通用大模型在具身领域进展纪要要点总结 一、涉及行业与公司 - **行业**：具身智能/机器人大模型行业，涵盖通用大模型向具身领域渗透、机器人大脑（System 1与System 2）技术演进、Sim-to-Real仿真迁移、商业化落地等方向[1][3][4] - **海外公司**：英伟达（Groot 2、Groot 2 Turbo、Eureka）、苹果（Hello系统）、Physical Intelligence（PI）、Google Robotics（RT-2、RT-E、VIMA）、Generalist AI（GN1.5）、Covariant AI（Skill AI）、OpenAI（Astra、GPT-4o）、Figure AI（Figure 02）、特斯拉相关未提及[1][5][6][10][11][12] - **国内公司**：宇树科技（G1机器人）、智谱AI、月之暗面（Moonshot AI）、字节跳动、阿里巴巴（通义千问）[5][14] - **资本市场**：A股与港股机器人相关资产[2][7] 二、核心观点与论据 （一）通用大模型向具身领域渗透的路径与瓶颈 - 通用大模型正从编码智能（coding agent）能力向外泛化衍生，具身智能是极具前景的重要场景，Fable、Astro等模型控制机器人动作的本质是通过编写代码和指令实现[3] - 新一代大模型在动作理解、视觉及空间感知能力上显著提升，训练中可能使用了更多机器人相关数据，增强了多模态理解、空间感知和运动规划能力[3] - 通用大模型作为高级指令理解与规划的"大脑"（System 1）已获广泛认可，Fable和Astro的最新进展表明大模型正从高层规划向下层控制渗透，展现整合"大小脑"功能的潜力[3] - 机器人领域可能正在形成正向反馈循环（positive feedback loop），类似于大模型在编码领域通过编写、运行、测试代码形成闭环并获得直接奖励函数，机器人执行大模型规划动作后的效果也能形成反馈，为模型迭代提供有效奖励信号[4] - 当前通用大模型实现具身智能存在明显不足：模型体积过大，参数量通常达万亿级别，推理速度慢、延迟高，无法满足生产环节低延迟要求，许多演示视频经过快进处理；成本方面，与传统机器人方案相比价格昂贵[4] - 未来解决方案包括从通用大模型中蒸馏出参数量更小的机器人专用版本，或利用MoE架构优化以降低时延和成本；将语言模型领域已验证成功的规模法则（scaling law）直接应用于具身智能领域，可能比传统具身领域探索涌现现象更有效[4] - 短期来看，大语言模型作为"大脑"进行高层规划、下层控制沿用传统具身模型的结合思路仍是主流；头部大模型公司虽主攻通用智能和编码智能，但已将具身智能视为重要垂直应用领域，将在2027年投入相当规模资源[4] （二）苹果"Hello"系统与Sim-to-Real验证 - 苹果研究团队于2026年11月7日发布"Hello"机器人系统，原始论文于2026年11月4日提交，取得91%成功率，该成功率基于6类预设基础技能（走向特定目标、坐下、过门、俯身、爬行、推箱子）在真实环境中的平均成功率[5] - 测试使用宇树科技G1机器人，核心目的在于验证仿真环境中预训练的模型能否有效迁移到陌生真实环境，即验证Sim-to-Real的有效性[5] - 技术框架未沿用原生大语言模型路线，而采用视觉语言模型与强化学习相结合的传统机器人分层控制框架；底层控制层面（System 2）集成阿里通义千问大模型和英伟达研究院Eureka运动生成模型，额外使用约300小时仿真数据训练[5] - 仿真环境中经过近6,000次迭代，系统成功率达91%，迁移至真实环境后成功率仍保持在90%左右，证明在缩短Sim-to-Real差距方面取得良好效果[5] - 研究团队使用250张H100 GPU运行48小时，生成300小时仿真数据用于预训练，成功证明合成数据在真实环境迁移中的有效性[5] - 三个主要结论：苹果作为潜在新进入者未从零开始"造轮子"，未打破现有分层控制框架而是在此基础上实现优化，采用成熟第三方模型作为基础；研究偏好并验证了仿真合成数据的价值；研究范围有限，6个基础任务均不涉及灵巧手操作，论文未将该系统与现有其他机器人模型进行性能对比测试，不能仅凭此项研究断定其全面优越性[5][6] （三）英伟达Groot 2与Groot 2 Turbo的技术进展 - 英伟达将Groot 2定义为System 1，模型架构基于世界动作模型而非VLM，旨在优化机器人动作执行环节[6] - 预训练的Scaling Law：使用约43.6万小时数据训练，其中近90%为第一视角Ego视频，机器人任务执行效率相较基准水平提升近20个百分点，处理50项新任务时平均成功率达95%[1][6] - Zero-shot能力：初始平均成功率约40%，低于行业普遍追求的50%基准线；通过约5次、耗时3分钟左右的特殊性示范，平均成功率可提升至95%[6] - 端侧部署：Groot 2 Turbo采用20亿参数的视频加动作Transformer模型，通过压缩视频表征，在端侧实现约124毫秒延迟，优于行业普遍认为200毫秒左右的优秀水平[1][6] - 行业模型创新趋势：各层面研发迭代全面加速，OpenAI的Astra和Figure AI专注改变System 2，英伟达致力于用先进模型迭代方法优化System 1，行业呈现相向而行的发展态势而非单一路径替代；尽管GPT-4o在9月份发布，机器人公司并未完全放弃System 1，主要考虑Token成本和实际应用场景（目前多为桌面级基准任务）的必要性；预计未来6到12个月内机器人各类模型论文和大型科技公司技术催化将显著增多[6][7] （四）海外机器人大脑公司技术路径与商业化对比 **共同目标**：海外主要机器人大脑公司目标较为统一，致力于开发通用性更强的大脑，并通过不同方式进行Scaling，寻找最优泛化路径[9] **Physical Intelligence（PI）**： - 当前估值约200亿美元，核心理念是让模型学会所有技能并能通过语言控制[10] - 算法核心基于VIMA，结合自研Flow Matching技术实现RCI；倾向于将规划层和执行层融合，与部分分层模型不同；训练数据主要采用真机数据[10] - 最新基座模型PI 0.7在推理过程中引入子目标图（Subgoal Image），可视为轻量级世界模型，机器人在执行下一步动作前会在"脑海"中生成完成该动作所需的场景图再执行任务，体现VIMA与世界模型结合思路[10] - 执行未见过的新任务时，通常需通过语言逐步指导，并结合训练时数据生成的子目标图，形成"语言指导+子目标图"的上下文共同完成任务；模型在实验和实际应用中展现较强组合泛化能力和跨本体能力[10] - 商业化：2026年10月推出API Beta服务，类似语言模型API服务，客户可将机器人数据上传至平台实现模型微调和云端推理，目前约有15家用户，尚处商业化早期阶段[1][10] **Google Robotics**： - 研发路线与PI相似，均采用VLM加后训练技术路径，以真机数据为主要训练来源，得益于谷歌自身强大的VLM基础[11] - 主要不同点在模型架构：PI倾向融合规划层和执行层，Google Robotics将两者分离为两个独立模型——RT-E推理模型作为高层大脑负责对话、空间理解和多步任务规划（System 2），VIMA模型负责具体动作执行（System 1），将视觉和语言指令转化为电机控制信号驱动不同类型机器人[11] - 谷歌于2026年7月发布Google Robotics RT-2[11] **Generalist AI**： - 估值已达数十亿美元，技术路线与PI和Google Robotics不同，未采用VLM作为起点，而是从物理交互数据从头开始训练模型，旨在通过堆积足够多物理数据实现智能涌现[11] - 模型未拆分快慢系统，将感知和动作处理成两条异步的连续时间流同时执行，能够"边想边动"提升执行速度[11] - 数据策略：预训练未使用昂贵真机数据，采用自研手持或佩戴式设备采集的数据，目前此类数据已超过50万小时；后训练阶段仍使用部分真机数据提高可靠性[11] - 最新基座模型GN1.5执行新任务时并非接收语言指令，而是通过一段3到12秒的传感器数据和手部动作轨迹数据作为上下文输出动作；若上下文中提供两段不同任务示范，模型能自行拼接成更长连续动作并补充衔接动作；对10个新短任务测试，官方准确率达59%[12] - 商业化尚处早期，主要与少数客户共建合作，尚未像PI那样提供API服务[12] **Covariant AI（Skill AI）**： - 商业化进展较快，当前估值超过140亿美元，ARR超过1亿美元，累计确认收入达5,000万美元，拥有约60多家付费客户[1][12] - 模型闭源，具体架构未公开，核心思路是让机器人具备现场自适应能力；运动阶段在仿真环境中创造约10万种不同机器人身体，让模型在行动中不断尝试和调整；操作阶段融合真机、ego-centric数据和仿真等多种来源数据训练，并利用客户回流数据迭代[12] - 非常强调上下文学习，分为两部分：运动过程中的上下文（S0）包含模型此前经历包括失败经验用于纠正错误；操作阶段的上下文（S1）来源于人类提供的任务示范视频，与Generalist AI路径相似，均不依赖语言指令；执行新任务时通常向模型提供一段提示性示范视频，官方测评任务完成准确率为66%[12] - 商业化因模型闭源，主要通过与客户部署合作产生收入[12] **四家公司技术路径归纳**： - 两大类路径：PI和Google Robotics以VLM为技术主干，增加动作模块，通过强化学习和后训练优化，偏好真机数据训练，PI在后训练阶段也开始引入人类数据；Generalist AI和Covariant AI未采用VLM路线，更侧重使用动作数据从头训练模型[13] - 数据层面共同趋势：数据融合成为明显趋势，PI采用真机数据预训练结合人类数据后训练，Generalist AI使用ego-centric数据预训练再用真机数据后训练；各类数据融合已是共识，但如何优化不同来源数据配比以实现更高效scaling是海内外公司积极探索方向[13] - 模型层面共同趋势：在通用机器人模型（robot foundation model）能力足够强大之前，世界模型与VLA（Vision-Language-Action）模型融合是重要趋势，PI推理时的子目标任务应用了轻量级世界模型；未来通用大模型能力持续增强，通用模型与具身模型融合将进一步加深，使机器人更快实现跨场景和跨本体泛化[13] （五）通用模型对具身模型的技术借鉴 - **3D环境构建与仿真数据**：通用模型日益增强的3D建模能力可大幅降低3D环境构建难度，增强Sim-to-Real迁移能力，使未来可利用更多高质量仿真数据训练机器人大脑[8] - **模型范式与反馈闭环**：通用模型领域新范式如Loop Transformer和未来RCI（Recursive Cognitive Intelligence）的能力突破可被借鉴，帮助机器人实现更快的个性化和反馈闭环[8] - **特定能力学习与数据质量提升**：具身模型可有效学习通用模型的In-context Learning能力；通用模型在COT（Chain of Thought）和数据标注方面具备较强能力，具身模型借鉴其强大COT能力将有助于显著提升训练数据轨迹质量，实现能力更大突破；总体而言通用模型进步将持续为机器人模型带来启发，并可能在未来走向融合，共同驱动机器人大脑技术发展[8] （六）国内大模型公司具身布局 - 国内大模型公司在具身智能方向均有布局，包括智谱AI、月之暗面（Moonshot AI）等初创公司，以及字节跳动、阿里巴巴等大厂团队[14] - 现阶段国内大模型在语言能力上仍处追赶海外顶尖模型态势，多数公司资源有限，主要精力集中在提升模型coding和Agent能力上，具身智能方向资源投入相对不大，整体进展较慢[14] - 具身模型训练高度依赖数据，国内云模型公司在具身数据采购方面尚未进入大规模阶段[14] - 积极动向：有国产模型厂商开始与国内头部机器人本体公司展开合作，预计后续会有相关消息发布；一旦海外OpenAI等头部公司明确将具身智能作为重要方向，国内公司也会加大力度跟进，预计2027年将看到更多实质性动作[14] - 考虑到现阶段资源和技术储备与美国尚有差距，国内追赶路径可能采取更具经济效益的方式推进[14] 三、其他重要但可能被忽略的内容 （一）投资影响与估值风险 - 机器人软件能力快速迭代对投资产生三方面直接影响：技术持续更新将维持机器人板块高热度，软件迭代速度天然快于硬件，持续技术变革是维持行业关注度关键因素[7] - 投资焦点可能向特定类型机器人公司倾斜：A股原先缺乏强大"大脑"能力的机器人本体公司，以及拥有硬件资源禀赋和应用场景资源的公司，有望迎来"跷跷板"式配置机会，这类公司历史包袱较轻，能直接受益于越来越多大型科技公司提供的先进软件能力，从而获得机构资金青睐[2][7] - 需关注不同市场间估值差异：当前A股与港股机器人资产估值分水岭已非常明显，部分代表性公司PS估值倍数差异可达10倍，应警惕"物极必反"风险；建议关注港股市场中因流动性问题被错杀、但公司基本面正在积极改善的资产，可能存在跌破价值的投资机会[2][7] （二）时间节点与催化预期 - 苹果"Hello"系统论文提交时间为2026年11月4日，发布时间为2026年11月7日[5] - 谷歌于2026年7月发布Google Robotics RT-2[11] - PI于2026年10月推出API Beta服务[10] - GPT-4o于9月份发布[7] - 预计未来6到12个月内机器人各类模型论文和大型科技公司技术催化将显著增多[7] - 头部大模型公司将在2027年投入相当规模资源于具身智能[4] - 国内公司预计2027年将看到更多实质性动作[14] （三）技术细节补充 - 英伟达Groot 2训练数据中近90%为第一视角Ego视频[6] - 苹果Hello系统仿真环境迭代近6,000次[5] - Covariant AI在仿真环境中创造约10万种不同机器人身体[12] - Generalist AI自研设备采集数据已超过50万小时[11] - PI API Beta服务目前约有15家用户[10] - Covariant AI拥有约60多家付费客户，累计确认收入达5,000万美元[12] - Generalist AI GN1.5对10个新短任务官方准确率达59%[12] - Covariant AI官方测评任务完成准确率为66%[12]