具身智能综述 · Embodied Intelligence — A Comprehensive Survey (2026)HTML
从「会思考」到「能行动」的跃迁，本文系统梳理具身智能的定义、脉络、VLA 与世界模型、代表模型、中外玩家、市场数据、应用场景、挑战与治理趋势。2025 全球人形机器人出货约 1.7 万台，中国厂商占 84.7%，工信部目标 2027 年年产 100 万台。
8 篇文章带有标签 “大模型”
2025 年大模型实践总结
具身智能
Scaling Laws
全链路解决方案
1. 动作捕捉
这一阶段负责采集人类的原始动作数据。图中列出了两种主要技术：
- PN Studio (惯性动捕)： 利用惯性传感器套件。优点是成本低、易用、环境适应性强。
- HybridTrack (光学动捕)： 利用摄像头和标记点。优点是鲁棒性强、精度极高。
2. 数据处理/输出
捕捉到的信号通过 Axis Studio 或 Hybrid Data Server 进行初步处理。
- 数据类型： 包括高精度动捕数据、6DOF（六自由度）数据、原始加速度（ACC）和陀螺仪（GYRO）数据，以及同步时间戳。
- 接口类型： 支持 MocapApi、VRPN 以及专门的 Isaac 插件。
3. 本体映射
这是将人类动作转化为机器人动作的关键步骤。
- 输入格式： 常见的 3D 动画格式，如
.FBX、.MBX、.BVH和数据格式.CSV。 - 重定向 (Retargeting)： 通过算法将人类的骨架运动映射到机器人的 URDF（统一机器人描述格式）模型上，确保动作符合机器人的物理结构约束。
4. 工作平台
展示了开发和仿真所使用的核心软件生态：
- 编程语言： C++ 和 Python。
- 中间件： ROS (Robot Operating System)，用于机器人控制。
- 仿真环境： NVIDIA ISAAC，一个强大的机器人仿真和人工智能训练平台。
5. 本体/产出
国务院关于深入实施“人工智能+”行动的意见
《国务院关于深入实施“人工智能+”行动的意见》旨在推动人工智能与经济社会各领域深度融合，重塑生产生活范式，加速形成人机协同、跨界融合、共创分享的智能经济和智能社会新形态。意见以习近平新时代中国特色社会主义思想为指导，利用我国数据、产业、场景优势，提出到2035年全面步入智能经济社会的发展目标。
核心行动包括：科学技术（加速科学发现，如新型科研范式、科学大模型建设、基础科研平台智能化升级、高质量科学数据集、跨学科融合，并驱动技术研发创新）；产业发展（培育智能原生新业态，推进工业、农业、服务业智能化转型）；消费提质与民生福祉（拓展智能服务与产品消费，创造智能工作与学习方式，提升生活品质）；治理能力（构建人机共生社会、多元共治安全与生态治理新格局）；以及全球合作（推动人工智能普惠共享，共建全球治理体系）。
为支撑上述行动，意见强调强化八大基础支撑能力，涵盖模型基础能力、数据供给创新、智能算力统筹、应用发展环境优化、开源生态繁荣、人才队伍建设、政策法规保障及安全能力水平提升。组织实施上，由国家发展改革委牵头统筹协调，确保各项部署落地见效。
国务院关于深入实施“人工智能+”行动的意见
国发〔2025〕11号
各省、自治区、直辖市人民政府，国务院各部委、各直属机构：
为深入实施“人工智能+”行动，推动人工智能与经济社会各行业各领域广泛深度融合，重塑人类生产生活范式，促进生产力革命性跃迁和生产关系深层次变革
北京智源人工智能研究院（BAAI）
本文档概述了北京智源人工智能研究院 (BAAI)，一个致力于推动人工智能原始创新的新型研发机构。它详细介绍了 BAAI 的发展历程，从2018年成立至今，以及其在大型人工智能模型领域取得的重大进展，包括推出 FlagOpen 开放平台。此外，来源还介绍了 BAAI 在具身智能和生命科学等前沿领域的具体研究成果，例如 RoboOS 2.0 和 OpenComplex2。整体而言，这份资料展现了 BAAI 在构建通用人工智能、推动开放生态以及解决现实世界问题方面的努力和愿景。
华为云具身智能技术探索与实践
幻灯片概述了华为在具身智能领域的积极投入与战略。文件详细阐述了具身智能的发展趋势，包括大模型的应用、产业落地以及面临的挑战。华为提出了盘古具身智能大模型作为核心，通过一体化开发平台和工具链，旨在解决复杂任务规划与执行问题。此外，幻灯片还展示了具体的行业应用案例，例如智能制造和物流分拣，并强调了技术创新与产业合作的重要性，以推动具身智能的广泛应用。
Qwen2 Technical Report
Abstract(摘要)
This report introduces the Qwen2 series, the latest addition to our large language models and large multimodal models. We release a comprehensive suite of foundational and instruction-tuned language models, encompassing a parameter range from 0.5 to 72 billion, featuring dense models and a Mixture-of-Experts model. Qwen2 surpasses most prior open-weight models, including its predecessor Qwen1.
没有找到匹配的文章