机器人三层S2/S1/S0分层架构
搜索文档
机器人大模型迭代加速-当前进展到哪一步了
2026-11-15 21:52
具身智能重塑机器人产业:电话会议纪要关键要点总结 一、涉及行业与公司 - **行业**:具身智能/机器人产业,涵盖大模型(S2)、动作执行(S1)、本体控制(S0)三层架构,以及数据采集设备与数据生产服务环节[1][6] - **海外大模型与科技公司**:OpenAI、Anthropic、英伟达、谷歌DeepMind、苹果、Meta、Physical Intelligence、Figure AI[1][3][7][10][12][15] - **国内本体及零部件公司**:宇树科技、如影智能、榆树、上尾、艾斯、节卡、越江、梅卡曼德、杰克股份、德马科技[12][15][20] - **数据采集与传感器公司**:奥比中光、福莱新材、汉威科技、日盈电子、奥普特、长盈精密、鸣志电器[2][22][24] - **特斯拉产业链公司**:万向钱潮、三花智控、拓普集团、双环传动、恒立液压、新时达、新泉股份、宁波华翔[21][23] - **数据生产与服务公司**:海天瑞声、海量数据、龙软科技、科大讯飞、金山办公、风语筑、光轮智能(一级市场)[18][24] - **其他产业链公司**:飞亚达(谷歌12-DoF机器人减速器)、禾赛科技[22] 二、核心观点与论据 (一)行业阶段与驱动因素 - 行业正处于从量变到质变的关键节点,科技巨头积极布局以避免错失物理AI浪潮,OpenAI在解散具身智能团队两年后于2026年6月重新组建并在此后三个月内积极招募人才[3] - 近期行业动态频发与北美CRL盛会有关,该会议汇集几乎所有海外互联网及CS领域头部厂商,集中展示产业链过去一年最新进展[3] - 预计未来一两个月内还将有密集的行业催化事件[3] (二)三层模型架构(S2/S1/S0) - 具身智能模型分为三层:S2为推理层(大语言模型或多模态模型),负责环境感知、逻辑推理、多任务顺序排列等高层级认知功能;S1为执行层,将S2指令转化为具体动作序列;S0为本体控制层,负责步态平稳、身体平衡及精确动作,类似末梢神经或下意识反应[6] - 传统工业机器人主要停留在S0层面,通过编程式控制完成点对点或特定轨迹任务,不存在S1和S2层[6] - 大模型公司介入前,多数机器人模型公司研发重点集中在S1层,以Physical Intelligence为例,其采用开源谷歌Gemma模型作为S2层,嫁接自研S1层进行动作输出,核心自研部分为S1层流匹配架构[6][7] (三)大模型公司入局的核心影响 - 大模型公司在训练基座模型(S2层)时直接整合机器人相关数据(合成数据、第一人称视角数据),将能力从语言世界延伸至物理世界,极大拓宽并提升S2层能力[7] - 当前模型在现实世界中的控制效率和成功率相较仿真环境大幅下降且成本高昂,尚未完全"击穿"S1和S0层,但将整个行业能力基准拔高一个层次,未来有望向S1层扩展打通端到端控制链路[7] - 拥有更强算力、算法团队和更多数据量的公司介入,能整体提升所有机器人的能力上限[7] (四)多模态模型控制能力快速进步 - 2026年9月8日发布的GPT-6 Astra在第三方机构RoboDojo测评中,采用Astra直接控制PI 0.5模型,在当时的RoboDojo榜单上排名第一[8][9] - Anthropic发布的Claude Fable 5.2在RoboDojo仿真测评中取得64.9分,而两个月前GPT模型得分不到30分,能力实现超过两倍提升[1][9] - 只要持续加入更多模拟仿真数据和机器人第一人称视角数据,模型能力大概率将进一步提升[9] - Figure AI机器人能完成拧魔方、开瓶盖、绘制图案等未经专门训练任务,但视频中许多任务标注5倍、10倍甚至50倍倍速播放,表明执行效率和速度仍非常低,距商业化尚有较远距离,可能需集成更先进的S1和S0系统[9] (五)谷歌Gemini Robotics技术演进 - 谷歌自2023年推出首个端到端VLA模型后发现非分层结构限制任务复杂性且离散动作token输出效率低下,后续转向分层架构:上层为负责思考和任务规划的Gemini大脑(协调器),下层为执行具体动作的action model[10] - Gemini Robotics 1.5版本时上层为ER 1.5、下层为robotics 1.5,此后不再详细披露架构而通过demo展示效果[10] - Gemini Robotics 2.5相较2.0版本在三方面显著提升:灵巧度(完成更精细、更柔性任务,任务范围、成功率和完成速度均有较大提升)、可靠性(与Apple、Aptronik和奔驰等合作在真实工厂场景验证)、安全性增强[10] - 在桌面抓取与放置、多步骤与密集接触、精密装配与插接、灵巧操作与可变形物体处理四类任务中,2.5版本成功率均大幅提升,部分原先成功率为零的任务达到100%成功率[10] - 谷歌采取全栈式布局并保持开放合作态度,任何机器人公司均可申请战略合作在其本体上部署谷歌机器人模型,最近发布中使用国内公司如影智能的灵巧手(直驱技术,在控制能力、精度和运动控制方面表现出色),英伟达同样在使用其产品[11][12] (六)英伟达GR00T 2与世界动作模型 - 英伟达定位为行业赋能者,业务覆盖模型训练所需高性能计算卡及端侧Orin乃至算力更高的Thor芯片,倾向详细清晰公开发布研究成果并开源模型供二次开发或直接部署[12] - GR00T 2从早期VLA架构转向WAM(世界动作模型)架构,反映英伟达高层判断世界模型更符合人类学习与思考的第一性原理,是未来主流方向[12] - GR00T 2为拥有20亿参数的扩散Transformer架构模型,基座为英伟达自有Cosmos视频生成模型[1][13] - 训练数据包括40万小时第一人称视角数据、1万小时公里数据及2.3万小时真实机器人遥操作数据,第一人称视角数据占比较高[13] - 训练输入多视角视频(前方、左侧、右侧)、机器人本体状态(关节角度、末端位置)及人类指令,输出对未来状态和下一步动作的预测,一边预测一边执行;训练方法为基于前5秒视频数据预测后5秒动作,将预测结果与真实后5秒视频对比以提升预测准确度[13] - 训练分阶段:首先利用海量第一人称视角视频学习物理世界普遍运行规律(如物体掉落),其次学习特定场景下应输出何种动作,最后部署落地阶段通过强化学习后训练加入更多真实机器数据提高适配度及任务成功率[13] - 模型具备良好泛化表现,特别是跨本体适配能力,可将从人类手上观察到的动作迁移输出为机器人动作,适应不同类型和形态的机器人本体及设备[14] - 局限性:本质偏向执行的模型,适用于简短、单步动作(如"过去""坐下"),对需要逻辑排序和多步骤规划的复杂任务(如"清理整个屋子")无法独立完成,需更高层级S2模型进行任务编排,实际应用中通常部署在机器人端侧,上层可外接OpenAI、Anthropic或其他开源大模型[14] - 英伟达演进路径:上一代S1采用双层结构(视觉-语言-动作模型),N1.7时推理层开始使用生成式模型Cosmos;2024年2月发布GEM Zero论文采用视觉-动作模型架构与Cosmos一脉相承但停留在学术层面;本次N2模型将GEM Zero的VAM架构正式产品化和开源化,标志技术路线从学术探索走向产业赋能[14][15] (七)苹果全仿真训练研究 - 苹果近期研究展示基于分层式架构模型,与S2+S1+S0模式高度相似:顶层(S2)负责任务编排作为逻辑推理的视觉-语言模型,中层(S1)为动作生成模型采用全扩散Transformer解码器,底层(S0)为本体,具体使用宇树科技G1机器人并搭载英伟达Orin芯片[15] - 最显著特点为训练数据完全依赖仿真生成,通过扩散模型生成海量机器人仿真数据(环境数据、动作数据及虚拟第一人称视角数据)进行训练,实现"无本体化"训练方式[15] - 局限性:验证任务类型相对简单,主要集中在非操作类动作(如"过去""坐下""推开门""爬行"),而非复杂物体操作任务;真实世界部署仍需加入更多触觉数据,全仿真数据训练尚未完全替代真实物理世界数据[15] (八)大模型入局对竞争格局与数据需求的影响 - 技术商业化层面:大模型公司通过加入机器人数据使大模型可直接控制机器人并在仿真评测中表现优异,虽真实世界效率和成功率尚有不足,但已成为强大赋能工具,所有机器人公司均可调用以提升产品能力,加速行业商业化进展[16] - 竞争格局层面:可能对专注提供"纯大脑"(S1+S2)解决方案的公司构成冲击;但对深耕特定应用场景、拥有强大本体能力或掌握独有垂域数据和非通用本体的公司反而利好,可调用开源大模型增强垂直场景能力,制造业、物流等细分场景know-how仍是应用层和本体层公司护城河[16] - 数据需求层面:大模型参与确定性增加数据需求,每一代模型迭代伴随数据量指数级提升;当前行业数据总量约百万小时,距实现通用智能所需"GPT时刻"(可能对应上亿小时数据)仍有巨大差距,未来几年数据扩容是必然趋势,真机数据、第一人称视角数据、仿真数据等各种路线数据均为必需,数据环节总容量和规模将大幅增长[16] (九)数据分类与市场规模测算 - 数据主要包括异构数据、真机数据和模拟仿真数据,构成金字塔式结构,不同公司使用比例各不相同且为核心技术秘密;越偏向执行层(S1)的模型越需要高质量真机数据,越偏向规划层(S2)的模型更依赖第一人称视角等数据提升场景多样性和泛化能力[17] - 每一小时机器人数据量大约对应200亿的市场规模;若对应到机器人本体,非常保守测算下可能对应4亿套设备,但目前每个设备产能利用率远未达饱和,每年产生数据量远低于1,000小时[17] - 短期未来两到三年预计产生1亿小时数据需求;以11亿小时远期目标计算将形成千亿级别市场[1][17] - 数据采集设备短期需求约数十万套,长期可能达大几十万套甚至百万套级别,预计五年内实现[17] (十)数据采集产业链竞争格局与壁垒 - 产业链分为上游设备和中游数据生产[17] - 上游数据采集设备环节壁垒较高、竞争格局相对集中,呈现"卖铲子"逻辑,核心壁垒在于技术延伸自传感器领域,本质是信息采集、处理与输出的集成,参与者多为传感器公司;主要设备包括作为必选项的ego视觉工具(主要由视觉技术公司提供)和目前作为可选项但渗透率逐步提升的数采手套(主要由触觉传感器公司提供)[1][18] - 中游数据生产环节呈资产和人力密集型特点,市场格局分散,参与者包括第三方数据公司、地方政府、向上游延伸的设备厂商及自行采集数据的机器人公司;进入门槛相对不高但做好面临挑战,成功关键要素三点:技术能力(深刻理解模型、预测模型迭代对数据需求以提升采集有效性降低成本,优秀场景设计能显著提高有效数据产出比例)、资源整合能力(获取多样化细分corner case场景及触达机器人模型公司客户需求)、客户绑定能力(与特定客户长期合作持续提供数据服务);一级市场"光轮智能"被认为具备较大潜力[18] (十一)产业链分层影响与受益公司 - **S0本体层**:大模型极大提升发展天花板和未来想象空间,解决过去因功能受限难以落地应用痛点;北美等地区模型训练仍需依赖中国稳定可靠硬件载体,凸显S0环节重要性;具备强大本体能力、产品一致性可靠性及动作输出技术壁垒的公司相对受益,包括通用机器人领域榆树、上尾,工业机器人领域艾斯,协作机器人领域节卡、越江等,这些工业机器人公司通过集成更多传感器和具身智能技术有望迎来第二成长曲线[19][20] - **S1场景应用层**:核心竞争力在于特定垂直领域深厚积累和垂域小模型而非本体能力,拥有独特场景数据和客户群;大语言模型(S2)进入不会直接冲击而能赋能,帮助加速部署并在需拓展更泛化场景时作为上层任务调度工具接入;典型例子梅卡曼德机器人于2026年在港股上市,产品形态将具身模型集成于工业3D相机中,赋能工业机器人在汽车、3C电子等数十个行业实现柔性化生产装配制造任务,能处理过去程序化机器人无法完成的非规则、凌乱、多元化物体操作,目前3D相机全球已部署超过两三万台,2026年订单实现翻倍增长、收入大幅提升;其他如专注缝纫行业的杰克股份和物流行业的德马科技也因特定场景数据和客户积累受益[20] - **S2大模型层**:作为技术赋能者推动整个生态发展[20] - 总体来看,S0本体层和数据采集环节被视为最核心受益环节[1][20] 三、投资排序与相关标的 - **最高优先级**:机器人本体与数据采集设备(奥比中光、福莱新材等),本体是实现智能的基础,数据采集设备是模型训练的"铲子",两者壁垒较高、确定性强[2][21][23] - **硬件侧**:优先关注新兴AI产业链(奥普特、长盈精密等)及特斯拉产业链[2][21] - OpenAI产业链:奥普特(提供设备和产品对接)、长盈精密(供应结构件)、鸣志电器(提供机械臂)[22] - 谷歌产业链:飞亚达(为谷歌12-DoF机器人提供减速器,价值量较高)、禾赛科技(与12-DoF机器人项目处于同一时空人下的直接受益者)[22] - 其他AI产业链:Anthropic链目前标的较少有待后续挖掘[21] - **特斯拉产业链**:催化剂包括2026年12月3日股东大会、预计短期一到两个月内发布新一代产品视频、2026年下半年开始为2027年数据采集任务进行小批量生产部署;相关公司预计2026年下半年确认上亿元收入,包括万向钱潮、三花智控、拓普集团、双环传动、恒立液压、新时达、新泉股份、宁波华翔等[21][23] - **数据采集相关标的**: - 数据生产与服务:海天瑞声、海量数据、龙软科技,以及计算机行业关注的科大讯飞、金山办公和传媒行业关注的风语筑[24] - 数据采集设备:高度看好,首推奥比中光和福莱新材,其次是提供触觉传感器及相关数采设备产品的汉威科技和日盈电子[24] - **总结投资排序**:最高优先级是本体和数据采集设备;硬件中优先关注新兴AI公司产业链,其次是特斯拉产业链[23]