具身智能行业趋势 - 具身智能技术已从学术研究阶段进入产业化阶段，突破将发生在市场而非实验室[2][13] - 行业正处于Scaling Law时刻，预计需要4-5年沉淀才能达到类似GPT-4的突破[2][29] - 技术路径已从500个研究方向收敛至100个左右，进入工程优化阶段[12][13] 技术路径选择 - 端到端VLA（vision-language-action）是行业终极方向，已在自动驾驶领域验证[19][20] - 短期分层方案（规划-感知-执行）更易工程实现，但长期将被端到端替代[22] - VLA模型通过统一处理视觉、语言和动作模块，实现任务理解和执行一体化[20] 数据训练方法 - 训练数据来源包括：互联网视频数据（1%可用率）、遥操作数据和强化学习数据[24][26] - 发现Scaling Law规律：数据量每增加10倍，模型精度小数点后多一个9[27][28] - 达到ChatGPT级别效果需100亿条有效互联网数据+1亿遥操数据+数千万强化学习数据[31] 机器人形态发展 - 人形设计因适应人类环境成为主流，但非必需形态[33][34] - L4阶段前轮式底盘+双臂可覆盖80%场景需求，双足非必须[33][37] - 双足平衡技术已实现高难度动作（如燕式平衡），工业级稳定仍需优化[37][38] 产业链分工 - 硬件本体价值有限，核心突破在于"大脑"（AI系统）[39] - 未来产业链将类似汽车行业，形成专业化分工（灵巧手、芯片等）[41] - 纯软件方案不可行，需针对具体硬件进行训练优化[40] 中美发展差异 - 中国优势在于硬件制造和维修效率（美国维修周期长达数周）[6][7] - 美国在快慢系统等核心技术方面暂时领先[6]

具身智能行业发展现状 - 具身智能技术从想象进入现实阶段，但行业仍面临技术瓶颈、落地场景选择、用户真实需求定义等核心问题[2] - 国内外平台型企业争相布局具身智能计算开发平台，英伟达推出Jetson Thor，高通、英特尔跟进，国内地平线推出RDK S100[3] - RDK S100已覆盖20+头部具身智能客户合作，50+合作伙伴正在测评，成为英伟达之外的主要选择[4] 技术路径与解决方案 - 行业存在一体化端到端和分层模型两条技术路径，前者通用性强但资源消耗大，后者可控性高但泛化性弱[7][8] - 分层决策大小脑模型是当前更可行的方案，大脑负责感知决策（CPU+BPU），小脑负责运动控制（MCU）[8][9] - RDK S100采用CPU+BPU+MCU超级异构架构，实现单SoC上的"算控一体"，算力达80 TOPS[4][9] - BPU基于车端验证的Nash架构，支持160+ONNX标准算子，优化视觉/点云检测、LLM/VLM模型性能[10][11] 产品定位与场景适配 - 未来三年量产突破场景可能是四足/轮足机器人、机械臂或物流车，而非人形机器人[13] - RDK S100针对近2-3年落地场景精准卡位，提供百TOPS级匹配算力[13][14] - 通过共享内存核间通信机制和SDK封装，降低开发者使用复杂度[12] 开发者生态建设 - 提供ModelZoo算法仓含110+感知/决策/行动模型及性能指标[19] - 配套工具链支持算法量化、模型调优和快速部署[20] - 端云一体数据闭环工具链+Sim2Real仿真方案解决高质量数据缺失问题[20] - "地心引力计划"已汇聚200+初创公司，提供硬件优惠、技术支持、产业链对接等服务[28] 商业化落地案例 - 在宇树G1人形机器人实现高效运动控制，BPU推理占用率仅2%，CPU占用降低250%[22] - 在宇树Go2四足机器人复现多种仿生步态，适应复杂地形[23] - 在HuggingFace双臂方案实现零卡顿自主叠衣，整套成本低于5000元[24] - 20+头部客户中部分已进入量产开发阶段，覆盖人形/四足/智能化方案商[26] 行业发展趋势 - 技术路径有望收敛，计算平台将呈现"算控一体"中等算力方案和端到端大算力方案双线并行[28] - 公司目标建立类似英伟达CUDA的生态体系，通过基础设施支撑行业创新[28]