具身智能大模型技术发展 - 机器人通过数据驱动的闭环大模型具备感知失败并自主尝试新解法的能力，这种能力被视为AGI发展的重要标志[1][2] - 星海图发布的G0模型搭载端到端双系统全身VLA架构，能在任务失败后通过模仿学习和强化学习持续优化动作[2][3] - 传统机器人依赖预设程序执行，而新型具身大模型通过传感器实时反馈与环境交互，实现"评估-学习-优化"的闭环[3] 行业技术路线分歧 - 模型架构存在"统一直出"（如自变量WALL-A）与分层设计的对立，前者可减少误差扩散但算力消耗巨大[5][6] - 自变量选择全模型直出架构以提升效率，但面临高训练成本与工业场景延迟问题，目前聚焦商业服务领域[5][6] - 宇树科技等企业认为模型架构优化比数据规模更重要，当前VLA模型定义宽泛但缺乏统一标准[4][9] 商业化与生态竞争 - 企业通过自研核心零部件（如自变量"量子2号"机器人）和开源数据集（星海图Galaxea 500小时数据集）构建生态壁垒[7][8] - 行业头部公司正争夺性能测评标准与数据集主导权，星海图开源数据集旨在建立算法比较基准并吸引开发者[7][8] - 首程控股管理的100亿元机器人基金已投资多家技术路径迥异的企业，认为架构设计将决定未来规模化成本优势[9] 技术迭代与行业格局 - 具身智能企业持续迭代模型架构，优秀架构可降低数据需求并提升泛化能力，成为核心竞争力[9] - 行业短期目标为击穿酒店、养老院等标杆场景，验证技术商业价值以撬动千亿级市场[6][8] - 当前竞争焦点从单点技术转向全生态布局，包括数据、零部件、本体及模型的全链条能力[8][9]