制造业自动化痛点与转型 - 个性化消费时代的多品种、小批量、高柔性制造需求与传统工业机器人的结构化封闭环境、单一指令模式存在根本性矛盾 [1] - 矛盾推动机器人控制技术从基于精确模型的编程式控制转向基于数据驱动学习的具身智能 [1] - Transformer架构为代表的大模型技术正向机器人领域深度渗透 [1] 具身智能的技术特点 - 具身智能机器人初期在单一场景的效率可能低于专用机器人，通用性与效率呈现负相关 [2] - 具身智能赋予机器"理解"与"规划"能力，突破传统工业机器人依赖精确指令的局限 [4] - 多模态大模型和具身大模型使机器人具备理解模糊任务指令、动作规划与执行的能力 [4] 数据驱动与架构设计 - "数据金字塔"理论包含底层互联网视频文本数据、中层仿真合成数据与动作捕捉数据、塔尖真实场景数据 [5] - 分层构建技术依托多模态预训练底座，利用任务数据和互联网数据构建基础空间理解能力 [7] - "一脑多小脑"模式结合通用"大脑"（基座模型）与专用"小脑"（真机数据微调），平衡通用性与场景效率 [7] 行业落地路径与生态协作 - 具身智能落地将经历"单一结构化场景-半结构化场景-逐步通用"的渐进路径 [7] - 科大讯飞"平台+赛道"战略通过"讯飞超脑2030计划"赋能生态伙伴，推出"即插即用"机器人智能语音背包 [8] - 聆动通用聚焦工业制造、物流及零售领域，牵头起草《机器人自适应能力技术要求》国家标准（GB/T 44589-2024） [8] 行业协同与技术进展 - 世界机器人大会等平台促进产业链上下游合作，加速技术从实验室向产线渗透 [8] - 人形机器人技术进展显著，从去年蹒跚学步到今年稳定行走并完成操作任务 [8] - 机器人正从执行预设程序的"机械臂"进化为理解、规划并适应复杂环境的"智能体" [8]

具身智能发展路径 - 具身智能机器人需建立在商业闭环和真实世界数据闭环基础上才能实现复杂化和智能化[3] - 推行科技通过物流机器人实现商业化运营，构建数据飞轮，形成可持续的发展路径[6] - 行业面临数据稀缺问题，真机数据需通过大规模部署积累，而仿真数据和通识数据同样关键[10] 骑手影子系统 - 系统通过采集骑手环境、定位和驾驶数据训练机器人自主导航能力[13] - 2.0版本扩展至上肢操作数据采集，覆盖开关门、拿放外卖等复杂动作[14] - 中国骑手日均骑行100-200公里，数据采集效率远超行业水平，已积累数千万公里行驶数据和近百万条上肢轨迹数据[14] 机器人技术突破 - 定义"三原色"原子任务（按按钮、推拉门、拿放货），简化复杂操作场景[17] - 开发行为树VLA模型，结合LLM任务规划和VLA执行反馈，提升系统适应性和可靠性[21][23] - 构建多层级反馈机制，使机器人在分布外场景中保持任务稳定交付[24] 商业化进展 - 物流机器人履约率达98.5%，已实现单个机器人盈亏平衡[6] - 与国内三大即时配送平台合作，完成近10万单配送[26] - 模型具备"一脑多形"和"一脑多栖"能力，可跨平台部署至四足机器狗、船只等场景[26] 团队与技术优势 - 团队曾研发DARPA挑战赛全球第二名的人形机器人CHIMP，具备顶尖工程能力[26][30] - 拥有L4级自动驾驶研发经验，为骑手影子系统提供技术基础[27] - 中国复杂城市环境和庞大骑手队伍为数据采集提供独特优势[30]