文章核心观点 - 人形机器人行业处于技术不成熟阶段 大规模复杂任务尚不现实 但固定工序自动化已可行[4] - 行业年出货量可保持翻倍增长 技术突破后2-3年内或达数十万至百万台级别[4] - 企业上市竞争激烈 智元机器人通过收购率先登陆科创板成为"A股人形机器人第一股"[5] - 行业存在"硬件派"与"软件派"技术路线分化 分别侧重运动控制与AI能力 导致商业化路径差异[9][12] - 当前商业化存在可持续性挑战 硬件派依赖教育科研场景 软件派多处于POC阶段[10][11] 技术发展现状 - 硬件层面整机及灵巧手已基本可用 但需进一步提升规模成本与可靠性[7] - 软件层面具身智能模型是最大技术挑战 当前架构不够统一导致数据利用效率低[7] - VLA模型存在数据采集不足缺陷 世界模型可能更快落地[7] - 人形机器人ChatGPT时刻最慢需3-5年[7] - 2025年头部企业开始自研基础大模型 双系统架构成为主流技术路径[13] 企业动态与商业化 - 宇树科技年度营收超10亿元 但四足机器人占比近七成 人形业务可持续性存疑[15] - 公司采用低价炫技策略实现爆单 如松延动力N2机器人订单超2500台金额破1亿元[10] - 软件派企业鲜少公布具体订单数据 多通过战略合作宣发 实际处于POC阶段[11] - 行业存在"重运动轻大脑"现象 多数初创公司AI投入不足 依赖科技大厂模型赋能[12] - 批量化生产与场景有效应用是行业共同难点[12] 资本市场进展 - 智元机器人2025年7月通过收购上纬新材登陆科创板 估值超150亿元[5][6] - 宇树科技推进合规上市流程 但面临老股东变现压力 若失败存在股份回购风险[4][15] - 率先上市意味着获得更多资金支持 对企业发展至关重要[6] 行业竞争格局 - 硬件派以宇树科技为代表 聚焦教育科研及表演场景 定位硬件卖铲人[9][10] - 软件派以智元机器人银河通为代表 强调AI能力但商业化进展缓慢[9][11] - 创始人王兴兴认为行业竞争延伸至访谈演讲层面[4] - 行业存在"愿意卖硬件平台人多 做实事人少"现象[8]

核心观点 - 星尘智能发布首个全身移动操作模型DuoCore-WB和机器人学习套件Astribot Suite，推动人形机器人在真实场景的应用落地 [2][3][4] - 公司自研VLA大模型DuoCore系统采用快慢双系统架构，实现本能反应与深度思考的双智能模式，具备强抗干扰能力、高泛化性和自适应性 [3][4] - Astribot S1机器人关键操作参数超越成年男性，单臂自由度7个，末端速度超10m/s，额定负载10公斤，负载自重比1:1，重复定位误差仅30微米 [13] - DuoCore-WB模型在家庭任务测试中平均成功率80%，最高达100%，实现跨区域、跨空间的灵活全身操作 [24] - 公司已完成5轮融资，2025年4月最新A轮及A+轮融资数亿元，由锦秋基金（字节系）、蚂蚁集团领投 [31][32] 技术突破 - DuoCore系统采用高度仿人的知识迁移机制，实现跨场景元技能迁移，减少数据成本 [4] - DuoCore-WB模型基于模仿学习框架，通过RTG轨迹优化、RGB视觉感知和末端执行器空间学习三大设计提升效率与泛化能力 [18] - Astribot Suite包含机器人本体S1、低成本遥操作系统（VR眼镜+手柄）及DuoCore-WB模型，形成三位一体学习套件 [8][14] - 遥操作系统支持第一人称与第三人称视角，覆盖精细操作与大范围动态操作需求 [14] 产品性能 - Astribot S1采用绳驱设计模拟人体肌肉，兼具柔顺运动与精准施力 [11] - 机器人展示三项家庭任务能力：送饮料（含开门交互）、整理玩具（多物体抓取与异常处理）、整理拖鞋（空间迁移与双手协同） [26][27][28] - S1在铰链物体交互、长序列任务规划、多阶段姿态调整等复杂场景中表现优异 [26][27][28] 公司背景 - 创始团队6人来自腾讯RoboticsX实验室，核心成员曾任职腾讯、谷歌、优必选、百度、华为等企业 [25][29] - CEO来杰曾任百度小度机器人团队负责人、腾讯RoboticsX嵌入式组组长 [29] - 公司2022年12月成立，定位"最强AI机器人助理"，愿景为"人机共存、共创、共赢" [25] 行业趋势 - 2025年全球头部人形机器人初创（如Figure AI）转向自研基础大模型，VLA双系统架构成为主流技术路径 [3] - 科技大厂通过"自研+投资"入局具身智能赛道，星尘智能获字节系、蚂蚁集团投资印证行业认可度 [32] - 具身智能大模型决定商业化壁垒，自研技术闭环是掌握主动权的关键 [34] - ToC家庭及康养场景被视为万亿市场，但对机器人泛化性要求极高，当前仍处早期阶段 [34]

核心观点 - VLA模型在现实世界机器人控制中展现出巨大潜力 但传统监督微调方法面临样本效率低和泛化能力差的问题[4] - 提出分块强化学习框架(Chunked RL)和CO-RFT算法 通过结合动作分块的离线强化学习显著提升模型性能[8] - CO-RFT采用两阶段训练 先通过模仿学习初始化网络 再用离线RL优化策略 在6个任务中平均成功率提升57% 周期时间减少22 3%[29][30] - 该方法展现出强大位置泛化能力 在未见过的位置上达到44 3%成功率 显著优于传统方法[30] 技术框架 - 分块强化学习框架扩展了时间差分学习 采用自注意力和因果掩码设计 仅需一个网络即可学习所有Q值[13][15] - CO-RFT算法第一阶段通过全参数微调进行模仿学习 第二阶段实施带动作分块的离线RL优化[16] - 采用CalQL作为基础算法 其保守正则化器可防止Q值高估 并解决稀疏奖励问题[16][18] - 模型架构基于RoboVLMs 使用Kosmos2作为VLM主干 并采用TD3算法生成确定性动作[18] 实验结果 - 在6个灵巧操作任务评估中 CO-RFT在4个任务达到近100%成功率 显著优于SFT方法[29] - 抓取消毒剂和取回马克杯等困难任务中 CO-RFT分别实现36%和30%成功率 展示处理复杂场景能力[29] - 数据多样性对性能影响显著 随机初始化数据集训练的模型OOD性能仅下降10-15% 而固定初始化下降55 3%[32][33] - 奖励上采样策略有效缓解稀疏奖励问题 提升价值学习效率[18] 应用价值 - 该方法使用30-60个样本即可有效微调 大幅降低数据需求 提升样本效率[4][29] - 在Realman单臂平台和Inspire灵巧手上验证 展示实际机器人应用潜力[23] - 解决VLA模型在现实场景部署的关键挑战 包括样本效率 训练稳定性和泛化能力[8][30] - 为具身智能领域提供新思路 结合离线RL和动作分块技术突破性能瓶颈[34]

新加坡国立大学VLA-OS研究 - 首次系统解构机器人VLA模型任务规划与推理机制 提出任务规划表征与模型范式的统一对比框架 [2] - 构建包含10,000条多模态轨迹的标注数据集 覆盖2D/3D视觉、仿真/现实环境、单/双臂操作等多样化场景 [25][29] - 设计三大可组合VLA范式：ActionOnly-VLA、Integrated-VLA、Hierarchical-VLA 实现公平对比 [23] 技术架构创新 - 采用Qwen 2.5 LLM基座构建0.5B-7B参数VLM家族 配合DINO+SigLIP混合视觉编码器 [20] - 开发标准化动作头与规划头模块 支持KV Cache提取技术实现三大范式灵活组合 [22] - 创新性定义语言/视觉/目标图像三种规划表征 建立32x32网格化空间语义标注体系 [26][30] 核心研究发现 - 视觉规划表征相比语言规划成功率提升13.2% 推理速度提高100倍 [43][58] - Hierarchical-VLA范式展现最强泛化能力 任务分解准确率比Integrated-VLA高4.5% [52][55] - 模型规模超过1B参数时性能下降 在5,000条数据场景下0.5B模型最优 [62][64] 行业应用指南 - 推荐视觉表征与目标图像规划为主 语言规划为辅的混合方案 [68] - 资源充足时优先选择Hierarchical-VLA 资源受限采用隐式Integrated-VLA [68] - 确认任务规划预训练有效性 但需注意持续学习中的遗忘问题 [67][73]

机器人基础模型发展 - RT-2作为首个机器人VLA模型，通过将机器人控制问题构建为视觉问答任务实现基础功能，基于PaLI-X和PaLM-E预训练模型开发[5][7] - RT-X跨具身数据集整合34个实验室、22种机器人数据，通用模型性能比单一场景专业模型平均提升50%，分布外指令处理能力提升3倍[10][11] - 第二代VLA模型采用连续动作分布设计（如扩散模型/流匹配模型），支持高频率精细控制，动作生成跨度达50个时间步[15][17][19] PI公司技术迭代 - π0模型基于30亿参数Polyglot-LLM开发，集成动作专家模块，输入包含1-3张图像+语言指令，可控制多样化机器人形态[18][19] - π0训练数据集达10,000小时，融合RT-X数据后实现复杂任务微调，如折叠盒子（成功率66%）和衣物（抗干扰恢复能力突出）[21][23][26] - π0.5版本新增分层推理架构，支持长期任务（如卧室清洁），仅3%移动操作数据但实现真实场景迁移应用[28][30][32] 技术融合方向 - 当前VLA模型依赖模仿学习，未来将通过强化学习（RLPD算法）优化任务成功率与鲁棒性，采用稀疏奖励+人工干预机制[35][39][43] - RLDG方法尝试将强化学习专家数据整合至VLA，已实现连接器插入等技能泛化，但端到端训练流程仍需突破[45][46] - 视觉编码器+图像分类奖励机制提升强化学习效率，动态任务如煎蛋翻面、家具组装验证技术互补潜力[42][43]

新华财经上海7月30日电（李一帆）7月29日晚，理想汽车首款纯电SUV理想i8正式上市，指导价32.18万元至36.98万元，相比全系预售价格降低4至5万元。 理想i8能否帮助理想汽车正式打开纯电市场，扭转2025年以来销量低迷的态势，成为业内外关注焦点。 配置不及预期，资本市场反应平淡 2025年是理想汽车成立10周年。过去10年里，理想汽车收获了136万车主用户，开辟了增程细分市场，并凭借"冰箱彩电大沙发"的创新配置成为佼佼者，领 跑一众新势力品牌。 然而，进入2025年，随着鸿蒙智行系列车型在增程领域销量节节攀升，理想汽车的增程红利不再明显。 2025年上半年，理想汽车累计交付新车20.39万辆，同比增长7.91%，但增速明显放缓，仅完成全年64万辆销量目标的31.87%。其中，6月交付3.63万辆，同 比下降24.1%，环比下降11.20%。 湘财证券分析师汪炜认为，这反映出理想汽车增程技术优势减弱、产品吸引力下降及销售体系调整带来的短期扰动。 因此，理想i8作为理想汽车首款纯电SUV，被视为理想发力纯电的转型之作，也成为理想众多新技术的"集大成者"。 发布会上，理想汽车创始人、董事长兼CEO李想为i ...

机器人基础模型发展 - 首个机器人基础模型RT-2基于语言模型开发，通过视觉问答形式实现机器人控制，将电机指令编码为问题答案[7][8] - RT-2基于PaLI-X和PaLM-E预训练视觉语言模型构建，能处理基础语言指令[10] - 跨具身数据集RT-X整合34个实验室数据，覆盖22种机器人类型，通用模型性能比专用模型高50%，分布外指令处理能力提升3倍[12][13] 模型架构迭代 - 第一代VLA模型采用离散Token生成动作，第二代升级为连续动作分布，支持扩散模型生成多步动作片段[19] - 第二代VLA模型π0基于30亿参数Polyglot-LLM开发，增加动作专家模块，输入1-3张图像+语言指令，输出50时间步高维动作[22][24] - π0.5新增分层推理能力，可分解长期任务（如打扫卧室）为子步骤执行，移动操作数据仅占训练集3%但能泛化至新场景[36][38][40] 应用与性能表现 - π0完成复杂任务如折叠盒子（成功率66%）和衣物，具备抗干扰恢复能力[26][29][33] - π0.5在未训练过的真实厨房环境中执行叠毛巾、清洁等任务[41] - 模型组合多任务流程，例如从烘干机取衣→搬运→折叠的全流程操作[34] 未来技术方向 - 当前模型依赖模仿学习，未来将通过强化学习优化任务成功率与鲁棒性[44][45] - 强化学习采用RLPD算法，结合稀疏奖励和人工干预提升效率[49][53] - RLDG方法尝试将专家策略知识蒸馏至VLA，已实现连接器插入等复杂任务泛化[59] - 行业需解决VLA与强化学习的端到端训练流程整合问题[60]

纪要涉及的行业和公司 - **行业**：国产人形机器人行业 - **公司**：智元、宇树、优必选、长江机械、Figer AI、小鹏、小米、广汽集团、华为 纪要提到的核心观点和论据 行业进展 - **投资与订单**：智元和宇树中标中移杭州信息技术有限公司 2025 - 2027 年代工服务采购项目，总金额 1.24 亿元，智元获 7800 万元，宇树获 4605 万元；天宫行者标配版售价约 30 万元，2025 年产量和订单预计超 1000 台[1][2] - **产业链推进**：2025 年长江机械发布 14 篇人形机器人系列深度报告；国内外通用人形机器人商业公司约 150 家，国内超 80 家，半数以上为高校背景创业[1][3][4] - **模型开发应用**：国内企业在 VRA 和 VLA 模型开发及应用取得进展，构建数据通用化层次，搭建素材平台，利用大规模数据复用，资源链和优必选链进展受关注[3][8] - **产业链发展**：国内人形机器人产业链发展迅速，本体进展积极，贴近生产生活场景，数据应用成优势，2025 年政策引导资本开支显性，国产链条表现优于海外企业[9] 公司进展 - **优必选**：2025 年等待 Walker S Two 发布，展示可更换背部电池等功能；向第三方客户小批量出货工业订单；与国创中心合作的天宫行者获科研教育界青睐，交付订单预计超预期[1][5] - **宇树**：运动控制领先，展示四足狗爬山涉水及 H One 舞蹈能力；基旺仿人形机器人减重优化成本，展示跑步、越障和上肢抓取能力[1][6] - **智元**：2025 年初提出五款商业化产品，探索软件平台；积极采集数据迭代技术，计划每周采集 50 万条数据，与其他厂商合作构建 H BOT 数据集[1][7] 应用前景 - **巡检领域**：电力巡检中可替代人工进行高空巡检，提高安全性；通过训练框架能执行简单设备运动状态监测及开关操作任务；降价后性价比高，电力巡检场景复制潜力大，适用于化工园区、矿山巷道等[10][11] - **搬运领域**：具备识别物体位置和执行操作任务能力，可替代人工完成工厂内产品运输、搬运、上下料等任务，与无人物流车协同实现无人化工厂环节[10][12][13] - **纺织领域**：纺织业为劳动密集型行业，机器人可替代部分人工操作；随着技术进步，人形机器人 VR 模型对柔性材料理解深入，未来可替代更多场景[10][16] 其他重要但可能被忽略的内容 - 小鹏、小米、广汽集团等车企和科技集团积极布局国内市场，展示如小鹏 Aero 行走能力等创新成果[8] - 海外企业 Figer AI 在物流产线分拣包裹动作方面有优秀表现[9] - 当前市场本体发展百花齐放，本体加场景应用加速产业化[17]

具身智能与VLA模型优化 核心观点 - VOTE框架通过无分词器微调和集成投票策略显著提升VLA模型的推理速度(35倍加速)和泛化能力(成功率提升20%以上)[4][9][31] - 该方法摒弃传统扩散技术和额外视觉模块，采用单一<ACT> token压缩动作块表示，使边缘设备吞吐量达42Hz[9][21][31] - 在LIBERO和SimplerEnv基准测试中超越CogACT等SOTA模型，WidowX机器人任务平均成功率54.2%[28][32] 技术背景 - 现有VLA模型依赖动作分词器或扩散技术，导致CogACT延迟增加33.8%内存开销，SpatialVLA因多模态输入使token序列延长50%[7][11][13] - 传统方法在跨形态数据训练时需162K-200K轨迹数据，而VOTE通过LoRA微调(秩r=32)降低70K步训练成本[24][25] - 7自由度动作空间设计(平移+旋转+gripper状态)兼容多样化机器人控制需求[16] 创新架构 - 引入<ACT> token替代传统分词器，将ND个动作解码简化为1次MLP前向传播，A6000 GPU吞吐量达145Hz[18][19][21] - 动态投票集成策略基于余弦相似度(阈值τ=0.5)筛选历史动作，错误预测过滤效率提升40%[22][23] - 双token变体支持16动作块解码，NVIDIA Orin平台内存占用仅0.7%[31][32] 性能验证 - LIBERO测试中块大小8的单token方案最优，跨任务成功率超OpenVLA基准线15-25%[27][32] - SimplerEnv评估显示每帧3倍延迟优化，WidowX任务执行误差降低3% vs CogACT[28] - 消融实验证实block大小与吞吐量正相关，但单token8块配置保持精度优势[32]

视觉-语言-动作(VLA)模型研究进展 - 视觉-语言-动作(VLA)模型因多模态理解与泛化能力成为机器人领域重要研究方向 但高频率和精细操作任务中仍受推理速度瓶颈制约[2] - Jacobi解码虽能提升推理效率 但因需要较多迭代次数 实际加速效果有限[3] CEED-VLA核心技术突破 - 采用一致性蒸馏训练策略 使模型单次迭代可预测多个正确动作token 结合混合标签监督机制缓解误差积累[4][9] - 提出早期退出(early-exit)解码策略 放宽Jacobi解码收敛条件 实现4.1倍推理加速与4.3倍解码频率提升[5][10] - 框架通过预训练VLA模型生成Jacobi轨迹数据集 采用KL散度构建一致性损失 混合使用教师模型与真实数据监督训练[13][15][16] 实验验证效果 - 在CALVIN ABC-D和LIBERO-Long基准测试中 保持任务成功率同时实现4倍以上推理速度与执行频率提升[18] - 真实世界实验中 机械臂操作频率提升使灵巧任务成功率超过70% 显著优于基线模型[22][24] 方法论创新点 - 首创结合一致性蒸馏与混合标签监督的训练范式 同步保障动作生成精度与速度[8][9] - 首次发现Jacobi解码存在低效迭代瓶颈 通过动态调整收敛条件实现解码效率突破[10][17] - 构建完整技术闭环：从Jacobi轨迹采集、一致性训练到早期退出解码的全流程优化[13][14]