)展路徑。