人形機器人為何需要高智能的大模型？

盡管人形機器人的形態早已實現工程可行，但其真正實現產業化落地的關鍵，在于擺脫傳統工業機器人“控制剛、泛化弱”的局限，補足對不確定性的理解與適應能力。工業機器人主要基于確定性控制邏輯運行，缺乏感知、決策與反饋能力，導致高度依賴集成，成本高、通用性差。相比之下，人形機器人以“通用智能體”為目標，強調感知—推理—執行的完整鏈路，需要依托大模型支撐的多模態理解與泛化能力，才能適應復雜任務與動態環境。當前多模態大模型的興起，為人形機器人提供了“初J大腦”，開啟從0到1的智能進化，并通過數據飛輪實現模型能力與產品性能的持續提升。然而整體智能化仍處于L2初J階段，通往泛化智能仍面臨建模方法、數據規模與訓練范式等多重挑戰，高智能大模型將是貫通通用人形機器人路徑的核心變量。

從架構端和數據端看，目前機器人大模型的進展如何？

當前機器人大模型的快速演進，主要得益于架構端與數據端的協同突破。架構上，從早期的SayCan語言規劃模型，到RT-1實現端到端動作輸出，再到PaLM-E、RT2將多模態感知能力融合至統一模型空間，大模型已逐步具備“看圖識意、理解任務、生成動作”的完整鏈條。2024年π0引入動作專家模型，動作輸出頻率達50Hz；2025年Helix實現快慢腦并行架構，控制頻率突破至200Hz，顯著提升機器人操作的流暢性與響應速度。數據端，已形成互聯網、仿真、真機動作三類數據協同支撐的結構化體系：前兩者提供預訓練量J與泛化場景，后者則直接提升模型在物理世界中的實用能力。其中，真機數據采集對高精度動捕設備依賴度高，光學動捕以精度優勢適配集中式訓練場，有望成為具身模型訓練的核心數據來源。當前主流訓練范式正由“低質預訓練+高質后調優”快速迭代，模型智能的躍遷正轉向“從數據堆料到結構優化”的階段。

未來大模型的發展方向是什么？

面向未來，具身大模型將在模態擴展、推理機制與數據構成三方面持續演進。當前主流模型多聚焦于視覺、語言與動作三模態，下一階段有望引入觸覺、溫度等感知通道；Cosmos等架構嘗試通過狀態預測賦予機器人“想象力”，實現感知—建模—決策閉環，構建更真實的“世界模型”，提升機器人環境建模與推理能力；數據端，仿真與真實數據融合訓練成為主流方向，高標準、可擴展的訓練場正成為通用機器人訓練體系的關鍵支撐

附件：我們距離真正的具身智能大模型還有多遠,在模態擴展,推理機制與數據構成三方面持續演進