具身智能算法架构 - 分层控制是基础架构范式，以两级结构实现工程化，短期分层架构因工程可控性仍是主流 [1] - VLA范式以视觉语言模型为基础强化泛化与交互能力，是当前活跃研究方向，在复杂任务和人机交互中展现潜力 [1] - 世界模型通过环境建模与未来预测提供物理约束，处于科研主导阶段，因具备跨设备迁移能力被视为长期方向 [1] 具身智能数据策略 - 机器人数据涵盖多模态，产业找寻低数据成本获取与高数据效率应用路径 [2] - 数据获取端包括真机、视频第一人称或第三人称、仿真等路线 [2] - 数据安全为不容忽视的底线，人形机器人厂商面临权限隔离、数据加密体系、跨境传输政策等多方挑战 [2] - 异构训练通过模块化Transformer架构，跨机器人本体共享算法模型，打破传统“同构闭环”仅能在同类型硬件上复现策略的限制 [2] 具身智能热点议题 - 机器人Scaling Law与离身智能不同，尚未迎来爆发式突破，真实数据产能不足、Sim2Real迁移等为制约因素 [3] - 具身机器人缺乏公认量化框架，面临场景多样性、任务转化等难题，斯坦福李飞飞团队发布具身智能评测BEHAVIOR-1K推动评测标准化 [3] - 物理AI融合物理知识与AI模型，已走向机器人操作应用 [3]