飛象網(wǎng)訊 12月13日，“2026中國信通院深度觀察報告會”在北京舉辦。中國信息通信研究院副總工程師許志遠(yuǎn)針對具身智能發(fā)表了自身觀點(diǎn)和見解。

在他看來，當(dāng)前具身智能已經(jīng)取得認(rèn)知智能與物理智能的雙線突破，但模型路線、數(shù)據(jù)范式以及最佳機(jī)器人形態(tài)仍未定型，大規(guī)模落地仍處于早期階段，其未來方向仍在持續(xù)競爭與快速演化中。

具身智能取得階段性突破

仍需關(guān)注三大核心焦點(diǎn)問題

許志遠(yuǎn)詳細(xì)介紹了具身智能當(dāng)前實際進(jìn)展及需要重點(diǎn)關(guān)注的內(nèi)容。他表示，當(dāng)前具身智能的確取得了階段性突破。一方面，機(jī)器人的“認(rèn)知智能”實現(xiàn)明顯躍升（即“大腦”能力），大模型使機(jī)器人能夠完成傳統(tǒng)機(jī)器人難以處理的復(fù)雜任務(wù)，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于強(qiáng)化學(xué)習(xí)，人形機(jī)器人在復(fù)雜地形行走、高難度舞蹈等動態(tài)任務(wù)上表現(xiàn)顯著提升；基于模仿學(xué)習(xí)與大模型范式，上肢操作能力快速增強(qiáng)，已能執(zhí)行切黃瓜、倒水、疊衣服等精細(xì)操作。

“然而，盡管技術(shù)突破不斷，具身智能的大規(guī)模落地仍處于早期階段”， 許志遠(yuǎn)指出：“當(dāng)前行業(yè)仍面臨三個核心焦點(diǎn)問題。”

具體而言，一是模型路線之爭：大模型范式是否適用于機(jī)器人？雖然大模型在語言、圖像、視頻領(lǐng)域取得巨大成功，但“同樣的范式能否直接遷移到機(jī)器人控制”仍未被證明。業(yè)界正在探索多種途徑。

二是數(shù)據(jù)訓(xùn)練范式之爭：哪類數(shù)據(jù)才是機(jī)器人智能提升的關(guān)鍵？數(shù)據(jù)仍然是限制機(jī)器人能力躍升的核心瓶頸。目前機(jī)器人模型主要依賴三類數(shù)據(jù)：真機(jī)數(shù)據(jù)：質(zhì)量最高但采集昂貴、規(guī)模有限；合成/仿真數(shù)據(jù)：規(guī)模大、成本低，但逼真度與物理一致性有差距；人類第一視角視頻數(shù)據(jù)：自然、豐富，但動作標(biāo)注與映射存在挑戰(zhàn)。當(dāng)前尚無結(jié)論表明機(jī)器人領(lǐng)域是否會像 NLP、CV 一樣遵循 Scaling Law——即“更多數(shù)據(jù)一定帶來更強(qiáng)能力”。因此，數(shù)據(jù)范式仍在快速演化，混合數(shù)據(jù)、多模態(tài)數(shù)據(jù)、世界模型生成數(shù)據(jù)等方向均在探索中。

三是形態(tài)路線之爭：人形機(jī)器人是否是“真需求”？具身智能的落地呈現(xiàn)出兩大派系：① 人形堅守派（Tesla、Figure AI 等），這些企業(yè)堅持全人形路線，原因包括：人形最契合人類社會現(xiàn)有環(huán)境與工具體系；人形形態(tài)最利于學(xué)習(xí)人類動作、利用人類數(shù)據(jù)；長期看具備最大通用性。特斯拉和 Figure AI 因此持續(xù)投入大量資源，力圖構(gòu)建“通用勞動機(jī)器人”。② 折中派（大量國內(nèi)企業(yè)）。國內(nèi)今年涌現(xiàn)出多款“輪-臂式復(fù)合機(jī)器人”，其特點(diǎn)是：輪式底盤更可靠、成本更低、部署更簡單；動作可控性強(qiáng)，更適合集成到商業(yè)場景快速落地。這種路徑更強(qiáng)調(diào)“工程可落地性”，旨在在短期內(nèi)形成可規(guī)模化的商業(yè)應(yīng)用。

在 VLA 基礎(chǔ)上引入世界模型

有望成為提升機(jī)器人大模型能力的重要路徑

據(jù)許志遠(yuǎn)介紹，目前，利用大模型提升機(jī)器人的泛化能力已成為業(yè)界共識，但如何有效地將大模型應(yīng)用于機(jī)器人系統(tǒng)，仍存在多條技術(shù)路徑，行業(yè)也在持續(xù)探索中。

第一條路徑是采用大語言模型（LLM）對人類指令進(jìn)行語義理解與任務(wù)分解，這是賦予機(jī)器人高層智能的關(guān)鍵能力，谷歌的 SayCan 是早期代表性工作。第二條路徑是在 LLM 的基礎(chǔ)上引入視覺，使模型具備語言與視覺跨模態(tài)融合能力，通過視覺語言模型（VLM）進(jìn)行機(jī)器人控制。借助視覺信息，模型不僅能分析環(huán)境的空間關(guān)系和物體屬性，也能更好支撐高層任務(wù)規(guī)劃。谷歌的 PaLM-E 展示了跨模態(tài)推理在機(jī)器人控制中的潛力。第三條路徑是在 VLM 的基礎(chǔ)上進(jìn)一步加入動作生成能力，形成視覺-語言-動作模型（VLA）。這類模型以視覺圖像和語言指令為輸入，直接輸出機(jī)器人控制指令。VLA 路線自 2024 年底以來受到高度關(guān)注。各家廠商在模型架構(gòu)、模塊設(shè)計和動作生成方式上不斷優(yōu)化，例如美國的 Figure AI、PI，以及國內(nèi)的智元、銀河通用等均聚焦于這一方向。

許志遠(yuǎn)強(qiáng)調(diào)，目前，許多 VLA 模型采用 MoE 架構(gòu)，以 VLM 作為骨干網(wǎng)絡(luò)，動作層常使用自回歸預(yù)測、擴(kuò)散模型或流匹配等生成方式。同時，在 VLM 與動作預(yù)測之間通常加入隱向量用于信息傳遞，以兼顧復(fù)雜任務(wù)推理與實時控制需求。VLA 在復(fù)雜、多步驟、多樣化任務(wù)上展示出一定適應(yīng)性。“然而，我們也觀察到，盡管 VLA 在結(jié)構(gòu)上不斷演進(jìn)，其實際落地效果仍未達(dá)到預(yù)期。原因在于物理世界具有高度多樣性與不確定性，而當(dāng)前可獲取的機(jī)器人數(shù)據(jù)量級有限、覆蓋場景不足，使得 VLA 難以充分學(xué)習(xí)并泛化到真實環(huán)境中。”

展望未來，在 VLA 的基礎(chǔ)上引入 世界模型（World Model），借助其對物理世界的理解、預(yù)測與推演能力，有望成為進(jìn)一步提升機(jī)器人大模型能力的重要發(fā)展路徑。

重視利用合成數(shù)據(jù)和視頻數(shù)據(jù)

滿足機(jī)器人模型訓(xùn)練需求

“機(jī)器人的真機(jī)數(shù)據(jù)雖然質(zhì)量最高，但人工采集的成本極高，高質(zhì)量樣本更是稀缺，遠(yuǎn)遠(yuǎn)無法滿足模型的訓(xùn)練需求。因此，業(yè)界開始越來越重視合成數(shù)據(jù)和視頻數(shù)據(jù)的利用。” 許志遠(yuǎn)指出。

一方面，業(yè)界開始采用混合數(shù)據(jù)訓(xùn)練模式：先利用合成數(shù)據(jù)或視頻數(shù)據(jù)進(jìn)行模型預(yù)訓(xùn)練，再用真機(jī)數(shù)據(jù)進(jìn)行微調(diào)。例如，銀河通用使用 10 億幀合成數(shù)據(jù)完成抓取模型的預(yù)訓(xùn)練；英偉達(dá) GROOT N1 模型中，合成、視頻和真機(jī)數(shù)據(jù)分別占 25%、31% 和 44%。“我們發(fā)現(xiàn)，主流方案的非真機(jī)數(shù)據(jù)占比通常在80%~99%，但是哪個比例對于機(jī)器人性能提升更加有效仍需產(chǎn)業(yè)界來不斷試錯驗證。”

另一方面，今年以來，使用人類第一視角拍攝的視頻數(shù)據(jù)成為破解數(shù)據(jù)瓶頸的一類重要方案。具體做法是讓操作員佩戴頭戴式攝像設(shè)備，在不影響日常工作的前提下記錄其操作過程，為模型訓(xùn)練提供高質(zhì)量的人類示范數(shù)據(jù)。6 月份有消息稱，馬斯克將延續(xù)自動駕駛“全視頻學(xué)習(xí)”的路線，未來的訓(xùn)練將主要依賴來自人類第一視角的視頻數(shù)據(jù)。Figure AI也在9月份發(fā)布了Go-Big項目，目標(biāo)就是構(gòu)建全球最大、最多樣化的視頻預(yù)訓(xùn)練數(shù)據(jù)集。國內(nèi)清華大學(xué)、地平線、智元機(jī)器人等也在做相關(guān)路線的探索。