人民網(wǎng)北京12月14日電 （記者申佳平）12月13日，在“2026中國(guó)信通院深度觀察報(bào)告會(huì)”上，中國(guó)信通院副總工程師許志遠(yuǎn)表示，當(dāng)前具身智能已取得認(rèn)知智能與物理智能的雙線突破，但模型路線、數(shù)據(jù)范式以及最佳機(jī)器人形態(tài)仍未定型，大規(guī)模落地仍處于早期階段，其未來(lái)方向仍在持續(xù)競(jìng)爭(zhēng)與快速演化中。
具身智能取得階段性突破
仍需關(guān)注三大核心爭(zhēng)論
許志遠(yuǎn)介紹，當(dāng)前具身智能發(fā)展已取得階段性突破。一方面，機(jī)器人的“認(rèn)知智能”（即“大腦”能力）實(shí)現(xiàn)明顯躍升。大模型使機(jī)器人能夠完成傳統(tǒng)機(jī)器人難以處理的復(fù)雜任務(wù)，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破。基于強(qiáng)化學(xué)習(xí)，人形機(jī)器人在復(fù)雜地形行走、高難度舞蹈等動(dòng)態(tài)任務(wù)上表現(xiàn)顯著提升；基于模仿學(xué)習(xí)與大模型范式，上肢操作能力快速增強(qiáng)，已能執(zhí)行切黃瓜、倒水、疊衣服等精細(xì)操作。
“盡管技術(shù)突破不斷，但具身智能的大規(guī)模落地仍處于早期階段。”許志遠(yuǎn)指出，當(dāng)前行業(yè)主要存在三方面爭(zhēng)論。
一是模型路線之爭(zhēng)，大模型范式是否適用于機(jī)器人？雖然大模型在語(yǔ)言、圖像、視頻領(lǐng)域取得巨大成功，但“同樣的范式能否直接遷移到機(jī)器人控制”仍未被證明。
二是數(shù)據(jù)訓(xùn)練范式之爭(zhēng)，哪類數(shù)據(jù)才是機(jī)器人智能提升的關(guān)鍵？數(shù)據(jù)仍然是限制機(jī)器人能力躍升的核心瓶頸。目前機(jī)器人模型主要依賴三類數(shù)據(jù)：真機(jī)數(shù)據(jù)質(zhì)量最高但采集昂貴、規(guī)模有限；合成/仿真數(shù)據(jù)規(guī)模大、成本低，但逼真度與物理一致性有差距；人類第一視角視頻數(shù)據(jù)自然、豐富，但動(dòng)作標(biāo)注與映射存在挑戰(zhàn)。當(dāng)前尚無(wú)結(jié)論表明機(jī)器人是否一定會(huì)因?yàn)橛懈嗟臄?shù)據(jù)而產(chǎn)生更強(qiáng)的能力。因此，數(shù)據(jù)范式仍在快速演化，混合數(shù)據(jù)、多模態(tài)數(shù)據(jù)、世界模型生成數(shù)據(jù)等方向均在探索中。
三是形態(tài)路線之爭(zhēng)，人形機(jī)器人是否是“真需求”？具身智能的落地呈現(xiàn)出兩大派系：一類是“人形堅(jiān)守派”。這些企業(yè)堅(jiān)持全人形路線，認(rèn)為人形最契合人類社會(huì)現(xiàn)有環(huán)境與工具體系，人形形態(tài)最利于學(xué)習(xí)人類動(dòng)作、利用人類數(shù)據(jù)，并且長(zhǎng)期看具備最大通用性。另一類是折中派。我國(guó)今年涌現(xiàn)出多款“輪-臂式復(fù)合機(jī)器人”，其特點(diǎn)是輪式底盤更可靠、成本更低、部署更簡(jiǎn)單；動(dòng)作可控性強(qiáng)，更適合集成到商業(yè)場(chǎng)景快速落地。此路徑更強(qiáng)調(diào)“工程可落地性”，旨在在短期內(nèi)形成可規(guī)模化的商業(yè)應(yīng)用。
進(jìn)一步引入世界模型
有望提升機(jī)器人大模型能力
據(jù)許志遠(yuǎn)介紹，目前，利用大模型提升機(jī)器人的泛化能力已成為業(yè)界共識(shí)，但如何有效地將大模型應(yīng)用于機(jī)器人系統(tǒng)，仍存在多條技術(shù)路徑，行業(yè)也在持續(xù)探索中。
第一條路徑是采用大語(yǔ)言模型（LLM）對(duì)人類指令進(jìn)行語(yǔ)義理解與任務(wù)分解，這是賦予機(jī)器人高層智能的關(guān)鍵能力。第二條路徑是在LLM的基礎(chǔ)上引入視覺(jué)，使模型具備語(yǔ)言與視覺(jué)跨模態(tài)融合能力，通過(guò)視覺(jué)語(yǔ)言模型（VLM）進(jìn)行機(jī)器人控制。借助視覺(jué)信息，模型不僅能分析環(huán)境的空間關(guān)系和物體屬性，也能更好支撐高層任務(wù)規(guī)劃。第三條路徑是在VLM的基礎(chǔ)上進(jìn)一步加入動(dòng)作生成能力，形成視覺(jué)—語(yǔ)言—?jiǎng)幼髂Ｐ停╒LA）。這類模型以視覺(jué)圖像和語(yǔ)言指令為輸入，直接輸出機(jī)器人控制指令。
許志遠(yuǎn)表示，視覺(jué)—語(yǔ)言—?jiǎng)幼髂Ｐ吐肪€自2024年底以來(lái)受到高度關(guān)注。各家廠商在模型架構(gòu)、模塊設(shè)計(jì)和動(dòng)作生成方式上不斷優(yōu)化。“然而盡管VLA在結(jié)構(gòu)上不斷演進(jìn)，其實(shí)際落地效果仍未達(dá)到預(yù)期。原因在于物理世界具有高度多樣性與不確定性，而當(dāng)前可獲取的機(jī)器人數(shù)據(jù)量級(jí)有限、覆蓋場(chǎng)景不足。”
許志遠(yuǎn)指出，展望未來(lái)，在視覺(jué)—語(yǔ)言—?jiǎng)幼髂Ｐ偷幕A(chǔ)上引入世界模型（World Model），借助其對(duì)物理世界的理解、預(yù)測(cè)與推演能力，有望成為進(jìn)一步提升機(jī)器人大模型能力的重要發(fā)展路徑。
合成數(shù)據(jù)和視頻數(shù)據(jù)更受重視
滿足機(jī)器人模型訓(xùn)練需求
許志遠(yuǎn)指出，機(jī)器人的真機(jī)數(shù)據(jù)雖然質(zhì)量最高，但人工采集的成本極高，高質(zhì)量樣本更是稀缺，遠(yuǎn)遠(yuǎn)無(wú)法滿足模型的訓(xùn)練需求。因此，業(yè)界開始越來(lái)越重視合成數(shù)據(jù)和視頻數(shù)據(jù)的利用。
具體來(lái)看，一方面，業(yè)界開始采用混合數(shù)據(jù)訓(xùn)練模式，先利用合成數(shù)據(jù)或視頻數(shù)據(jù)進(jìn)行模型預(yù)訓(xùn)練，再用真機(jī)數(shù)據(jù)進(jìn)行微調(diào)。例如，銀河通用使用10億幀合成數(shù)據(jù)完成抓取模型的預(yù)訓(xùn)練；英偉達(dá)GROOT N1模型中，合成、視頻和真機(jī)數(shù)據(jù)分別占25%、31%和44%。“我們發(fā)現(xiàn)，主流方案的非真機(jī)數(shù)據(jù)占比通常在80%—99%，但是哪個(gè)比例對(duì)于機(jī)器人性能提升更加有效仍需產(chǎn)業(yè)界來(lái)不斷試錯(cuò)驗(yàn)證。”許志遠(yuǎn)表示。
另一方面，今年以來(lái)，使用人類第一視角拍攝的視頻數(shù)據(jù)成為破解數(shù)據(jù)瓶頸的一類重要方案。讓操作員佩戴頭戴式攝像設(shè)備，在不影響日常工作的前提下記錄其操作過(guò)程，為模型訓(xùn)練提供高質(zhì)量的人類示范數(shù)據(jù)。許志遠(yuǎn)表示，目前國(guó)內(nèi)外多家企業(yè)已發(fā)布相關(guān)項(xiàng)目或進(jìn)行路線探索。