纪要涉及的行业 机器人行业 纪要提到的核心观点和论据 - 机器人大脑实现路径：主要有传统机器人学思路和基于具身智能的大模型两个学派或分支。前者将复杂任务分解成不同模块，已在工业和无人驾驶领域成熟应用；后者模仿人类大脑神经网络推理过程，通过多模态数据处理实现机器人功能，但仍处于初步阶段，灵活性和稳定性待提高[2][3] - 多模态大模型应用挑战及应对：面临数据处理复杂、数据量少等挑战，VLN模型通过语义化描述导航信息降低复杂度，成为应对挑战的趋势，如无人驾驶中视觉信息转化为导航指令[4] - 技术壁垒及价值：技术壁垒集中在机器人与环境互动能力及仿真环境与真实环境的差距上，优化这些环节能提升机器人的适应性、灵活度和泛化能力，推动通用人工智能下机器人大脑的发展[7] - 主流研究方向及趋势：主流研究方向包括传统决策规划导航控制感知系统和类人通用人工智能下机器人大脑。后者泛化性和适应能力强，未来可能实现更高级别的人形功能，如运动协调[8] - 人形机器人自主操作壁垒：面临硬件（小型化高算力平台）和软件（模型准确性和架构设计）双重技术壁垒，类脑计算芯片是未来人形机器人大脑的重要组成部分[9] - 软硬件成本影响：硬件成本随批量化生产可降低，软件成本取决于商业模式，人形机器人软硬件结合后的总体价值量会逐步下降至可接受范围[10] - 中美研究差异：中美两国在机器人大脑研究上都处于起步阶段，国外在前沿领域概念提出上具有引领作用，国内更多是跟进创新[12] - 大脑计算架构：当前主流机器人的大脑计算架构分为基于传统方法的分层架构和基于新兴技术的架构，新兴技术包括以Transformer为基础的机制和VLN实现方式[13] - 大小模型对比及趋势：大模型和小模型协作类似人脑中高层脑区与低层运动协调脑区协作，未来机器人可能采用分层网络化的大脑结构，末端执行器部分使用MPC等控制器协同工作[14][15] - 全身控制趋势：随着算力提升和数据积累增加，全身控制将成为发展趋势，实现整体性的控制模型及通用人工智能框架下的通用机器人大脑[16] - 智能驾驶与机器人关联：智能驾驶与机器人在感知、决策及执行方面存在共通之处，许多公司利用智能驾驶积累的优势推动机器人领域发展，智能驾驶架构可拓展到其他机器人系统[17][18] - 机器人操作系统格局及趋势：市场格局初步确定，多数公司采用多模态基础模型微调策略，开源将成主流，需社会资源和产业生态协同投入，具体应用领域创新是关键[19] - 脑机接口技术现状及前景：脑机接口技术快速发展并接近实际应用，目前需中转模块解决计算差异，未来希望开发出不依赖频闪信号的设备，扩展应用场景[20][21] - 多模态产品对类脑研究启发：多模态模型发展验证技术路线与人类工作方式相似，预计未来3到5年内多模态产品将带来显著突破[22] 其他重要但是可能被忽略的内容 - 人形机器人核心部件价格：芯片是最主要成本因素，新型传感器价格从1200元到12万元不等，其他电路组件相对较低可忽略不计[11] - 现有脑机接口类型：分为侵入式（植入神经元细胞）和非侵入式（如5G脑电电极），均提供外部信息与人脑交互通道，早期助老助残应用已采用相关技术，但受使用环境限制[21]