新加坡国立大学VLA-OS研究 - 首次系统解构机器人VLA模型任务规划与推理机制 提出任务规划表征与模型范式的统一对比框架 [2] - 构建包含10,000条多模态轨迹的标注数据集 覆盖2D/3D视觉、仿真/现实环境、单/双臂操作等多样化场景 [25][29] - 设计三大可组合VLA范式：ActionOnly-VLA、Integrated-VLA、Hierarchical-VLA 实现公平对比 [23] 技术架构创新 - 采用Qwen 2.5 LLM基座构建0.5B-7B参数VLM家族 配合DINO+SigLIP混合视觉编码器 [20] - 开发标准化动作头与规划头模块 支持KV Cache提取技术实现三大范式灵活组合 [22] - 创新性定义语言/视觉/目标图像三种规划表征 建立32x32网格化空间语义标注体系 [26][30] 核心研究发现 - 视觉规划表征相比语言规划成功率提升13.2% 推理速度提高100倍 [43][58] - Hierarchical-VLA范式展现最强泛化能力 任务分解准确率比Integrated-VLA高4.5% [52][55] - 模型规模超过1B参数时性能下降 在5,000条数据场景下0.5B模型最优 [62][64] 行业应用指南 - 推荐视觉表征与目标图像规划为主 语言规划为辅的混合方案 [68] - 资源充足时优先选择Hierarchical-VLA 资源受限采用隐式Integrated-VLA [68] - 确认任务规划预训练有效性 但需注意持续学习中的遗忘问题 [67][73]

机器人基础模型发展 - RT-2作为首个机器人VLA模型，通过将机器人控制问题构建为视觉问答任务实现基础功能，基于PaLI-X和PaLM-E预训练模型开发[5][7] - RT-X跨具身数据集整合34个实验室、22种机器人数据，通用模型性能比单一场景专业模型平均提升50%，分布外指令处理能力提升3倍[10][11] - 第二代VLA模型采用连续动作分布设计（如扩散模型/流匹配模型），支持高频率精细控制，动作生成跨度达50个时间步[15][17][19] PI公司技术迭代 - π0模型基于30亿参数Polyglot-LLM开发，集成动作专家模块，输入包含1-3张图像+语言指令，可控制多样化机器人形态[18][19] - π0训练数据集达10,000小时，融合RT-X数据后实现复杂任务微调，如折叠盒子（成功率66%）和衣物（抗干扰恢复能力突出）[21][23][26] - π0.5版本新增分层推理架构，支持长期任务（如卧室清洁），仅3%移动操作数据但实现真实场景迁移应用[28][30][32] 技术融合方向 - 当前VLA模型依赖模仿学习，未来将通过强化学习（RLPD算法）优化任务成功率与鲁棒性，采用稀疏奖励+人工干预机制[35][39][43] - RLDG方法尝试将强化学习专家数据整合至VLA，已实现连接器插入等技能泛化，但端到端训练流程仍需突破[45][46] - 视觉编码器+图像分类奖励机制提升强化学习效率，动态任务如煎蛋翻面、家具组装验证技术互补潜力[42][43]

以下文章来源于RoboX ，作者RoboX RoboX . 从AI汽车到机器人，我们关注最具潜力的超级智能体！ 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 7 月 27 日，在 2025 WAIC 上，由智元机器人主办的「智启具身论坛」如期举办。在其重量级嘉宾阵容中，我们 首先编译整理了 Sergey Levine 的演讲内容，供大家参考： 开端：RT-2的「视觉问答」 "几年前，基于 首个机器人基础模型，我的学生凯文·布莱克发送了一个指令——'把茄子放进锅里'。当时的基础模型运行在远程服务器上，且 运行的是一个我们没有开发、也不太清楚工作原理的模型。凯文能够向这个模型发送指令，然后机器人就完成了任务。 " 在演讲的开头，Levine 回忆道，像这样简单的任务，却已经让凯文研究了很长一段时间。因此，这一指令的成功，让他们看到了新型系统势 的能力，以及其不可阻挡的趋势： " 随着我们开发出可远程调用的机器人基础模型，这将释放出一种力量，使任何机器人都能 ...

纪要涉及的行业和公司 - **行业**：国产人形机器人行业 - **公司**：智元、宇树、优必选、长江机械、Figer AI、小鹏、小米、广汽集团、华为 纪要提到的核心观点和论据 行业进展 - **投资与订单**：智元和宇树中标中移杭州信息技术有限公司 2025 - 2027 年代工服务采购项目，总金额 1.24 亿元，智元获 7800 万元，宇树获 4605 万元；天宫行者标配版售价约 30 万元，2025 年产量和订单预计超 1000 台[1][2] - **产业链推进**：2025 年长江机械发布 14 篇人形机器人系列深度报告；国内外通用人形机器人商业公司约 150 家，国内超 80 家，半数以上为高校背景创业[1][3][4] - **模型开发应用**：国内企业在 VRA 和 VLA 模型开发及应用取得进展，构建数据通用化层次，搭建素材平台，利用大规模数据复用，资源链和优必选链进展受关注[3][8] - **产业链发展**：国内人形机器人产业链发展迅速，本体进展积极，贴近生产生活场景，数据应用成优势，2025 年政策引导资本开支显性，国产链条表现优于海外企业[9] 公司进展 - **优必选**：2025 年等待 Walker S Two 发布，展示可更换背部电池等功能；向第三方客户小批量出货工业订单；与国创中心合作的天宫行者获科研教育界青睐，交付订单预计超预期[1][5] - **宇树**：运动控制领先，展示四足狗爬山涉水及 H One 舞蹈能力；基旺仿人形机器人减重优化成本，展示跑步、越障和上肢抓取能力[1][6] - **智元**：2025 年初提出五款商业化产品，探索软件平台；积极采集数据迭代技术，计划每周采集 50 万条数据，与其他厂商合作构建 H BOT 数据集[1][7] 应用前景 - **巡检领域**：电力巡检中可替代人工进行高空巡检，提高安全性；通过训练框架能执行简单设备运动状态监测及开关操作任务；降价后性价比高，电力巡检场景复制潜力大，适用于化工园区、矿山巷道等[10][11] - **搬运领域**：具备识别物体位置和执行操作任务能力，可替代人工完成工厂内产品运输、搬运、上下料等任务，与无人物流车协同实现无人化工厂环节[10][12][13] - **纺织领域**：纺织业为劳动密集型行业，机器人可替代部分人工操作；随着技术进步，人形机器人 VR 模型对柔性材料理解深入，未来可替代更多场景[10][16] 其他重要但可能被忽略的内容 - 小鹏、小米、广汽集团等车企和科技集团积极布局国内市场，展示如小鹏 Aero 行走能力等创新成果[8] - 海外企业 Figer AI 在物流产线分拣包裹动作方面有优秀表现[9] - 当前市场本体发展百花齐放，本体加场景应用加速产业化[17]

具身智能与VLA模型优化 核心观点 - VOTE框架通过无分词器微调和集成投票策略显著提升VLA模型的推理速度(35倍加速)和泛化能力(成功率提升20%以上)[4][9][31] - 该方法摒弃传统扩散技术和额外视觉模块，采用单一<ACT> token压缩动作块表示，使边缘设备吞吐量达42Hz[9][21][31] - 在LIBERO和SimplerEnv基准测试中超越CogACT等SOTA模型，WidowX机器人任务平均成功率54.2%[28][32] 技术背景 - 现有VLA模型依赖动作分词器或扩散技术，导致CogACT延迟增加33.8%内存开销，SpatialVLA因多模态输入使token序列延长50%[7][11][13] - 传统方法在跨形态数据训练时需162K-200K轨迹数据，而VOTE通过LoRA微调(秩r=32)降低70K步训练成本[24][25] - 7自由度动作空间设计(平移+旋转+gripper状态)兼容多样化机器人控制需求[16] 创新架构 - 引入<ACT> token替代传统分词器，将ND个动作解码简化为1次MLP前向传播，A6000 GPU吞吐量达145Hz[18][19][21] - 动态投票集成策略基于余弦相似度(阈值τ=0.5)筛选历史动作，错误预测过滤效率提升40%[22][23] - 双token变体支持16动作块解码，NVIDIA Orin平台内存占用仅0.7%[31][32] 性能验证 - LIBERO测试中块大小8的单token方案最优，跨任务成功率超OpenVLA基准线15-25%[27][32] - SimplerEnv评估显示每帧3倍延迟优化，WidowX任务执行误差降低3% vs CogACT[28] - 消融实验证实block大小与吞吐量正相关，但单token8块配置保持精度优势[32]

视觉-语言-动作(VLA)模型研究进展 - 视觉-语言-动作(VLA)模型因多模态理解与泛化能力成为机器人领域重要研究方向 但高频率和精细操作任务中仍受推理速度瓶颈制约[2] - Jacobi解码虽能提升推理效率 但因需要较多迭代次数 实际加速效果有限[3] CEED-VLA核心技术突破 - 采用一致性蒸馏训练策略 使模型单次迭代可预测多个正确动作token 结合混合标签监督机制缓解误差积累[4][9] - 提出早期退出(early-exit)解码策略 放宽Jacobi解码收敛条件 实现4.1倍推理加速与4.3倍解码频率提升[5][10] - 框架通过预训练VLA模型生成Jacobi轨迹数据集 采用KL散度构建一致性损失 混合使用教师模型与真实数据监督训练[13][15][16] 实验验证效果 - 在CALVIN ABC-D和LIBERO-Long基准测试中 保持任务成功率同时实现4倍以上推理速度与执行频率提升[18] - 真实世界实验中 机械臂操作频率提升使灵巧任务成功率超过70% 显著优于基线模型[22][24] 方法论创新点 - 首创结合一致性蒸馏与混合标签监督的训练范式 同步保障动作生成精度与速度[8][9] - 首次发现Jacobi解码存在低效迭代瓶颈 通过动态调整收敛条件实现解码效率突破[10][17] - 构建完整技术闭环：从Jacobi轨迹采集、一致性训练到早期退出解码的全流程优化[13][14]

具身智能与VLA模型发展 - 2025年全球具身智能赛道爆火，视觉语言动作模型（VLA）成为核心驱动力，从美国RT-2到中国FiS-VLA实现技术快速迭代 [4][6][7] - 谷歌DeepMind、Figure AI等硅谷领军企业加速布局VLA，谷歌发布首个离线VLA模型实现机器人精准离线操控 [8][9] - 中国智平方联合高校推出FiS-VLA模型，通过快慢双系统架构解决机器人操控效率与推理能力矛盾问题 [10][12] 技术演进关键节点 - 谷歌RT-1（2022年）开创机器人Transformer模型，首次实现"预训练+微调"范式，完成多步骤任务如"把可乐放入冰箱" [23][25][27] - 微软ChatGPT for Robotics（2023年）实现零样本任务规划，但暴露语言模型在动作控制上的局限 [31][32][34] - 谷歌RT-2（2023年7月）确立VLA范式，将动作离散化为文本token联合训练，在未见任务上成功率超50% [38][39][40][46] 中国技术创新突破 - 智平方推出RoboMamba模型，引入Mamba架构使推理速度达主流模型3倍，仅微调0.1%参数实现SE(3)位姿预测 [45][47][50][52] - HybridVLA模型融合自回归与扩散架构，在仿真任务成功率提升8%，真实环境提升11% [74][77][79] - FiS-VLA实现21.9Hz控制频率，是CogACT的2倍以上，在RLBench任务平均成功率69%领先基线方法 [105][114][115] 国际竞争格局 - 开源模型OpenVLA以7亿参数超越55亿参数的RT-2-X，29种操作任务成功率高出16.5% [54][57][58] - Figure AI发布Helix双系统模型，系统1（80M参数）与系统2（VLM主干）实现7-9Hz工作频率 [88][89][93][96] - 英伟达开源GROOT N1人形机器人基础模型，融合互联网与机器人数据实现广义推理 [97][98][101] 行业应用前景 - VLA技术推动机器人从实验室走向工业落地，已在人形机器人和智能制造领域部署应用 [123][124] - π系列模型实现开放世界泛化，在未见家庭场景零样本完成清洁任务，标志技术具备大规模推广能力 [63][69][70] - 技术演进形成"自回归到扩散到混合"与"非端到端到快慢耦合"双路径，推动机器人向通用能力进化 [122]

市场表现 - 智能网联汽车ETF(159872SZ)截至06月17日10:01上涨000% 其关联指数CS车联网(930725CSI)上涨015% [1] - 成分股表现分化：上汽集团上涨063% 万马科技大涨539% 千方科技上涨136% 移远通信上涨073% 大华股份上涨045% [1] 政策动态 - 交易商协会召开银行间市场支持汽车企业高质量发展座谈会 中国一汽 上汽集团等9家车企参与讨论融资需求及转型建议 [1] - 协会表态将强化债券市场制度创新 支持车企向智能化 绿色化转型方向升级 [1] 技术进展 - VLA模型整合视觉 语言和行动模块 使自动驾驶平均无接管里程提升至50-100公里 显著优于传统方案的1-10公里 [2] - 技术升级带来算力需求激增：理想汽车在OrinX芯片部署的VLA模型参数规模达4B级别 [2] - 海格通信基于"北斗+5G+C-V2X"构建车路一体通信网络 已参与国家级车联网试点项目 [2] 产业链关联 - 智能网联汽车ETF关联个股覆盖整车制造(上汽集团 比亚迪) 零部件(华域汽车 德赛西威) 电池(宁德时代) 及智能技术(科大讯飞 大华股份)等领域 [3]

具身智能技术突破 - 宇树科技G1机器人凭借自主决策算法与高动态运动控制，在机甲格斗中击败多国劲旅夺冠，验证了全身协调性和毫秒级反应能力 [2] - 北京人形机器人创新中心天工2.0完成半程马拉松仅需2小时40分钟，具备多地形适应能力，上肢灵巧手系统自由度更高、负重能力更强 [3] - 银河通用Galbot轮式机器人在商超复杂环境中实现"所见即所得"抓取能力，自研VLA模型在货架密集场景中品识别与抓取成功率超高 [6] - 穹彻智能机器人通过力觉-位置双重反馈完成刮胡子、挖冰淇淋等精细操作，力反馈技术已在食品加工行业规模化落地 [7] - Physical Intelligence的π-0.5模型通过100个家庭场景训练实现第101个陌生家庭任务高效泛化，证明算法架构优化比数据堆砌更重要 [8] 产业落地进展 - 银河通用在北京部署7家24小时无人药店，由人形机器人承担夜间接单配送任务，计划年底前扩展至北上广深并进军工厂料库管理 [9] - 机器人赛事被视为产业化催化剂，既能展示技术能力又能连接产业界与潜在客户，未来需要更多体现生产力和实际应用价值的"技能型"比赛 [8] - 行业共识认为机器人稳定运行2000小时无故障是产业爆发临界点，当前重点是从"炫技"转向"干活"的范式转变 [9] 技术形态争议 - 针对人形机器人是否最优解的争议，有观点认为家庭环境天然适配人形设计，长远看仍是推动具身智能落地的最理想选择之一 [9] - 宇树科技提出"形态解耦"理念，认为机器人下半身可采用轮式或四足，上半身保留类人结构以利用现有动作数据 [10] - 未来进入AGI阶段后机器人外形将极大多样化，根据不同任务出现各种更高效的设计 [10] 模型技术瓶颈 - VLA模型虽在简单任务中表现优异，但在复杂、高不确定性任务空间中仍有明显局限 [11] - 当前模型在长序列任务中的成功率达不到实际应用所需水平，即便有无限数据也难以在精细操作任务上接近100%成功率 [11]

具身智能行业发展现状 - 2025年北京智源大会上展示具身智能真实应用场景，包括宇树科技G1机器人格斗、银河通用机器人Galbot零售抓取、天工机器人水果摆盘等[1] - 具身智能领域迎来爆发式增长，成为AI与机器人技术融合核心赛道，智源大会首次将具身智能升级为全天分论坛并加入人形机器人主题[1] - 人形机器人赛事蔚然成风，包括春晚跳舞、马拉松、格斗比赛及8月运动会，企业通过表演和赛事展示技术并产生商业价值[2][3] 企业技术突破与研发进展 - 宇树科技16台H1机器人春晚表演舞蹈，5月举办业内首个人形机器人格斗比赛，G1"AI策算师"夺冠[2] - Physical Intelligence研发通用机器人基础模型π0，通过VLA模型实现陌生环境下80%-90%任务完成率，目标达到100%稳定性[4] - 银河通用采用合成数据为主+真实数据校准的训练范式，通过十亿级仿真数据实现零样本泛化，已在零售、工业场景落地[4] - 千寻智能利用互联网视频数据预训练模型，结合强化学习解决仿真与现实差距，突破数据采集成本高的瓶颈[6] 商业化应用落地案例 - 宇树科技上半年人形机器人租赁市场火爆，已产生产业价值[7] - 银河通用在北京开设7家24小时无人药店，机器人负责拣药对接骑手，计划年内在北上深扩展至100家[7] - 星动纪元提出具身智能需跨越三阶段鸿沟：创新者阶段已开始，未来将进入to B行业和to C消费级市场，终局规模达亿级[7] 技术发展路径与行业趋势 - 智源研究院探索两条发展路径：数字智能物理化（大模型延伸至物理世界）和低成本功能化（垂直场景降本+规模化）[8] - 行业共识认为小型专用机器人可能率先渗透家庭与产业场景，为具身智能长期发展奠定基础[8] - 机器人比赛被视作重要技术训练场和产业化桥梁，中国赛事规模远超海外，获得国际企业关注[3]