具身智能的核心观点 - 具身智能为机器人领域注入新活力，有望突破性能上限，需保持开放态度避免派别之争 [1] - 具身智能是跨学科产物，依赖材料科学、生物力学等多领域协同突破，而非单一技术路径 [2][6] - 当前具身智能处于早期阶段，人形机器人能力仅相当于自动驾驶"L0"水平，硬件和算法均未成熟 [7] 学科与技术发展 - 传统机器人学的"特殊任务研究"对具身智能有间接贡献，如波士顿动力动态平衡算法、蛇形机器人柔性驱动技术 [2] - 技术迭代呈现沉积效应，如GAN框架仍影响当前AI领域，VLA模型可能被更高效方案取代但会留下技术遗产 [5] - 纯软件算法难以构建长期壁垒，需结合工程实践、材料工艺等"脏活累活"形成护城河 [12] 通用性与具体性 - 通用智能需建立在具体问题钻研基础上，如达芬奇手术机器人亚毫米级操作依赖生物组织参数积累 [3] - 产业需求如汽车线束整理、半导体封装高精度要求等"不性感"的工程细节是锤炼智能的关键场景 [3] - 人形机器人形态优势仅限于人类环境适配，物流/农业等领域专用非人形机器人更具成本效率 [11] 技术路径与产业实践 - VLA技术路径存在争议，儿童和乌鸦案例显示操作能力可独立于语言系统，当前大模型性价比低 [8][9] - 短期优先采用learning与model结合方法，长期纯learning或成主流但需脑科学等学科突破支持 [10] - 工业界更认可model-based解决方案因其稳定可控，端到端大模型并非客户关注重点 [10] 行业动态与案例 - 人形机器人马拉松比赛暴露当前技术局限，多数需人工干预且电机发热问题突出 [7] - 行业存在同质化重复项目风险，需警惕过度追求"酷炫"而忽视经济性 [11] - 华为、智元机器人等公司加码人形机器人赛道，全栈自研和跨领域协作成为焦点 [15][16][18]