简介
具身智能作为AI连接物理世界的关键途径，主要有分层决策与端到端两种技术架构，以及模仿学习与强化学习两种训练方法。各路线各有优劣，数据获取是具身智能发展的核心。商业化路径包括通用技术、纯软件和垂直领域三大方向。未来具身智能将向自适应学习和自我进化方向发展，2030年中国市场规模有望达8700亿元。
最近，我们先后探讨了「大模型幻觉」与「被忽略的触觉模态」等问题。
无论是大模型的认知，还是触觉等感知能力，当我们将视野投向更前沿的探索时，便不可避免地回归到一个激烈的新旧路线之争上：
面对物理世界的复杂性，我们究竟该教AI“抄作业”？通过**模仿学习（Imitation Learning）**快速上手；
还是该让它“自主闯关”，凭借**强化学习（Reinforcement Learning）**在试错中成长？
毋庸置疑，2025年的开头至今，具身智能仍旧是最火的领域之一。
那么，到底是什么驱动着它愈发火热？它又究竟“能”在哪里？
一、具身百年：无接触先行？
具身智能（Embodied artificial intelligence，EAI）由“本体”与“智能体”构成，以“感知决策、物理实体、环境交互”为主要特征。
与智能驾驶类似，具身智能的实现同样包括“感知、决策、控制”三个主要环节。
在产业链上，同样如此，例如，汽车的自动驾驶、芯片、传感器、激光雷达等技术二者可以相互借鉴。
所以，我们常说：“具身与智驾同源**”、“车就是个无接触机器人”。**
与智能驾驶「技术同源」的具身智能，在智驾遇冷的今天，热度却不降反增。
第一款人形机器人的问世，可以追溯至1927年的机器人西屋 Televox。
此后的100年间里，尤其是伴随着AI大模型的高速发展。
现在，关于机器人的研究，已经从“本体的运动机能”转向了“智能体的感知决策”。
接下来，我们将就市场战略、主流技术方案这两大模块展开梳理：
（图源：人形机器人发展图鉴-觅途咨询，中金研究部）
二、战略要塞，兵家必争之地
相比传统的工业机器人、协作机器人等，具身智能机器人有着智能化程度高、工作场景限制小、能够自主规划复杂工作的特点。
随着全球老龄化趋势的加剧，人力供需矛盾，推动经济高质量发展等需求，人形机器人的应用场景正在不断拓展。（工业场景、服务场景、特种场景等）
全球各国政府均将发展人形机器人定位于国家战略，积极进行前瞻布局。
具身智能，也就成为了国内外科技巨头和科研机构的“兵家必争之地”。
（图源：自然资源部，中金公司研究部）
众多企业和高校研究机构也纷纷入局具身智能。
自 2022 年 10 月特斯拉人形机器人惊艳首秀以来，各家企业纷纷布局甚至涌入机器人这个千亿新赛道，众多初创公司完成多轮融资，头部车企、手机厂商调转航向。
就国内来说，2023年至2024年11月，新成立的具身智能机器人公司就多达30余家。
各方在具身智能领域的角逐日趋激烈，而这一赛道的持续发展，离不开技术方法的强力支撑。
所以，接下来，我们来重点聊聊技术层面。
三、具身智能，主流技术方案
主流技术路线
具身智能的算法方案可分为分层决策模型和端到端模型两种路线。
- 分层决策模型：
顾名思义，该模型就是将任务分解成多个层次。
典型代表「Figure01」：
顶层接入 OpenAI 的多模态大模型，提供视觉推理和语言理解；中间层神经网络策略作为小脑进行运动控制并生成动作指令；底层机器人本体接受神经网络策略的动作指令，进行控制执行。
优势不言而喻，比如某个层次出现问题不会直接影响其他层次，有利于故障排查和修复。但缺点也很明显。
分层决策模型的缺点是：不同步骤间的对齐和一致性需解决**。某些情况下，高层次无法完全理解底层的具体情境变化，导致决策不够精准。**
（图源：Figure o1线程）
- 端到端模型：
顾名思义，端到端模型就是指从原始输入（如传感器数据、图像）直接映射到最终输出（如机器人动作序列），中间无需显式的任务分解。
典型代表GoogleRT-2、谷歌的PaLM-E模型：
GoogleRT-2首先在大规模互联网数据预训练视觉语言模型，学习到语言和视觉信息之间的关联和模式；然后在机器人任务上微调，结合机器人动作数据，推出视觉语言动作模型。
实现了感知、规划与执行一体化，打通了端到端的链路。
优势也不言而喻，比如减少了中间环节，提高了效率和响应速度；但瓶颈也同样显著。
端到端模型的缺点是：训练数据海量、消耗资源巨大、存在黑箱效应，机器人执行实时性差。
（图源：RT-2模型闭环控制流程）
训练方法
具身智能的训练方法可分为模仿学习和强化学习两种路线。
模仿学习（Imitation Learning）：模仿学习是一种通过观察专家演示行为来学习执行任务的方法。
即：智能体通过观察和模仿专家（经验丰富的人类操作者或具有高级性能的系统，也就是示范数据）的行为来学习如何在类似的情境下完成任务。
**优势：**可以快速学习专家策略，无需复杂的探索过程。适用性强，适合试错代价高的任务，比如手术机器人、工业自动化等。
**劣势：**学习到的行为策略受限于专家数据，对于未见过的情况泛化能力较差。且通常需要大量的高质量专家演示数据。
EgoMimic: Scaling Imitation Learning via Egocentric Video
强化学习（Reinforcement Learning）**：**强化学习是一种通过智能体与环境交互来学习最优策略的方法。
即：智能体会根据自身的动作收到正负奖励信号，逐步优化自己的行为以最大化累计奖励。
**优势：**能够通过探索环境学习未知的策略；可以处理高度不确定和动态变化的环境。具备较强的泛化能力，能适应多样化的应用场景。
**劣势：**需要大量的探索和试错，学习效率低下；对于复杂任务，设计合适的奖励函数难度较高。训练过程中不易保证稳定性，且复杂环境中计算负担较大。
Towards Human-Level Bimanual Dexterous Manipulation with Reinforcement Learning
无论是精细分层的决策模型，还是简洁高效的端到端模型，亦或是模仿与强化两种学习路线，都各有利弊千秋，但也都为具身智能的加速发展筑牢了根基。
而在大模型 Scaling Law 的指引下，具身智能的前行方向已悄然转向【数据】领域。
下一城，数据之战！
四、死循环？数据与商业化难关
小模型时代算法的数量和质量对于机器人至关重要。它们往往通过知识蒸馏等技术从大模型中学习，从而在保持性能的同时能减少计算成本。
然而大模型的 Scaling Law 表明通过增加数据量、并延长训练周期，可以实现模型性能的持续提升，数据重要性凸显。
随着数据量的增加，也面临着数据处理的挑战，包括数据噪音、过拟合风险以及高昂的计算成本。
那么，【获取数据】的关键又在于什么？
（图源：朱纯松-浅谈人工智能：现状、任务、架构与统一）
具身智能获取数据的关键，在于【实现商业化落地】。
因为与传统的机器学习模型不同，具身智能需要在真实世界中与环境交互，以学习和适应复杂多变的实际情况。
所以，通过商业化落地，让机器人可以在真实的使用场景中收集数据，对于训练模型至关重要。
目前，具身智能的商业化路径主要有：通用场景软硬结合、软件路径、垂直领域软硬结合等。
（图源：慧博智能投研）
通用技术路径：
通用技术路线的核心是采用通用的硬件（如机器人本体、传感器）和智能软件（如深度学习模型、决策算法）来应对各种使用场景。
但是需要开发可重构的硬件，可通用的软件，确保它们能够在各种硬件上快速适应无缝运行。
1X、Figure 以及特斯拉均采用该种路径。
- 纯软件路径：
纯软件路径则主要是向硬件厂商或综合型厂商提供 API 、SDK等，以实现跨硬件平台的无缝兼容，而无需改变硬件结构。
无论是精密的人形机器人、高效的轮式机器人，还是灵活的无人机，都能够共享同一套软件架构上。
如九号机器人推出与英伟达共同开发的自主机器人平台 Nova Cater AMR。
（图源：慧博智能投研）
- 垂直领域软硬结合：
垂直领域软硬结合，则是指专注于特定行业或应用场景（如工业制造、医疗健康、家庭服务等），能够快速解决行业痛点，提供定制化服务，更容易获得市场认可。
垂直领域的解决方案往往能更快地实现商业化，因为它们直接针对已知的市场需求，减少了市场教育的时间和成本。
如海康机器人、微亿智造等。
具身智能在商业化探索中紧握数据这把 “利刃”。
但这仅仅是个开始，在大模型与人形机器人产业蓬勃发展的大背景下，它已将目光投向远方，实现自我进化，才能大步迈向智能领域的全新高地。
五、未来目标，自我进化
在大模型加持下具身智能进展迅速，人形机器人落地有望加速。
马斯克预计人形机器人未来能够突破百万台的出货量，并且单价有望下降至 2 万美元以下，打开未来市场的想象空间。
根据中商产业研究院预测，2030 年我国人形机器人市场规模有望达到 8700亿元，23-30 年年均复合增长率达 30%。
此外，具身智能的自适应学习能力也将得到显著提升。
这意味着具身智能不****再局限于预设的算法和规则，而是能够基于自身经验和环境反馈进行自我进化。
结语：
具身智能的崛起，打破了人工智能长久以来**「被禁锢于虚拟数字世界的枷锁」**，即使有强大的运算与分析能力，却难以对现实世界产生直接影响。
具身智能的出现，赋予了其实体 “肉身”。
但谈及具身智能未来的发展，关于它的争议从未停止。正如我们公众号反复提及，身处行业内，我们和大家一起见证它到底是泡沫还是又一场热浪。
六、如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
