执行摘要
Executive Summary"具身智能元年"
中国企业占 84.7%
整机年产量目标
(2035 年破万亿)
什么是具身智能
Definition & Core Concepts具身智能（Embodied Intelligence）是指智能体（机器人、无人机、智能汽车、环境嵌入式系统等）通过物理实体与环境实时交互，实现感知、认知、决策与行动一体化。其核心理念颠覆了传统人工智能的"离身性（disembodiment）"局限——智能的本质必须通过身体与环境的动态互动来塑造和体现。
离身智能 vs 具身智能
以 ChatGPT 为代表的"软件智能体"停留在数字世界，处理文字/图像/代码；具身智能则必须应对连续、嘈杂、不可逆的物理世界——机械臂打翻玻璃无法"撤回重力"。
符号推理感知-行动闭环物理交互落地问题（Grounding Problem）
大语言模型只在文本统计意义上理解"抓取"；具身智能必须把它转译为精确的关节角度、力度与视觉轨迹序列——既不能捏碎、也不能滑落。这只能通过"具身数据"（真实机器人执行真实任务）来弥合。
语义→动作力控具身数据"大脑 + 小脑"协同架构
当前主流范式分两层："大脑"（决策/认知）基于 VLM/LLM 负责语义理解、任务分解与规划；"小脑"（控制/执行）负责高频运动控制与力觉柔顺。端到端 VLA 模型则试图把二者合并为一个统一网络。
👁 多模态感知
视觉 / 力觉 / 触觉 / 听觉
🧠 认知与决策
VLM/LLM · 任务分解 · 世界模型推演
💪 运动与执行
全身协同控制 · 灵巧操作 · 柔顺力控
环境反馈（成功/失败、力觉、碰撞）→ 持续在线学习 → 跨场景泛化与自主进化
发展脉络与里程碑
Evolution & Milestones具身智能的思想可追溯到哲学与认知科学，技术落地则经历"行为主义 → 强化学习/仿真 → 大模型开智 → 基础模型 → 规模化"五个阶段。
1950 图灵提出"机器能否思考"
图灵在《计算机器与智能》中预示智能体可通过物理交互理解世界；1986 年 Rodney Brooks 提出"包容架构（Subsumption）"，主张"感知—行动"闭环，成为具身智能奠基理念（成吉思六足机器人即典型）。
2012–2016 强化学习与仿真平台
MuJoCo(2012)、Atlas 首秀 DARPA 挑战赛(2013)、OpenAI Gym(2016) 相继问世，业界追问"机器如何从与物理世界的交互中自己学会控制自己"；但 RL 样本效率极低，真机需数万次试错。
2022 语言模型为机器人"还魂"
Google 发布 SayCan（PaLM + 机器人低层技能），让机器人"听懂指令、理解任务分解"；年底 ChatGPT 发布，证实 LLM 封装了海量世界常识，正是机器人苦学未得的高层规划能力。
2023 RT-1 / RT-2 —— 首个 VLA 范式
Google DeepMind 于 7 月发布 RT-2（550 亿参数），首次把机器人动作当作语言 token 直接生成，证明 VLM 语义知识可迁移到未见过的操作任务。同年斯坦福 Mobile ALOHA 以低成本遥操作学会炒菜、收拾餐桌。
2024 OpenVLA / Octo / π₀
斯坦福-伯克利 OpenVLA（75 亿参数，基于 Open X-Embodiment 数据集）以小博大，在 29 项任务上击败 8 倍大的 RT-2-X；Octo 走"普及型通用策略"；年底 Physical Intelligence 发布 π₀（flow matching，50Hz 连续控制）。
2025 通用基础模型"大厂竞赛"
Google Gemini Robotics(3月，fork Gemini 2.0)、NVIDIA GR00T N1(GTC，双系统架构)、Figure Helix、智元 GO-1、宇树 WVLA 2.0 相继落地；"具身智能"首次写入中国政府工作报告。中国多家人形机器人企业实现千台级量产。
2026 从验证到落地
NVIDIA GR00T N1.6(CES)、π₀.5、Figure 03 / Helix 02（61 个连续动作完成洗碗机装载，替换原 10.9 万行 C++）、Atlas + Google DeepMind 战略合作；1X NEO 开启消费级交付；宇树/智元产能向万台级迈进。行业进入"规模化放量 + 商业化验证"关键年。
核心技术栈
Core Technology Stack3.1 VLA 模型架构（端到端）
📷 视觉编码器
ViT / DINOv2 / SigLIP
理解空间关系与语义
💬 语言编码器
文本 Transformer
跨注意力对齐视觉特征
🎯 动作头
关节角 / 末端位移 /
tokenized 动作块 / flow
统一网络：(图像, 语言) → 动作
泛化来自权重而非手写代码；跨物体 / 光照 / 表述均可迁移
动作表征有三种主流路线：离散 token 化（RT-2，复用 LLM 基础设施）、连续扩散/流匹配（π₀，50Hz 平滑轨迹，擅长折纸、玩牌等精细任务）、动作块（action chunking）降低时延与复合误差。
世界模型 World Model
让机器人在"脑内"推演动作后果，实现从"刺激—响应"到"推演式决策"的跃迁。
- Meta V-JEPA 2：预判行为后果、按目标优劣排序
- 北京人形 WoW、星动纪元 PAD（2024.9 全球首个视频+动作预测世界模型）
- 达摩院 RynnWorld-Teleop：用生成式世界模型替代真机做"数字遥操作"
仿真与 Sim2Real
真机数据贵、规模小、泛化弱，是行业瓶颈。仿真合成数据成为共识解法。
- NVIDIA Isaac Sim / Omniverse、Cosmos、Newton 物理引擎
- 北京人形 ArtVIP：206 种高精度铰接物体数字资产弥合 Sim2Real
- 浙江人形"仿真=高教、真机=职教、人类=筑基"三源数据体系
数据与采集飞轮
数据稀缺是最大瓶颈（特斯拉曾雇 40 人数月采集分拣数据）。
- Open X-Embodiment、AgiBot World（百万级操作数据集开源）
- 灵初智能：外骨骼手套把采集成本降至 1/10，Psi-W0 动作条件世界模型
- 蚂蚁 LingBot-VLA：9 种双臂机器人 2 万+ 小时真机预训练
灵巧操作 Dexterous Manipulation
攻坚重点从"精准抓放"转向"复杂铰接物体操作"（抽屉、转椅、冰箱）。高自由度灵巧手、电子皮肤、类肤触觉传感器把本体从"刚性执行末端"推向"智能适应本体"。自修复材料实现损伤检测+定位+自愈。
软硬协同与端云架构
"大脑"上云、"小脑"端侧；大算力芯片（NVIDIA Jetson Thor、国产 DPU/端侧 AI 芯片）解决续航与实时推理。碳纤维/钛合金拓扑优化降重；半固态电池缓解"续航焦虑"。
代表模型与开源生态
Representative Models & Open-Source2025–2026 年，通用机器人基础模型形成"大厂竞赛"格局。开源阵营分为四派：学院派（OpenVLA/Octo）、巨头生态派（GR00T/Gemini）、创业与中国力量（π₀/智元/宇树/星动纪元）、技术极致派。
| 模型 | 机构 | 规模 / 特点 | 动作表征 | 定位 |
|---|---|---|---|---|
| RT-2 | Google DeepMind | 55B，首个大规模 VLA（2023.7） | 动作 token 化 | 闭源 |
| OpenVLA | Stanford / Berkeley | 7.5B，双视觉编码器+LLaMA，Open X-Embodiment | 动作 token 化 | 开源 |
| Octo | Berkeley | 数千万参数，扩散策略，灵活可微调 | 扩散 | 开源 |
| π₀ / π₀.5 | Physical Intelligence | 数十亿参数，50Hz 连续控制，擅长精细任务 | Flow Matching | 半开源 |
| GR00T N1 → N1.6 | NVIDIA | 22 亿，双系统（VLM 慢思考 + DiT 快思考），全套 Isaac/Cosmos 生态 | 扩散 Transformer | 开源 |
| Gemini Robotics | Google DeepMind | fork Gemini 2.0，端到端 VLA，跨本体泛化强 | 端到端 VLA | 闭源 |
| DOBOT-VLA | 越疆 | 视+语+控融合，实景强化学习，ATOM 已量产 | VLA | 商业 |
| X-VLA | 清华 AIR + 上海 AI 实验室 | 刷新五大仿真基准，代码/数据/权重全公开 | VLA | 开源 |
| Xiaomi-Robotics-0 | 小米 | 4.7 亿参数，MoT 混合架构（脑/小脑分离），消费级 GPU 可跑 | MoT | 开源 |
| LingBot-VLA | 蚂蚁 | 9 种双臂机器人 2 万+ 小时真机，"一脑控多机" | 跨形态 | 商业 |
| ERA-42 / GO-1 / WALL-A | 星动纪元 / 智元 / 自变量 | 端到端具身大模型 + 世界模型融合路线 | VLA+WM | 商业 |
主要玩家与产品
Key Players & Products| 公司 / 机器人 | 代表产品 | 技术路线 / 亮點 | 部署进展 |
|---|---|---|---|
| Tesla Optimus | Gen 2 / Gen 3 | 复用 FSD 自动驾驶"大脑"，远期百万台产能目标 | 试产→爬坡上海超级工厂产线已用；Gen3 计划 2026 下半年量产 |
| Figure AI Figure 02/03 | Helix / Helix 02 | 单一神经网络，像素输入直驱全身；Helix 02 以 61 连动完成洗碗机装载 | 商用BMW 斯帕坦堡工厂部署约 11 个月；C 轮超 10 亿美元，估值近 400 亿 |
| Boston Dynamics Atlas (电动) | 全电动 Atlas | 动态平衡与运动控制独步全球；自导航充电、自换电池 | 商用现代 Hyundai Metaplant(2026.2)；+Google DeepMind 整合 Gemini |
| Agility Robotics Digit | Digit | RaaS 模式，仓库"万能工"；跨多独立客户同步部署 | 商用Amazon / GXO / Toyota / Mercado Libre；2026.5 扩规模 |
| 1X Technologies NEO | NEO / EVE | 遥操作→自主，专为家庭设计 | 消费2026.1 首交付；$20,000 或 $499/月（唯一消费级落地） |
| Apptronik Apollo | Apollo | 协作安全，适配标准工装夹具 | 新兴面向区域合约制造商 / 电子装配 |
| XPENG IRON | IRON | 复用新能源车制造基础设施 | 量产广州工厂内部部署(2025.1)，2026.1 量产 |
| NVIDIA / Google 基础模型 | GR00T / Gemini | 平台化："机器人界的安卓"，提供大脑+工具链 | 生态赋能第三方整机厂 |
| 公司 | 代表产品 | 路线 / 优势 | 量产与订单 |
|---|---|---|---|
| 宇树 Unitree | G1 / H1 / R1 | 极致成本控制，核心部件自研率超 90% | 全球第一2025 出货 5500+ 台(32.4%)；R1-D 起售 2.69 万；进入东京羽田机场 |
| 智元 AgiBot | 远征 A2 / A2-W | 全栈，"一脑多机"；GO-1 已上真机 | 头部2025 出货 4000+ 台；2026.3 第 1 万台、6 月第 1.5 万台下线 |
| 银河通用 | Galbot S1 | 具身重载，全球首个自主打网球机器人 | 头部宁德时代产线连续作业 3 月+；A 轮超 3 亿美元，估值 200 亿 |
| 星动纪元 | ERA-42 / Q5 | 端到端 ERA-42；PAD 世界模型；Q5 轮式服务 | 新兴商场实训；2025 出货约 400 台 |
| 优必选 UBTECH | Walker S2 | 自主换电 + Co-Agent 群体协同 | 工业比亚迪/吉利/蔚来等实训；2025 订单近 14 亿 |
| 傅利叶 FFT | GR-3 | 情感化交互，主动陪伴 | 医疗计划交付数千台 |
| 越疆 Dobot | Atom / ATOM II | DOBOT-VLA，行走+动态平衡+精密装配 | 商业深圳 K11 单日连续运营 14 小时 |
| 星海图 / 灵初 / 自变量 | G0 Plus / Psi / WALL-A | 开源数据 / 世界模型 / VLA+WM 融合 | 模型派冲刺"大脑"软件层 |
综合"部署 / 量产 / AI 成熟度 / 价格可及性"的人形机器人竞争力指数（HCRI，2026.6 快照，Axis Intelligence，仅供参考）：
市场与产业数据
Market & Industry Data(2024 仅约 3000 台，+508%)
(BotQ 产能爬坡)
(远超 2024 全年)
(发布产品超 330 款)
2025 全球出货格局（按厂商）
来源：赛迪《2025 年人形机器人市场研究报告》。中国厂商包揽全球前六。
市场规模预测（口径差异大）
- 2025 实际硬件收入：约 49 亿美元（最可信的当前口径）
- 2030：MarketandMarkets 约 153 亿美元
- 2035：Goldman Sachs 约 380 亿美元（情景分析）
- 2050：Morgan Stanley 约 5 万亿美元（若达智能手机级普及）
应用场景
Application Scenarios🏭 工业制造
绝对主战场。汽车总装、精密装配、物料搬运、质检。
- 优必选 Walker S2 进比亚迪/吉利/蔚来
- 智元远征 A2-W 富临精工近百台搬运
- 千寻 Moz1 在宁德时代电池 PACK 线插接头
📦 仓储物流
SKU 多变、窄通道场景，人形比固定自动化更灵活。
- Agility Digit 在 GXO/Toyota 分拣
- Figure 在 BMW 包裹分拣
- 银河通用 Galbot S1 重载搬运
🏥 医疗康养
远程手术、康复机器人、养老陪伴。
- 5G 远程精准手术临床应用增长
- 日本养老机构康复机器人普及
- 傅利叶 GR-3 情感化主动陪伴
🛒 商超服务
导购、补货、咖啡制作、清洁。
- 智平方 AlphaBot 商超咖啡/导购
- 欧洲酒店服务机器人渗透率提升
- 星动纪元 Q5 商场实训
🏠 家庭消费
从教育/陪伴走向真正家务。
- 1X NEO 消费级交付（2026.1）
- 松延"小布米"9998 元娱乐陪伴
- 宇树 R1 翻跟头/倒立行走
⚡ 高危特种
电力、消防、巡检、应急救援。
- 云深处机器狗电网巡检/防汛
- 亿嘉和电力带电作业机器人
- 四足机器人田间地头
关键挑战
Key Challenges① 数据稀缺
真机数据采集慢、贵、累。特斯拉曾雇 40 人数月采集分拣数据。缺乏数据是端到端具身大模型首要瓶颈，"有模型无数据也用不起来"。
② 跨域泛化
实验室训练后难直接迁移到真实工况；面对未见物体/光照/姿态的适应能力不足。需自我学习与演化能力。
③ Sim2Real 鸿沟
仿真与现实的校准误差、电缆下垂、夹具公差，使合成数据训练的技能在真机退化。高保真数字资产（ArtVIP）是解法之一。
④ 工业确定性
VLA 采样动作分布，循环间存在微变异；而汽车焊接等要求亚毫米级可重复。经典方法在确定性上仍占优，VLA 需补齐。
⑤ 安全与伦理
自主决策挑战传统责任体系；多模态采集涉及敏感隐私；就业替代压力。需分级分类治理 + 人类监督/主导分级授权。
⑥ 成本与续航
可靠性、能耗与全生命周期成本决定规模化分水岭。需降本（灵巧手已下探至 2999 元）、低功耗芯片、半固态电池缓解续航焦虑。
趋势与展望
Trends & Outlook端到端 VLA 成主流
从"大脑+小脑"分层走向统一端到端网络，凭借广覆盖、低时延、高自主、强协同，向通用泛化演进。Gemini Robotics、DOBOT-VLA 已量产验证。
世界模型内嵌
感知交互从"刺激—响应"跃迁到"推演式决策"。V-JEPA2、WoW、PAD、VLAW（VLA+世界模型协同进化）成为竞争核心。
合成数据 / 数字遥操作
用生成式世界模型替代真机采集（RynnWorld-Teleop 达 40+FPS 实时），把数据从"硬件绑定"变"意图驱动、跨平台复用"，破解成本瓶颈。
Scaling Law 进军物理
参数、数据、本体复杂度同时爆发。"当数据和模型都足够大，机器人能学到什么？"成为下一时代命题；但智平方郭彦东警示恐需指数级数据/能源。
开源生态与平台化
"机器人界的安卓"之争：NVIDIA GR00T、Google Gemini、OpenMind OM1、OpenVLA/Octo 共同推动跨硬件兼容与标准共建。
中国：制造+场景双优势
全球最完整产业链 + 海量真实场景。"真实场景落地价值才是关键"——部署即训练，数据飞轮反哺模型。2026 年行业加速洗牌，剩 10–20 家。
治理与伦理
Governance & Ethics责任划分
自主决策挑战传统责任体系，高危场景缺乏统一标准。美国部分州与保险公司探索 AI 责任保险。
数据隐私
多模态采集涉大量敏感信息。欧盟《AI 法案》确立"知情同意+动态授权"；美国推进机器人数据隐私立法。
分级分类治理
欧盟四档风险分级；美国监管沙盒；决策分"自主执行/人类监督/人类主导"三级。多方协同共治成型。
资料来源
References本综述综合以下公开报道、研报与学术资源（2025–2026），关键事实与数据均标注来源机构；市场排名/指数为第三方机构口径，仅供研究参考。
- 光明日报《竞合共进 规范先行：全球具身智能的发展与治理》(2026-03-19)
- 新华网《看见2026｜具身智能行业加速演进》(2026-01-16)
- 人民网《把握全球技术演进态势 抢占具身智能发展先机》(2026-06-23)
- 新华网《2025人工智能破壁时刻｜人形机器人爆发元年》(2025-12-31)
- 新华网《人工智能加速走进现实这一年》(2026-07)
- 学习时报《何为"具身智能"》(2025-03-19)
- CCF《具身智能——从智能感知到生态共生的进化》(通讯专题)
- 钛媒体/硅谷101《机器人开源革命："免费大脑"背后的四派力量》(2026-03)
- Robotics Center《Physical AI in 2026: What It Is, Key Models, and How to Build It》
- World Model & VLA 论文综述 (2018–2026, song2yu.github.io)
- 赛迪《2025 年人形机器人市场研究报告》
- Axis Intelligence《Humanoid Robot Statistics 2026》
- Humanoid Applications《Deployment Report 2026》
- 新京报《量产元年之后，中国人形机器人走向"价值战"》(2026-01)
- 达摩院《RynnWorld-Teleop：数字遥操作》(开源)
- 北京人形/浙江人形/灵初智能 等技术发布与访谈