行业与公司 - 行业：具身智能（Embodied AI）、人形机器人、机器人运动控制、多模态大模型 - 涉及公司： - 科技巨头：特斯拉（FSD、Optimus）、谷歌（RT、DeepMind）、英伟达（Grok01、仿真平台） - 国内厂商：Finger AI（Helix）、宇树、小鹏、银河通用、星海图智元优必选、深圳众擎 - 创业公司：Path、Pi（Pi 0.5混合架构） --- 核心观点与论据 1 具身智能模型架构分类与特点 - 完全端到端大模型： - 代表：特斯拉FSD、谷歌RT、英伟达Grok01 - 特点：需万亿级真实长流程任务数据，算力要求极高，适合数据资源丰富的大型科技公司[4][8][9] - 多模态融合大模型： - 代表：VLM（视觉-语言-图像）、VOA（视觉-图片-语言-动作） - 特点：集成文本、图像、动作信息，实现决策闭环[4] - 触觉传感器融合模型（VL-T）： - 特点：加入压力、滑觉等触觉数据，提升操作精度[4] 2 数据的关键作用 - 数据量决定泛化能力：需覆盖所有可能任务场景（如特斯拉长流程数据）[5] - 多模态数据需求：包括动作、触觉等物理量数据，以支持实际操作[5] - 算力瓶颈：多模态数据处理对算力要求极高，限制高级系统开发[5] 3 企业挑战与解决方案 - 挑战：数据需求大（万亿级）、算法复杂度高、系统连接与解耦问题[6] - 分层端到端模型： - 代表：Finger AI的Helix（S1+2架构），合并认知与决策层，提升效率[7] - 混合架构（Pi 0.5）：融合分层与端到端优势，解决系统通信问题[10] 4 运动控制算法进展 - 强化学习+仿真模拟： - 应用：宇树、小鹏与英伟达合作，通过合成数据训练，缩短学习周期（如跳舞动作从2个月缩短至1周）[15] - 国内水平：全球领先（宇树、银河通用等）[13][15] - 双手操作模型演进： - 从模仿学习→强化学习→仿真到真实迁移（1:1迁移效果）[16] 5 数据采集策略 - 特斯拉转变：从一人称远程操控→第三人称视频学习，结合仿真平台提升效率[18][19] - 国内现状：通过数据采集场（北京、上海等地）积累真实场景数据，类似特斯拉早期阶段[20] 6 全球发展格局 - 海外领先：谷歌DeepMind、英伟达、特斯拉、Path、Finger[21] - 国内跟进：头部厂商聚焦数据积累与模型训练，硬件发展快于“大脑”（智能系统）[22] --- 其他重要内容 - 工业机器人局限性：依赖预设算法，泛化能力弱[14] - 认知模块成熟度：大型语言/VLM基础模块已成熟（如物品识别、语音指令理解）[11] - 决策模块功能：拆解复杂任务为动作序列，强化学习提升开放环境适应性[12] - 投资关注点：具身智能“大脑”供应链（英伟达、谷歌等）是产业化核心瓶颈[22]