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？ 今天，我们重发这篇过梳理了 具身智能的发展脉络、行业生态、核心技术路线与商业化前景 的过往文章。以下，是这篇重发文章的正文。 回溯｜假期快乐
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？ 本期内容将从 具身智能的发展、行业面貌是什么、技术路线、商业化路径 等多个方面为大家一一梳理。 我们开设此账号，想要向各位对【具身智能】感兴趣的人传递最前沿最权威的知识讯息外，也想和大家一起见证它到底是泡沫还是又一场热浪？ 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） 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”。
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。 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。
顾名思义，该模型就是将任务分解成多个层次。
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。
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）
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。 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。
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。 （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。
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，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。
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。 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 。
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。
未来的发展，谁又真的能说得准呢？
不妨给未来再多一点时间，让子弹飞……一会儿。
工作投稿｜商务合作｜转载
：SL131
26828869（微信号）
>>>现在成为星友，特享99元/年<<<
参考资料：
1. 慧博智能投研-具身智能行业深度：发展趋势、市场机遇、产业链及相关企业深度梳理
2. 深蓝学院- 敬巍博士《机器人抓取与操作 》课程
3. 中银国际 - 计算机行业智能体专题报告之二：智能体时代来临，具身智能有望成为最佳载体
4. 来觅研究院 - 人工智能行业：具身智能， AI 走向物理世界的重要途径
5. 中金公司 - 人工智能行业主题研究具身智能系列：智机融合，人工智能时代的星辰大海
6. 国元证券 - 人形机器人行业深度报告： AI 加速具身智能落地，关注电机、传感器部件
【深蓝具身智能】 的原创内容均由作者团队倾注个人心血制作而成，希望各位遵守原创规则珍惜作者们的劳动成果，转载请私信后台进行授权，发文时务必注明出自 【深蓝具身智能】 微信公众号，否则侵权必究⚠️⚠️
具身百年：无接触先行？
（图源：RT-2模型闭环控制流程）
