“## 人形机器人系列报告六 ## 人形机器人大模型：范式跃迁 通用智能加速涌现 > 引言：大模型驱动范式跃迁，具身智能渐近“ChatGPT时刻”。本篇报告为《人形机器人系列深度报告》第六篇，立足“大脑”视角，从产业范式、技术路线、算力数据、商业化四个维度，系统解析具身智能大模型驱动的产业变革。模型端，VLA架构突破泛化瓶颈；算力端，数据飞轮与端侧芯片筑牢底座；应用端，工业场景率先兑现放量。我们认为，具身智能正从技术验证迈向规模化落地，技术迭代、量产节奏与资本催化三重动能叠加，产业化拐点渐近。 > 产业范式：VLA 确立新范式 Scaling Law 启动…”
关联内容单元 #16699 · 原始来源原始全文
## 人形机器人系列报告六 ## 人形机器人大模型：范式跃迁 通用智能加速涌现 > 引言：大模型驱动范式跃迁，具身智能渐近“ChatGPT时刻”。本篇报告为《人形机器人系列深度报告》第六篇，立足“大脑”视角，从产业范式、技术路线、算力数据、商业化四个维度，系统解析具身智能大模型驱动的产业变革。模型端，VLA架构突破泛化瓶颈；算力端，数据飞轮与端侧芯片筑牢底座；应用端，工业场景率先兑现放量。我们认为，具身智能正从技术验证迈向规模化落地，技术迭代、量产节奏与资本催化三重动能叠加，产业化拐点渐近。 > 产业范式：VLA 确立新范式 Scaling Law 启动验证。传统“感知-规划-控制”分层架构依赖显式规则、误差累积，难以覆盖长尾场景；VLA 实现零样本泛化，展露跨本体、跨场景、跨任务迁移能力，Cloak-VLA 在未见本体上仍保持 81.8%的任务成功率。数据端，具身数据规模较头部大语言模型相差 1 万倍以上，“ChatGPT 时刻”或需 1 亿小时级数据积累；2025 年 11 月发布的 GEN-0 首次在机器人领域验证 Scaling Law、参数激活门槛约 7B，数据-算力-模型飞轮加速转动，未来 3-5 年有望实现从 GPT-1 到 GPT-4 级别的跨越式发展。 > 技术路线：双架构并行收敛 世界模型成为共识。端到端落地案例持续涌现，但物理幻觉制约动态场景任务执行——动态控制需20-30Hz高频响应，现有推理速度仅3-5FPS，延迟与实时控制构成矛盾；分层架构“快慢脑”双系统兼顾高层推理与实时控制，数据量要求较低，是数据稀缺阶段的量产优势路线。世界模型正从“预测下一个Token”跃迁至“预测下一个物理状态”，2026年成为AGI共识；资本端集体押注，AMI Labs种子轮融资10.3亿美元、World Labs融资10亿美元、极佳视界累计融资约35亿元、星海图两月融资近30亿元。 算力数据：数据为王算力筑底 合成数据与端侧芯片加速突破。数据决定模型能力天花板，训练通用泛化模型至少需千万小时级数据，而截至 2026 年初全球高质量真实物理交互数据仅约 50 万小时，遥操作采集 1 万小时即需 500 万-1,000 万元投入；合成数据占比快速提升，预计 2028 年占 AI 数据 80%、2030 年有望反超真实数据。算力端，端侧需求随规模化落地放量，英伟达 Jetson T5000 算力高达 2,070 FP4 TFLOPS、地平线旭日 S600 达 560TOPS，千 TOPS 时代加速到来；海外凭借高端主控 AI 芯片与成熟软件生态主导高端市场，国内厂商以性价比与场景适配差异化竞争。 商业化：工业场景率先兑现 千亿级市场渐次打开。“大脑”层面 24 家企业中美国 15 家、中国（含中国台湾，下同）3 家，AI 与软件生态领先；“身体”层面 56 家企业中中国 20 家、美国 18 家，供应链与制造体系占优。节奏上，高价值、确定性工业场景率先突破，服务场景向“数据+服务+订阅”混合变现迁移，家用场景尚处培育阶段；优必选 2026 年上半年全尺寸人形机器人销量 921 台、收入同比增长 1,445%，成为第一大收入来源；国务院发展研究中心预测 2030 年中国具身智能产业规模有望达 4,000 亿元。 > 投资建议：具身大模型正重构人形机器人产业价值链，板块配置宜沿"模型基础设施—整机—零部件"三条主线展开，技术路线收敛明确量产路径，数据与算力投入领先于整机放量，建议关注1）具身智能芯片【地平线机器人、黑芝麻智能】；2）国产主机厂【宇树科技、小鹏集团、优必选、锋龙股份】；3）T链零部件【拓普集团、新泉股份、浙江荣泰、福赛科技、恒帅股份、岱美股份、恒勃股份、斯菱智驱、模塑科技、双环传动】。 风险提示：AI 技术发展不及预期；硬件降本不及预期；市场需求不及预期。 ## 推荐 ## 维持评级  ## 分析师 崔琰 执业证书：S0590525110023 邮箱： cuiyan@glms.com.cn ## 分析师 完颜尚文 执业证书：S0590525110027 邮箱： wanyanshangwen@glms.com.cn ## 相对走势  ## 相关研究 1. 汽车和汽车零部件行业周报 20261025：特斯拉推进 Optimus 量产 OpenAI 布局人形机器人-2026/10/25 2. 重卡行业系列点评三：9月重卡内需同比承压出口、新能源持续高增-2026/10/22 3. 摩托车行业系列点评三十三：9月中大排销量维持高位 出口端延续高增-2026/10/22 4. 特斯拉系列点评十二：全新 Roadster 正式亮相 航天技术跨界赋能-2026/10/19 5. 汽车和汽车零部件行业周报 20261018：新能源汽车出口退税下调 关注海外本地化布局-2026/10/18 ## 投资聚焦 本篇报告为《人形机器人系列深度报告》第六篇，立足"大脑"视角系统解构具身智能大模型驱动的产业范式变革，深度对比端到端与分层架构等技术路线收敛方向，前瞻研判算力、数据与商业化落地的产业机遇。我们认为，大模型正从技术底层为人形机器人规模化落地扫清障碍，2026年量产元年催化密集，看好具身智能大模型赋能下产业链的长期增量空间。 产业范式：大模型驱动范式跃迁，具身智能加速迈向"ChatGPT 时刻"。传统"感知-规划-控制"串联分层架构依赖显式规则，信息传递误差累积，难以覆盖长尾场景；VLA 实现零样本泛化突破，展露跨本体、跨场景、跨任务迁移能力。当前具身数据规模较头部大语言模型训练数据相差1万倍以上，实现机器人"ChatGPT 时刻"或需1亿小时级别数据积累；数据-算力-模型循环飞轮助力具身智能Scaling Law 加速落地，未来3-5年技术效果有望实现从GPT-1到GPT-4级别的跨越式发展。 技术路线：端到端与分层博弈收敛，世界模型成为破局共识。端到端路线落地案例持续涌现，但物理幻觉制约动态场景任务执行——机器人动态控制需20-30Hz高频响应，而现有推理速度仅3-5FPS，推理延迟与实时控制构成矛盾。分层架构"快慢脑"双系统可兼顾高层推理与实时控制，且数据量要求较低，是当前数据稀缺阶段的量产优势路线。世界模型核心范式正从"预测下一个Token"跃迁至"预测下一个物理状态"，2026年成为AGI共识，AMI Labs 10.3亿美元种子轮、World Labs 10亿美元、极佳视界累计融资约35亿元、星海图两月融资近30亿元，资本集体押注。 算力数据：数据为王算力筑底，合成数据与端侧芯片差异化竞合。数据端，训练具备通用泛化能力的模型至少需千万小时级数据支撑，而截至2026年初全球高质量真实物理交互数据仅约50万小时；遥操作采集1万小时有效数据即需500万-1,000万元投入，合成数据占比正快速突破，预计2028年占AI数据 $80\%$ 、2030年有望反超真实数据。算力端，端侧算力需求随规模化落地放量式增长，海外企业凭借高端主控AI芯片与成熟软件生态主导高端市场，国内厂商聚焦中低端，以性价比与场景适配性形成差异化竞争。 商业化：美国 AI 与软件生态领先 中国供应链体系占优。竞争格局上，“大脑”层面 24 家企业中美国 15 家、中国 3 家，美国在 AI 与软件生态领先；“身体”层面 56 家企业中中国 20 家、美国 18 家，中国在供应链与制造体系占优。落地节奏上，高价值、确定性的工业场景率先突破，服务场景处于“试点验证期”并向“数据+服务+订阅”混合变现迁移，家用场景尚处培育阶段；国务院发展研究中心预测 2030 年中国具身智能产业市场规模有望达 4,000 亿元。 多重催化共振，行业加速进入1-10产业化落地阶段。1）特斯拉量产进程实质提速：Optimus V3已完成设计定型，特斯拉指引2026年内于弗里蒙特工厂启动生产，首条产线设备安装持续推进；2）国产机器人主机厂 IPO 密集催化：宇树科技、乐聚智能、云深处相继注册生效或获受理，合计拟募资逾 90 亿元；3）世界模型赛道资本加速涌入，具身智能底层技术价值持续重估。 ## 本篇报告与市场不同之处： 1) 研究框架的系统性: 构建"产业范式-技术路线-算力数据-商业化"四维框架, 系统解析具身智能大模型驱动的产业变革; 2）技术路线的深度对比：深入论证端到端实现"感知-决策-执行"全闭环的代际突破，以及"快慢脑协同"分层架构在数据稀缺阶段的量产优势，并指出世界模型正成为破解物理幻觉的关键路径； 3）产业价值判断：从"大脑-小脑-肢体"架构视角重新解构价值分布，提出"大脑在北美、身体在中国"的竞争格局判断。 ## 目录 1 产业范式：大模型驱动重构 迈向量产交付元年 ....5 1.1 传统控制：串联分层架构掣肘 长尾问题制约泛化 ....5 1.2 大模型赋能：LLM/VLM 向 VLA 演进 赋予零样本泛化能力 ....5 1.3 关键催化：Scaling Law 实证对数线性 物理世界迎来跨越点 ....7 1.4 小结....10 2 技术路线：端到端与分层博弈 收敛加速落地....12 2.1 端到端路线：跨任务泛化可期 物理幻觉与高频延迟待解....12 2.2 分层架构：快慢脑协同 容错率高适配工业量产....16 2.3 世界模型：补足物理常识 破局大模型“幻觉”难题....22 2.4 生成基座：Diffusion 与自回归融合 夯实底层能力....26 2.5 小结....28 3 算力数据：构筑具身大模型时代核心护城河....30 3.1 数据端：遥操作遇规模天花板 无本体数据占比快速突破....30 3.2 仿真端：Sim-to-Real 成主战场 高保真平台持续迭代....41 3.3 算力端：端侧低延迟与功耗墙凸显 具身计算芯片加速演进....46 3.4 小结....52 4 商业化：海内外阵营分野 落地节奏渐次展开....54 4.1 竞争格局：北美降维打击 国内借供应链与场景快速迭代....54 4.2 落地节奏：工业/服务/家用三阶段渐进 千亿级 TAM 空间打开....58 4.3 小结....61 5 投资建议....62 6 风险提示....66 插图目录....67 表格目录....68 ## 1 产业范式：大模型驱动重构 迈向量产交付元年 ## 1.1 传统控制：串联分层架构掣肘 长尾问题制约泛化 “感知-规划-控制”三层割裂，信息传递误差累积。传统人形机器人控制普遍采用“感知-规划-控制”的串联分层架构，感知模块负责采集环境与自身状态信息，规划模块基于这些数据进行任务理解、状态估计和动作规划，控制模块则将控制指令转化为物理动作，并通过传感器实时反馈，持续调整系统行为。感知、规划、控制各自独立开发，割裂的模块化设计导致“局部最优≠全局最优”，系统整体性能受限于最弱环节。并且，各层串行连接导致上一环节的输出误差会作为下一环节的输入被继续放大，信息传递误差累积。 规则驱动难以覆盖长尾场景，泛化能力近乎为零。传统分层架构依赖工程师编写大量显式规则，机器人仅能依靠编写的轨迹和控制程序运行。然而，真实物理世界存在不规则底面、突发障碍物、人类不可预测行为等不可控变量，智能体需应对无限非结构化长尾场景，远超算法预设边界。因此，分层架构泛化能力差，场景适应性弱，成为制约人形机器人走出工厂、进入家庭等开放场景的核心瓶颈。 图1：传统控制分层模型路线  资料来源：甲子光年，国联民生证券研究所 图2：传统串联分层架构  资料来源：《Integrating Modular Pipelines with End-to-End Learning: A Hybrid Approach for Robust and Reliable Autonomous Driving Systems》Luis Alberto Rosero 等，国联民生证券研究所 ## 1.2 大模型赋能：LLM/VLM 向 VLA 演进 赋予零样本泛化能力 从单模态到双模态：VLM 奠定跨模态感知理解底座。1）单模态 LLM：大语言模型 LLM 仅能处理文本输入，其核心定位于高层语义理解与逻辑推理，但无法感知物理世界的视觉信息；2）双模态 VLM：视觉-语言模型 VLM 在此基础上实现了关键跨越，在文本输入之外引入 RGB 图像与动态帧序列等视觉输入，通过视觉编码器与语言编码器协同完成跨模态特征对齐，从而获得识别物体类别、理解空间关系、解析场景属性等多模态感知能力；3）LLM 与 VLM 均属于“认知层”模型：其输出均为供下游模块使用的信息（如任务拆解步骤、场景描述等），不含任何物理控制参数，因此只能“看懂”世界，却无法直接驱动机器人产生动作。 从认知到执行：VLA 打通“感知-决策-执行”全闭环。VLA 模型在 VLM 多模态理解的基础上实现了质的飞跃——从“看懂”升级为“会做”。1）输入端：其核心变革在于融合了本体姿态、关节状态、末端执行器状态等具身物理信息；2）输出端：直接生成关节角度、末端夹持力度、全身协同动作序列等硬件可执行的控制参数；3）架构端：采用单一 Transformer 主干直接统一编码视觉、语言、状态与空间模态，摒弃了分层传输机制。这一端到端设计使 VLA 不再依赖模块间的串行信息传递，有效减少特征损耗与控制延迟，在机器人领域实现了“感知-决策-执行”的全闭环控制。 表1：LLM/VLM/VLA 对比 对比维度 LLM(大语言模型) VLM(视觉语言模型) VLA(视觉语言动作模型) 核心定位 具身智能的认知推理与规划中枢,负责高层语义理解、任务分解、逻辑推理与策略生成,为下游提供抽象指令与决策依据 具身智能的跨模态感知理解底座,负责环境认知与指令解析,为下游导航、执行等模块提供基础环境信息 具身智能的端到端执行载体,整合感知、导航、运动控制与物理交互,实现“感知-决策-执行”全闭环 输入模态 单模态:语言:自然语言指令、任务描述文本、对话历史、代码片段 双模态:视觉:RGB图像、静态场景、动态帧序列;语言:自然语言指令、场景/任务描述文本 六类数据融合:视觉场景词元、语言指令词元、本体姿态词元、多关节状态词元、末端执行器状态词元、环境空间特征词元 输出内容 认知层与规划层信息(不含物理控制参数):任务拆解步骤、子目标序列、逻辑推理链、代码/伪代码、策略建议等 认知层信息(不含控制参数):物体类别、空间关系、场景属性、指令语义拆解、口语标准化转换、动态事件描述等 硬件可执行的控制参数:底盘轨迹、局部姿态、关节角度、末端开合/夹持力度、全身协同动作序列等 整体运行架构 Transformer Decoder-Only架构:基于自回归生成,通过掩码多头注意力机制从左到右预测下一个token,支持长文本生成与上下文学习 分层跨模态对齐:视觉编码器+语言编码器(LLM)分别提取特征,经Transformer主干通过多头注意力完成视觉-语言特征对齐,输出认知结果 端到端一体化架构:单一Transformer主干直接统一编码所有模态(像素、文本、状态、空间),映射为连续动作控制序列,同步优化对齐,实现多任务协同 关键特点 专注推理与规划,不产生物理动作,输出供后续模块使用 专注理解,不产生动作,输出供后续模块使用 专注执行,摒弃分层传输,减少特征损耗与延迟,支持复杂精细操作 资料来源：深蓝具身智能、《Embodied Intelligence Technology Technical Analysis》Boden AI、《Bridging Language and Action: A Survey of Language-Conditioned Robot Manipulation》Xiangtong Yao 等、《Towards Smaller, Faster Decoder-Only Transformers: Architectural Variants and Their Implications》Sathya Krishnan Suresh、Shunmugapriya P，国联民生证券研究所 零样本泛化：跨本体、跨场景、跨任务迁移。VLA 模型最关键的突破在于零样本（Zero-Shot）泛化能力——在从未见过的环境、物体或任务上，无需额外训练即可执行操作。利用人类视频数据预训练的 VLA 模型，可以在完全未见的真实环境中展现出强大的零样本预测能力；并且，在少量真实机器人动作数据上进行微调后，模型在真实机器人任务中的成功率和对新物体的泛化能力均显著提升。 在跨本体迁移维度，Cloak-VLA 通过遮蔽腕部相机视角中的末端执行器，实现本体无关的视觉推理，在未见本体（包括五指灵巧手）上保持 81.8% 的任务成功率，而 $\pi_{0.5}$ -droid 在相同条件下骤降至 54.4%；在跨场景迁移维度，ST-VLA 通过 4D 时空理解增强，在未见颜色与物体形状的 OOD（分布外）场景中零样本成功率提升 44.6%；在跨任务迁移维度，X-VLA 通过软提示机制（Soft Prompts）在六个仿真基准与三个真实机器人平台上实现强适配，仅用 1% 参数（9M）微调即可在 LIBERO 上达到 93% 成功率。 图3：Cloak带腕部几何掩码的可跨机器人迁移VLA架构  资料来源：《Cloak: Zero-Shot Cross-Embodiment Manipulation by Masking the End-Effector from the VLA》Michael Piseno 等，国联民生证券研究所 图4：ST-VLA时空分层机器人任务规划架构  资料来源：《ST-VLA: Enabling 4D-Aware Spatiotemporal Understanding for General Robot Manipulation》You Wu 等，国联民生证券研究所 ## 1.3 关键催化: Scaling Law 实证对数线性 物理世界迎来跨越点 具身智能 Scaling Law：数据量驱动机器人能力提升。1）Scaling Law：与 LLM 类似，VLA 模型在数据规模扩大时呈现清晰的 Scaling Law——只要持续投入数据，机器人能力会可预测地提升；2）智元机器人 GO-2：结合数万小时级交互数据训练，GO-2 在 LIBERO 基准平均成功率达 98.7%、LIBERO-Plus 零样本扰动测试 86.6%、Genie Sim 3.0 真实环境评测 82.9%（显著优于 $\pi_{0.5}$ 的 77.5%），全面刷新行业 SOTA；依托“预训练+后训练+数据闭环”体系，工业任务训练效率提升约 10 倍、成功率提升 2—4 倍、数据需求降低 50%以上，数据驱动性能提升的 Scaling 路径得到持续验证；3）激活具身智能模型的参数门槛约为 7B：2025 年 11 月，北美初创企业 Generalist AI 发布的 GEN-0 模型在业内首次验证了具身智能模型存在类似 LLM 的参数激活效应，其临界门槛约为 7B 参数，而当前主流商用模型参数规模普遍仅停留在 4B 左右，Scaling Law 在具身智能领域才刚刚启动。 图5：GO-2 在主流基准测试中全面刷新 SOTA  资料来源：机器人大讲堂，国联民生证券研究所 图6：70亿参数模型能够完全内部化预训练核心知识  资料来源：具身元点，国联民生证券研究所 数据洪流: 数据规模的扩张需求。1) 需求与线性积累的根本矛盾: Scaling Law 对数据规模提出了增长的要求，这与传统真机遥操数据的线性积累模式形成根本矛盾。真机遥操数据的采集依赖“堆人头”和实机运行，每个数据点的产生都伴随着硬件磨损、物理运动时间和人力成本。即便建立数百人的采集基地，年数据产量也仅停留在万小时级别；2) Scaling Law 的里程碑突破：2025 年 11 月，Generalist AI 的具身基础模型 GEN-0 在 27 万小时人类操作视频数据上完成训练，首次在机器人领域验证了 Scaling Law 的存在；3) 3-5 年内迎跨越式发展：千寻智能具身智能部负责人解浚源判断，若 Scaling Law 在具身智能领域成立，伴随量产与基础设施完善，机器人数据量有望按每年一个数量级递增，未来 3-5 年内，具身智能技术效果有望实现从 GPT-1 到 GPT-4 级别的跨越式发展。 图7：GEN-0 在人类操作视频数据上完成训练  资料来源：36氪，国联民生证券研究所 图8: GEN-0 首次在机器人领域验证 Scaling Law  资料来源：Generalist AI，国联民生证券研究所 正向循环飞轮：数据-算力-模型驱动具身智能加速迭代。数据飞轮：数据、算力与模型三者相互促进，形成自我强化的正向循环飞轮——更多高质量物理交互数据驱动更强模型能力，更强模型催生更优的数据采集策略与合成数据生成效率，进而吸引更多算力投入，推动产品快速成熟。数据飞轮与大模型的 Scaling Law 一致，模型规模提升与训练数据量成正比关系，只有在足够数据支撑下，具身大模型的能力才能发生跃迁。 图9：数据飞轮示意图  资料来源：NVIDIA，国联民生证券研究所 数据稀缺性：飞轮运转的核心瓶颈与价值锚点。数据飞轮的有效运转首先面临数据稀缺这一核心瓶颈。智元合伙人、高级副总裁姚卯青表示，当前具身数据无论按 Token 还是时长计算，与头部大语言模型的训练数据相比都可能相差 1 万倍以上；要实现机器人 “ChatGPT 时刻”，行业或需要达到 1 亿小时级别的数据积累。1）真机遥操作数据：质量最高但采集成本居高不下，采集一万小时有效数据即需 500 万-1,000 万元的投入；2）合成数据：获取成本低、生成速度快、覆盖长尾场景，但存在 Sim-to-Real Gap；3）互联网数据：规模最大、成本低，受限于无动作标签、视角多为第三人称、需解决跨本体迁移等问题。谁能获取更多高质量真实世界数据，就能训练出更聪明的机器人。 算力投入：飞轮加速的底层燃料。数据飞轮的持续运转需要强大的算力支撑作为底层基础设施。1）投资规模提升：截至2026年5月，中国AI产业投资达1,500亿元，其中具身芯片相关投资约占30%，即约450亿元；2）芯片算力持续演进：英伟达发布的Jetson T5000算力高达2,070 FP4 TFLOPS、地平线旭日S600具身大算力芯片可实现560TOPS的强劲算力。算力的大规模投入使得更大参数规模的模型训练成为可能，数据飞轮的正反馈循环正在加速形成。 模型迭代：飞轮运转的智能引擎。在数据与算力的双重驱动下，模型能力正在经历快速迭代。智元合伙人姚卯青指出：模型决定起点，数据定义终局。当飞轮转动，智能涌现只是时间问题。模型能力的持续提升，又使得机器人能够在更复杂的场景中自主作业、采集更高质量的数据，形成“更强模型→更优数据采集→更高质量数据→更强模型”的迭代飞轮。 飞轮加速：从运动控制走向物理智能。1）行业核心竞争力转变：具身智能的竞争，正在从机器人产品竞争，变成一场训练系统和数据基础设施的竞争。数据-算力-模型的正向循环飞轮一旦启动，行业有望进入加速成长阶段；2）物理世界迎来跨越点：AI正在集体“逃离”纯文本，全面挺进由重力、动量、几何空间构成的真实物理世界。如果说大语言模型让AI学会了“理解语言”，那么大模型在具身智能领域的突破，正在让AI学会“理解物理”；3）物理AI是AI与机器人两条发展线的历史性交汇：人工智能为机器人赋予了“大脑”，使其具备感知、思考和决策能力；而机器人则为人工智能提供了“身体”，使其能够与真实世界进行交互。具身智能的兴起正是AI与机器人两条技术发展线的汇聚点，而数据飞轮正是驱动这一汇聚加速实现的核心引擎。 图10：具身智能是 AI 与机器人两条线的交汇  资料来源：甲子光年，国联民生证券研究所 ## 1.4 小结 传统分层架构的泛化瓶颈与 VLA 的零样本突破形成代际差。1）传统分层架构：传统“感知-规划-控制”串联架构因模块割裂导致误差累积，且依赖显式规则，在无限非结构化场景中泛化能力近乎为零；2）VLA 突破：VLA 模型则通过单一 Transformer 主干统一编码视觉、语言、状态与空间模态，实现了“感知-决策-执行”全闭环。其零样本泛化能力已得到量化验证：Cloak-VLA 在未见本体上保持 81.8% 任务成功率，较 $\pi_{0.5}$ -droid 的 54.4% 优势显著；ST-VLA 在分布外场景中零样本成功率提升 44.6%；X-VLA 仅用 1% 参数（9M）微调即可在 LIBERO 上达到 $93\%$ 成功率，充分印证了VLA在跨本体、跨场景、跨任务迁移上的潜力。 Scaling Law 在具身智能领域实证启动，物理世界智能迎来临界跨越。1) Scaling Law: VLA 模型训练数据量与任务成功率呈对数线性关系，智元 GO-1 在百万级真机轨迹与十亿级图文数据联合训练下，平均性能较基线提升 30%，且性能随数据集规模稳健扩展；2）参数门槛为 7B：2025 年 11 月，Generalist AI 的 GEN-0 模型首次验证具身智能存在参数激活效应，临界门槛约为 7B 参数，而当前主流商用模型仅约 4B，表明 Scaling Law 刚刚起步；3）展望：GEN-0 以 27 万小时人类操作视频完成训练，若 Scaling Law 持续成立，伴随量产与基础设施完善，机器人数据量有望按每年一个数量级递增，未来 3-5 年内具身智能有望实现从 GPT-1 到 GPT-4 级别的跨越式发展。 数据飞轮加速转动：“数据-算力-模型”正反馈循环驱动具身智能从运动控制走向物理智能。1）飞轮核心逻辑：数据、算力与模型三者相互促进，形成自我强化的正向循环——更多高质量物理交互数据驱动更强模型能力，更强模型催生更优数据策略与合成数据效率，进而吸引更多算力投入，推动产品快速成熟；2）数据稀缺性是飞轮运转的核心瓶颈：当前具身数据与头部LLM训练数据可能相差1万倍以上，谁能获取更多高质量真实世界数据，谁就能训练出更聪明的机器人；3）算力投入加速飞轮转动：截至2026年5月，中国AI产业投资达1,500亿元，其中具身芯片相关投资约450亿元，算力的大规模投入使更大参数模型训练成为可能。具身智能的竞争正从机器人产品竞争演变为训练系统和数据基础设施的竞争，数据-算力-模型的正向循环飞轮一旦启动，行业有望进入加速成长阶段。 ## 2 技术路线：端到端与分层博弈 收敛加速落地 ## 2.1 端到端路线：跨任务泛化可期 物理幻觉与高频延迟待解 端到端：从视觉输入到动作输出的直接映射。端到端（End-to-End）机器人控制的核心范式在于，将感知与控制的完整流程压缩为单一神经网络的前向传播过程，直接实现从视觉输入到动作输出的映射，无需经过显式的中间模块转换。具体而言，端到端模型的输入端为 RGB 图像、深度图、点云等原始视觉传感器数据，输出端直接生成关节角度、末端执行器位姿、底盘轨迹等硬件可执行的控制参数，整个过程中不存在人工设计的“感知→规划→控制”多阶段串行流程。 端到端与传统分层架构的根本差异：从模块割裂到统一映射。传统人形机器人控制普遍采用“感知-规划-控制”的串联分层架构，这一架构存在固有缺陷：1）模块接口僵化，感知、规划、控制各自独立开发，割裂的模块化设计导致系统整体性能受限于最弱环节；2）信息传递误差累积，各层串行连接导致上一环节的输出误差作为下一环节的输入被继续放大；3）泛化能力近乎为零，传统分层架构依赖工程师编写大量显式规则，泛化能力差，场景适应性弱。端到端直接将输入数据映射到输出结果，省略复杂中间处理步骤，从根本上规避了模块接口僵化与误差链式累积两项固有缺陷；并且，端到端路线的核心价值在于其具有跨任务“零样本泛化”能力——机器人无需针对新场景、新任务进行专门训练，凭对物理世界基本规律的理解便能直接执行作业。 落地案例一：Generalist AI 的 GEN-0——纯视觉端到端策略。1）单一端到端架构：2025 年 11 月，北美初创企业 Generalist AI 发布具身基础模型 GEN-0，采用单一端到端架构，通过创建感知 token 流和动作 token 流之间的“和谐”交互实现异步连续时间处理；2）核心创新 Harmonic Reasoning：感知流和动作流以不同频率运行（视觉感知约 10Hz，动作生成约 50Hz），不需要严格时间步对齐，推理嵌入在感知-动作循环中而非独立的“思考阶段”，使模型学会在行动中思考；3）不依赖显式规则：在组装相机套件的长程任务演示中，机器人持续超过一分半钟完成系列精细操作，模型从未依赖显式子任务分解，而是在一个统一的端到端推理流中完成全部步骤。 图11: GEN-0 架构  资料来源：Generalist AI，国联民生证券研究所 图12：GEN-0 机器人完成组装相机长程任务  资料来源：Generalist AI，国联民生证券研究所 落地案例二：宇树 UnifoLM-VLA-0——零样本端到端运动推理。1）端到端直接映射：2026 年 1 月，宇树科技正式开源其通用人形机器人操作大模型 UnifoLM-VLA-0，该模型基于开源视觉语言模型 Qwen2.5-VL-7B 演化而来，通过在机器人操作数据上开展持续预训练，实现了从视觉输入到动作输出的端到端直接映射；2）加深物理理解：模型在动作建模上集成了动作分块预测，并加入前向与逆向动力学约束，把动作序列统一建模，从而让 VLM 具备对“机器人-物体”物理交互规律的更深理解，支持更长时序的动作规划与决策；3）保持良好执行鲁棒性：在宇树 G1 人形机器人平台上，该模型以单一策略网络完成端到端训练，可在同一策略 checkpoint 下稳定完成 12 类复杂操作任务，在外部扰动条件下仍保持良好的执行鲁棒性。 图13: UnifoLM-VLA-0 任务推理  资料来源：UnifoLM-VLA-0 项目主页，国联民生证券研究所 图14: UnifoLM-VLA-0 完成长程任务  资料来源：UnifoLM-VLA-0 官方项目主页，国联民生证券研究所 落地案例三:银河通用 GraspVLA——端到端 VLA 在操作任务上的规模化验证。1）零样本测试：2025 年 1 月，银河通用发布全球首个端到端具身抓取基础大模型 GraspVLA，该模型是端到端范式在操作任务上的一种 VLA 具体实现，采用端到端网络将自回归感知任务与基于流匹配的动作生成集成于统一流程中，预训练完全基于十亿帧“视觉-语言-动作”合成大数据，可直接 Sim-to-Real 在未见过的真实场景和物体上零样本测试；2）能力验证：GraspVLA 全球首次全面展现了光照泛化、背景泛化、平面位置泛化、空间高度泛化、动作策略泛化、动态干扰泛化和物体类别泛化七大泛化能力。 图15: GraspVLA 光照泛化能力  资料来源：新智元，国联民生证券研究所 图16: GraspVLA 背景泛化能力  资料来源：新智元，国联民生证券研究所 落地案例四：蚂蚁灵波 LingBot-VLA 2.0——端到端“具身原生”的进阶形态。1）“具身原生”：2026年7月，蚂蚁灵波宣布开源LingBot-VLA 2.0模型，该模型是端到端VLA的进阶形态，核心设计理念为“具身原生”——模型从数据构成、训练目标到架构设计，从第一步起就面向“机器人在真实物理世界中完成任务”而设计，而非复用数字世界中为内容创作而生的视频生成模型能力；2）实验与真机验证：在双臂操作基准RoboTwin 2.0上，LingBot-VLA 2.0在干净和域随机两种设置下均取得最好成绩，平均成功率达 $93.6\%$ ；模型在真实世界部署中展现出动态交互能力、精细粒度控制与多机协作能力。此外，LingBot-VLA 2.0支持情境学习，仅凭一段人类演示视频，即可推断操作过程并迁移至新物体和未见过的任务组合。 图17: LingBot-VLA 2.0 预训练数据集  资料来源:《From Foundation to Application: Improving VLA Models in Practice》Wei Wu 等，国联民生证券研究所 落地案例五：智元 GO-1——ViLLA 架构下的端到端动作生成。2025 年 3 月，智元机器人发布首个通用具身基座大模型 GO-1（Genie Operator-1），创新性提出 Vision-Language-Latent-Action（ViLLA）架构，由 VLM（视觉-语言模型）与 MoE（混合专家）组成：VLM 负责多模态语义理解，MoE 中的隐式规划器基于海量跨本体与人类操作数据完成高层规划，动作专家负责底层高频动作生成，通过预测隐式动作标记（Latent Action Tokens）弥合“图像-文本”输入与机器人动作之间的语义鸿沟，实现从感知到动作的端到端映射；在倒水、清理桌面、补充物品等五类不同复杂度任务测试中，GO-1 平均成功率较此前最优模型提升约 32%，并呈现清晰的 Scaling Law 特性。2025 年 9 月，智元将 GO-1 全面开源，成为国内首个体系化开源的通用具身基座模型。 图18: 智元 GO-1 模型架构  资料来源：智元机器人，国联民生证券研究所 物理幻觉：端到端模型缺乏物理规律内在理解的核心短板。端到端模型通过单一神经网络直接映射视觉输入到动作输出，虽然避免了传统分层架构的信息损耗，但其底层表征能力仍受限于预训练数据的性质，存在难以弥补的物理理解短板。1）端到端模型的底座短板：当前主流的端到端机器人模型普遍依托在互联网规模的视觉-语言数据上预训练的基础模型，这些模型学习的是像素层面的统计相关性而非物理因果性。这种物理幻觉可能生成在视觉上合理但物理上不可行的动作规划，如错误的受力估计、不稳定的接触策略或违背牛顿力学的运动轨迹；2)端到端落地的关键瓶颈：部分端到端模型在特定动态场景评测中出现明显性能下降或任务失败，表现为严重的词汇-运动捷径、行为惰性和语义特征坍缩。端到端模型尚未能真正建模和理解物理世界的动力学规律，这成为制约其在实际机器人任务中落地的关键瓶颈。 ## 2.2 分层架构：快慢脑协同 容错率高适配工业量产 “大脑-小脑-肢体”三层架构：认知与执行解耦保障可靠性。1）三层架构：“大脑-小脑-肢体”的全栈式技术架构通过模块化分工，高效协同支撑机器人的感知、决策与执行三大核心能力，是实现具身智能的重要框架。大脑层负责认知决策，使得机器人能够更好地感知和理解环境，执行更复杂的任务；小脑层负责运动控制，确保机器人运动的稳定性、协调性与灵活性，完成全身运动控制任务；肢体层作为执行层面，直接与环境接触，执行具体动作；2）2026-2030年为关键跃迁期：大脑层将实现任务级自主决策，进入生态成熟期，成为整机差异化核心；小脑层的控制算法模块化、标准化，支持大脑层即插即用，进入加速渗透阶段；肢体层核心硬件成本下降50%以上，灵巧手、关节模组实现规模化量产，整 机即将进入成熟期。 图19：“大脑-小脑-肢体”架构  资料来源：甲子光年，国联民生证券研究所 图20：2025年人形机器人细分赛道发展周期分析  资料来源：甲子光年，国联民生证券研究所 分层架构：快慢脑协同。1）分层架构的核心设计理念：分层架构利用大语言模型的强大规划与推理能力，构造出类似人类“快慢脑”体系，快脑为系统1，涉及直觉、情感、习惯和快速决策；慢脑为系统2，涉及逻辑、推理、分析和深思熟虑；2）慢脑：作为“高层任务规划器”，相当于机器人的大脑，进行深思熟虑的认知决策，负责场景与语义理解、任务分解与长程规划、逻辑推理与策略生成；3）快脑：作为“底层控制器”，相当于机器人的“小脑”，进行快速反应与精准执行，负责视觉运动策略生成、高频关节控制、实时闭环反馈；4）任务拆解：先由慢脑将复杂任务逐级拆解，再由快脑完成具体的精准操作。 图21：GR00T N1 分层快慢脑双系统架构  资料来源：《GR00T N1: An Open Foundation Model for Generalist Humanoid Robots》NVIDIA, 国联民生证券研究所 数据量要求较低：分层架构当前阶段的最大优势。1）模块化解耦：模块化的设计使得开发、调试和迭代都更加容易，团队可以独立优化模型，而无需对整个庞大的系统进行端到端训练；2）可控性与可解释性强：当机器人执行出错时，工程师可以更容易地定位问题出在规划环节还是执行环节，便于修正和改进；3）数据量要求相对较低：由于模型各司其职，所需的数据集可以更有针对性地采集，数据量和多样性的要求远低于端到端模型，这在一定程度上规避了当下行业面临的数据荒难题。 快慢脑分工：兼顾高层推理与高频实时控制。分层架构将决策过程按时间尺度解耦，慢系统负责高层语义理解与任务规划，快系统负责高频实时控制与闭环执行；1）宇树 G1：实验表明一个运行高频的本体感知稳定器（快系统），搭配一个紧凑的低频感知策略（慢系统），其鲁棒性显著优于单一端到端设计；2）智平方 NeuroVLA 进一步从双系统升级为仿生“皮层-小脑-脊髓”的三层级架构：皮层（慢系统）负责语义理解与任务规划，小脑（快系统）负责高频运动协调，实现了高层推理与实时控制的最优解耦。 表2：10 家主流具身智能企业“快慢双系统”架构对比表 企业 模型/系统 快系统 (System 1) 慢系统 (System 2) 关键技术/数据策略 主要应用场景 Figure AI Helix → Helix 02 S1 (8,000万参数,200Hz)→Helix 02 新增 System 0 全身控制器(1kHz)处理平衡与接触,取代10万行C++代码 70亿参数VLM,7-9Hz生成任务意图 双GPU异步并行;新增系统0(基于1000+h人类运动数据+强化学习训练) 人形机器人全身控制 Physical Intelligence Hi Robot ( $\pi_0/\pi_0.5$ ) 下层VLA直接控制机械臂/夹爪 上层VLM分解指令为可读中间步骤 强调中间指令可解读;大量合成数据;支持执行中反馈重规划 家庭服务(整理厨房等) 智平方 GOVLA → NeuroVLA 实时生成动作,负责全身运动控制 大参数VLM解析高层次语义 融合DeepSeek;空间交互基础模型 开放环境复杂任务 星海图 G0 → G0 Plus 前台高频实时运动控制 后台持续分析环境,更新规划 500h真实场景数据集;三阶段课程学习 开放世界长时序任务 擎朗 KOM 2.0 K-Act动作专家模型 K-Mind基于VLM+服务场景数据集 数亿级真实服务场景数据;岗位化垂域模型 餐饮、酒店、商超等服务机器人 星动纪元 ERA-42 4000万参数Transformer,高频执行 70亿参数Instructblip VLM(世界模型) 快慢通过latent通信;强化学习+真机数据 通用人形机器人 节卡 JAKA EVO 高性能伺服驱动,毫秒级实时控制 视觉大模型+多模态感知,分解任务 轻量模仿学习;少量示教快速迁移 工业柔性生产 微亿智造 云边端架构 端侧实时直觉系统 云端深度智能系统(15TB+工业数据库) 云-边-端三层;模块化组合 复杂工业场景 魔法原子 原子万象 动作专家模型,毫秒级实时控制 大参数多模态模型,环境感知与规划 与追觅合作采集数百万条真实场景数据 人形机器人(工厂、商场) 灵初智能 Psi-R1 Controller专注精确执行+真机强化学习 Planner基于Causal VLM Action Tokenizer融合动作模态;端到端训练 灵巧操作 资料来源：各公司官网、机器人大讲堂、维科网、财联社，国联民生证券研究所 Figure AI Helix: 开创性的双系统架构。2025年2月, Figure 发布初代 Helix, 采用“系统1(S1)+系统2(S2)”的双层解耦架构: S2 基于70亿参数开源 VLM, 以7-9Hz频率运行, 负责场景理解、语言解析和任务规划; S1为8,000万参数的视觉运动 Transformer, 以200Hz高频运行, 将S2的语义输出转化为覆盖上半身35个自由度的连续动作指令。这一分工使得Helix在保持高速实时控制的同时, 实现了强大的零样本泛化能力。 图22: Helix 双系统架构  资料来源：Figure AI，国联民生证券研究所 Helix 02：从双系统到三级架构的全身控制跨越。1）全身控制跨越：2026年1月，Figure AI发布了Helix的升级版Helix 02，将控制能力从机器人上半身拓展至全身，实现了行走、操作与平衡三大功能的一体化协同控制；2）三级架构：Helix 02在初代双系统架构基础上新增了基础层System 0，构建起“System 2—System 1—System 0”三级架构：System 2负责场景理解、语言解析与行为序列规划；System 1以200Hz频率将感知信息转化为全身关节运动目标；System 0以1kHz频率执行，负责全身平衡维持、接触感知与动作协同。System 0是基于超过1000小时人类运动数据训练并结合仿真到现实强化学习得到的全身控制基础模型，直接取代了109,504行手写C++控制代码；3）全自主完成任务：搭载Helix 02的Figure 03机器人完成了长达4分钟、包含61个连续动作的全自主厨房任务——包括跨房间行走、卸载与装载洗碗机等，全程无重置、无人工干预。 图23: Helix 02 三级架构  资料来源：Figure AI，国联民生证券研究所 智元 GO-2：动作思维链+异步双系统的快慢脑进阶。2026 年 4 月，智元发布新一代具身基座大模型 GO-2，在统一框架中引入“动作思维链”与“异步双系统”设计：慢系统以 VLM 进行逻辑推理，将抽象指令拆解为有序的动作步骤，实现“想清楚再做”；快系统异步执行空间规划与连续动作生成，两个不同节奏的模块保持紧密协同，显著降低执行偏差、提升行为稳定性，破解了端到端路线“操控效率与推理能力难以兼得”的困局。在多项真实操作基准测试中，GO-2 任务成功率超越英伟达 GR00T、Physical Intelligence $\pi_{0.5}$ 等国际主流模型，为分层架构的持续进化提供了国产标杆。 图24: GO-2 动作思维链与异步双系统框架  资料来源：智元机器人、证券时报，国联民生证券研究所 图25：GO-2基准测试任务成功率对比  资料来源：智元机器人、证券时报，国联民生证券研究所 工程容错率高：确定性场景中的量产落地优势。1）分层架构在工程层面具有高容错性与可维护性的优势：各模块通过明确定义的接口交互，模块化解耦使得…AI 解读
暂无独立解读