具身大脑：通用机器人智能中枢的架构演进与产业梯队（2026）——全球技术评估与发展趋势研究报告

摘要

本报告聚焦“具身大脑”这一正在快速成型的技术与产业命题。具身大脑指部署于机器人本体之上、以多模态感知为输入、以大模型与世界模型为推理内核、同时输出高层任务规划与底层动作序列的智能中枢。它区别于仅在数字空间中运行的语言模型，也区别于传统意义上的运动控制系统，是连接认知智能与物理执行的中间层。报告涉及的研究领域包括：多模态基础模型与视觉—语言—动作（VLA）模型、机器人学习与控制、世界模型与仿真到现实迁移、具身数据引擎、机器人本体工程、评测基准与方法论、以及产业经济学与战略管理。

在产业层面，本报告以英伟达（NVIDIA）作为首个重点观察对象，其GR00T系列基础模型与Isaac仿真平台构成了当前通用机器人智能中枢的重要技术底座；随后依次考察Google DeepMind的RT系列与Gemini Robotics、Physical Intelligence的π系列流匹配模型、Figure AI的Helix视觉—语言—动作架构、Skild AI的通用机器人大脑，以及1X Technologies的Redwood系列模型。六个对象分别代表综合平台型、研究驱动型、模型专精型、本体一体型、软件横向型与场景先行型等不同路径。

基于公开论文、企业技术文档、行业协会统计与第三方评测数据，本报告构建了包含九大维度的评估框架，并将全球主要参与者划分为三个梯队。总体判断是：具身大脑仍处于“基础模型尚未收敛、数据闭环决定上限”的早期阶段；2026—2028年将成为通用性验证与商业闭环验证的关键窗口期，能否形成高质量真实世界数据飞轮，将比单纯扩大参数规模更具决定性意义。

目录

• 第一章 研究背景与方法（研究背景、研究问题与边界、研究方法与数据来源、研究局限）
• 第二章 具身大脑的概念界定与体系架构（概念演进、三层架构、关键使能技术、与通用大模型的关系）
• 第三章 全球发展格局与产业链结构（上游算力与传感、中游模型与操作系统、下游本体与应用、区域格局）
• 第四章 技术路线对比分析（端到端VLA路线、分层式规划路线、世界模型与仿真路线、混合式路线）
• 第五章 第一梯队：综合型与头部型参与者概况（综合平台型、研究驱动型、模型专精型、本体一体型、共性特征）
• 第六章 第二梯队：垂直深耕与快速追赶者（软件横向型、场景先行型、学术转化型、零部件与工具链）
• 第七章 第三梯队：早期探索与生态配套（仿真与合成数据、评测与认证、传感与执行器、开源社区）
• 第八章 评价与评估体系构建（评估维度设计、主流基准测试、能力成熟度模型、综合评估结论）
• 第九章 应用场景与商业化路径（工业制造、仓储物流、家庭服务、医疗与特种作业、落地节奏）
• 第十章 风险、挑战与治理（技术风险、*与伦理、监管框架、供应链与地缘风险）
• 第十一章 趋势展望与战略建议（技术趋势、产业趋势、对研究者与企业的建议）
• 第十二章 结论
• 参考文献、术语说明、报告声明

第一章 研究背景与方法

1.1 研究背景

过去三年，机器人智能的范式发生了显著位移。传统工业机器人依赖人工示教与结构化环境编程，其能力边界由预设轨迹决定；而新一代研究将大规模预训练模型引入感知与决策环节，使机器人具备了在非结构化环境中理解自然语言指令、识别未见物体并生成动作序列的可能。2022年Google DeepMind发布RT-1，首次系统验证了Transformer架构在真实机器人控制上的可扩展性；2023年RT-2进一步将网络规模的视觉—语言知识迁移到机器人动作空间，提出“视觉—语言—动作模型”这一关键概念。此后，Physical Intelligence的π0引入流匹配方法，英伟达发布开源人形机器人基础模型GR00T N1，具身大脑从学术概念走向工程化产品形态。

产业侧的热度同样显著。据国际机器人联合会（IFR）《World Robotics 2024》统计，2023年全球工业机器人新增装机约54.1万台，存量突破428万台，自动化需求持续增长，但增速主要由成熟场景驱动，通用性场景仍未被覆盖。据斯坦福大学《AI Index Report 2025》，2024年全球私营部门AI投资约2523亿美元，其中机器人相关融资保持高位。资本、算力与人才的集中投入，使得具身大脑成为2026年最受关注的交叉技术领域之一。

与此同时，行业存在明显的概念混用现象。部分讨论将“具身智能”“人形机器人”“机器人基础模型”“具身大脑”视为同义词，导致技术判断与投资判断依据模糊。本报告的首要任务，即是在概念层面作出清晰切分，并在统一口径下展开技术评估与梯队划分。

1.2 研究问题与边界

本报告试图回答四个问题。第一，具身大脑的技术定义与能力边界究竟是什么，其与视觉语言模型、运动控制器的分工如何界定。第二，当前全球主要技术路线各自解决什么问题、存在哪些结构性瓶颈。第三，如何构建一套可复用、可比较的评估框架，对参与者进行相对客观的分层。第四，2026—2030年的技术演进与产业落地节奏可能呈现怎样的形态。

研究边界方面，本报告不评估具体机器人本体的机械性能优劣，不进行任何商业推荐，也不对未公开披露的技术细节作推测性描述。所有涉及企业的信息均来自公开论文、技术博客、官方发布与第三方公开报道。

1.3 研究方法与数据来源

报告采用“文献计量＋技术解剖＋框架*＋交叉验证”的混合方法。文献层面，以arXiv、NeurIPS、ICML、CoRL、RSS、ICRA等公开渠道的论文为样本，梳理技术谱系与引用脉络。技术层面，对公开的开源模型、权重、仿真环境与评测结果进行结构化拆解。产业层面，参考行业协会统计、第三方研究机构报告与公开融资信息。*层面，采用九维度加权打分，由课题组独立完成，不涉及任何企业提供的非公开数据。

1.4 研究局限

具身大脑领域迭代速度极快，部分模型版本在报告撰写期间即发生更新，因此本报告的时间截面为2026年2月。其次，行业普遍缺乏统一的第三方评测标准，不同研究团队在硬件、任务集、评测协议上的差异，使得跨机构数值比较存在一定噪声。本报告在引用性能指标时均标注来源，并尽量采用同一评测协议下的对比结果。

第二章 具身大脑的概念界定与体系架构

2.1 从具身智能到具身大脑

具身智能强调智能体必须在与物理世界的交互中形成认知与技能，其外延涵盖本体、感知、决策、控制等多个层面。具身大脑则是这一体系中的“中枢”部分，它不包括机械结构、执行器与电池等硬件要素，也不完全等同于底层伺服控制，而是承担“理解—推理—规划—生成动作”的职能。简言之，本体是身体，具身大脑是大脑，运动控制器是脊髓与神经末梢。

这一区分具有实际意义。它意味着具身大脑可以跨本体迁移：同一套模型理论上可以驱动双臂轮式机器人、四足机器人或人形机器人，只需调整动作空间接口与*约束。NVIDIA GR00T N1、Google DeepMind的Gemini Robotics以及Physical Intelligence的π0系列，均在不同程度上展示了跨本体泛化的能力。

2.2 三层体系架构

综合公开技术资料，具身大脑可归纳为三层架构。底层为感知与状态估计层，融合视觉、深度、力觉、本体感受等多模态信号，输出结构化场景表征与自身状态。中层为认知与规划层，依托视觉语言模型或世界模型完成指令解析、任务分解、常识推理、空间关系判断与长时序规划，并可调用记忆模块保持任务上下文。高层为动作生成层，将抽象子任务转化为可执行的动作序列或连续控制指令，通常采用扩散策略、流匹配或自回归动作令牌等方式实现。

2.3 关键使能技术

第一是多模态对齐。视觉—语言预训练提供了开放词汇的物体与场景理解能力，使机器人能够响应未在训练集中出现的自然语言指令。第二是动作表征学习。如何将连续、高维、长时序的动作空间压缩为可学习的表示，是决定样本效率的核心问题。扩散策略与流匹配在此方向表现突出。第三是数据引擎。真实机器人数据采集成本高昂，Open X-Embodiment等跨机构数据集合成为缓解数据稀缺的重要尝试。第四是仿真到现实迁移。以Isaac Sim、MuJoCo、PyBullet为代表的仿真环境可大规模生成合成数据，但视觉与动力学差异仍是主要误差来源。

2.4 与通用大模型的关系

具身大脑并非通用大模型的简单移植。二者至少在四方面存在差异：一是闭环性，具身大脑必须与物理环境形成高频闭环，决策延迟直接影响任务成败；二是物理约束，输出必须满足关节限位、力矩上限与*边界；三是数据分布，机器人交互数据的规模远小于互联网文本；四是评价标准，语言模型可以用困惑度或准确率衡量，而具身大脑的最终指标是任务成功率、泛化能力与*性。

第三章 全球发展格局与产业链结构

3.1 上游：算力、传感与数据

上游环节决定具身大脑的训练与推理*。算力侧，大规模模型训练依赖高带宽GPU集群，推理侧则需要在机器人本体上实现低功耗实时运行，边缘推理芯片与云端协同成为主流方案。传感侧，视觉方案从单目向多目、深度、事件相机扩展，触觉与力觉传感器的分辨率与成本直接影响操作的精细程度。数据侧，真实遥操作数据、仿真合成数据与互联网视频数据构成三类来源，其中真实数据的采集成本最高，但也最具不可替代性。

3.2 中游：模型与操作系统

中游是具身大脑的核心战场，参与者大致分为四类：综合平台型，提供从芯片、仿真到基础模型的完整栈；研究驱动型，依托*实验室输出方法论并快速工程化；模型专精型，聚焦单一VLA或世界模型并追求性能上限；本体一体型，模型与机器人硬件深度耦合。中游竞争的关键不再是单点模型精度，而是“模型—数据—本体”三者形成的闭环效率。

3.3 下游：本体与应用场景

下游包括人形机器人、双臂协作机器人、移动操作平台与专用自动化设备。应用场景的成熟度差异明显：工业制造中的上下料、装配、质检环节结构化程度高，落地节奏较快；仓储物流中的拣选与搬运已有较多商业化案例；家庭服务与医疗护理场景高度非结构化，对泛化能力要求最高，落地周期也最长。IFR数据显示，全球工业机器人密度持续提升，但服务机器人的人均渗透率仍处于早期水平。

3.4 区域格局

从公开信息看，北美在基础模型、算力平台与风险资本方面优势明显，形成了以大型科技公司与高估值初创企业为核心的生态。欧洲在机器人本体制造、工业集成与研究机构方面积累深厚，同时通过《人工智能法案》等监管框架对具身系统的*性提出较早要求。日本与韩国在精密零部件、人形机器人早期探索与服务机器人部署方面具有长期经验。以色列则在传感、视觉算法与自动化软件领域表现活跃。区域之间并非替代关系，而是通过供应链与人才流动形成互补。

第四章 技术路线对比分析

4.1 端到端视觉—语言—动作路线

该路线以单一模型直接完成从图像与语言输入到动作输出的映射，代表性工作包括RT-1、RT-2与Open X-Embodiment中的RT-X系列。优势在于架构简洁、端到端可微、对多样任务的适应性较强；挑战在于训练数据需求巨大，且中间推理过程不透明，难以对失败案例进行可解释归因。

4.2 分层式规划路线

该路线将任务分解为高层语义规划与底层技能执行两个阶段，代表性思路包括SayCan与PaLM-E所体现的“语言模型给出可行动作选项、价值函数筛选可执行性”的机制。优势在于可解释性较好，便于人工干预与*约束植入；挑战在于层级之间的接口设计困难，高层规划的错误会被逐级放大。

4.3 世界模型与仿真路线

该路线通过预测未来状态来进行规划，可显著提升样本效率。仿真环境的大规模并行训练与域随机化技术是其主要支撑。局限在于仿真与现实之间的动力学与视觉差距，即所谓“现实鸿沟”，导致在仿真中表现优异的策略迁移到真实机器人后性能下降。

4.4 混合式路线

2025年以来的明显趋势是路线融合：以VLA模型承担语义理解与技能生成，以扩散或流匹配方法生成连续动作，以世界模型进行前瞻性校验，并辅以强化学习在真实环境中进行微调。Physical Intelligence的π0采用流匹配生成动作，Figure AI的Helix采用双系统架构，均体现了这一融合方向。

第五章 第一梯队：综合型与头部型参与者概况

5.1 梯队划分依据

本报告的综合梯队划分依据五项指标：技术完整度（是否具备从感知到动作的完整链路）、模型通用性（跨本体与跨任务泛化能力）、数据资产（真实数据规模与闭环机制）、生态开放度（开源程度、开发者规模、工具链完善度）、商业化进展（是否已有付费客户或规模化部署）。达到四项及以上领先指标的参与者归入第一梯队。

5.2 综合平台型

英伟达是综合平台型的典型代表，也是本报告的首个重点观察对象。其技术栈覆盖训练算力、仿真平台Isaac Sim、机器人基础模型GR00T N1及后续版本，以及面向开发者的工具链与硬件参考设计。GR00T采用双系统设计，以视觉语言模型进行慢速推理、以扩散Transformer生成快速动作，并支持跨本体迁移。这一布局的意义在于为整个行业提供公共底座，其开放策略在很大程度上降低了具身大脑的研发门槛。

Google DeepMind则代表研究驱动型的头部力量。RT-1验证了Transformer在机器人控制上的规模效应，RT-2提出视觉—语言—动作模型范式，RoboCat展示了自我改进机制，Gemini Robotics进一步将多模态推理与机器人动作结合。其优势在于模型研究深度与跨学科整合能力，同时通过Open X-Embodiment等合作推动数据共享。

5.3 模型专精型

Physical Intelligence是该路线的代表。其π0模型以流匹配方式生成连续动作，强调跨本体、跨任务的通用性，并公开展示了叠衣服、整理桌面等长时序精细操作。据公开报道，其融资规模与估值在具身智能初创企业中处于前列。该路线的核心竞争力在于动作生成方法的创新与高质量真实数据的积累。

5.4 本体一体型

Figure AI将模型与自研人形机器人本体深度耦合，其Helix架构采用“慢思考＋快执行”的双系统设计，强调在单一神经网络权重下完成多机器人协同操作。据公开报道，该公司已完成多轮融资并推进量产计划。1X Technologies则聚焦家庭场景，其Redwood系列模型与轻量化人形本体协同设计，强调*交互与自然语言控制。该路线的优势是软硬件协同优化充分，挑战在于前期投入巨大、场景验证周期长。

5.5 第一梯队共性特征

总结来看，第一梯队参与者具备四点共性：一是拥有或深度绑定大规模算力资源；二是建立了真实数据的采集与回流机制；三是具备跨学科团队，覆盖机器学习、控制、机械与系统工程；四是全部参与开源或半开源生态建设，通过开发者规模形成事实标准。风险方面，第一梯队面临技术路线被颠覆、商业化节奏低于预期以及估值与收入严重错配等共同挑战。

第六章 第二梯队：垂直深耕与快速追赶者

6.1 软件横向型

Skild AI是这一路线的代表。该公司聚焦通用机器人大脑软件，主张以大规模多模态数据训练可跨本体部署的基础模型，并强调模型规模与数据多样性对泛化能力的作用。据公开报道，其在2025年完成大额融资，估值进入全球具身智能初创企业前列。该路线的优势在于不承担硬件制造的重资产压力，可通过与多家本体厂商合作快速扩张；挑战在于缺乏自有数据入口，长期依赖合作伙伴的部署规模。

6.2 场景先行型

该类型企业选择在特定场景中先行落地，通过真实商业运营积累数据。Boston Dynamics在Atlas平台上推进大型行为模型研究，并结合工业客户需求验证运动与操作能力；Agility Robotics聚焦仓储物流场景，其Digit人形机器人与自有软件栈协同推进商业化；Apptronik与Sanctuary AI分别在人形本体与通用操作软件方向持续迭代。这一类型的共同特点是场景明确、数据来源真实，但通用性相对受限。

6.3 学术转化型

来自高校与研究机构的成果转化构成第二梯队的另一支力量。这类团队通常在特定方法上具备深厚积累，例如扩散策略、多任务Transformer操作、跨机构数据集构建等，其技术贡献往往通过开源形式扩散至全行业。其局限在于工程化与规模化能力相对薄弱，需要与产业伙伴配合才能完成产品闭环。

6.4 零部件与工具链型

第二梯队还包含为具身大脑提供关键部件与工具的企业，包括高精度减速器、力控关节、触觉传感器、边缘推理模组与数据标注服务商。它们不直接参与基础模型竞争，但其技术指标直接决定具身大脑能否在真实环境中稳定运行，是产业链中不可替代的一环。

第七章 第三梯队：早期探索与生态配套

7.1 早期探索型企业

第三梯队主要由成立时间较短、团队规模有限或尚未完成产品定义的企业构成。它们通常聚焦于单一能力点，例如特定抓取任务的视觉算法、小型化操作臂控制、或是面向教育科研的机器人平台。这类企业的技术验证价值大于商业价值，但往往是新方法的试验场，部分团队可能通过技术被并购进入更高梯队。

7.2 仿真与合成数据供应商

仿真平台与合成数据服务是具身大脑训练链路中的关键配套。此类供应商提供物理引擎、场景资产库、域随机化工具与数据生成管线，可显著降低真实数据采集压力。其技术壁垒在于物理精度与渲染真实度，商业模式则多为软件授权与云服务。需要注意的是，合成数据的有效性高度依赖任务类型，在接触密集的精细操作中仍存在明显局限。

7.3 评测、认证与标准化机构

随着具身系统进入工业与公共场景，第三方评测与*认证的重要性上升。此类机构提供任务基准测试、*性评估、功能*认证与合规咨询，其价值在于为行业提供可比较的公共度量。当前该环节仍处于早期，基准测试碎片化问题突出。

7.4 开源社区与开发者生态

开源社区通过模型权重、数据集、仿真环境与工具库的共享，构成具身大脑创新的公共基础设施。以Hugging Face的机器人相关项目、Open X-Embodiment数据集以及多个开源仿真与训练框架为代表，社区力量显著降低了研究门槛，也在客观上加速了技术路线的收敛与淘汰。

第八章 评价与评估体系构建

8.1 评估维度设计

本报告提出九维度评估框架：感知泛化能力、任务成功率、动作精度与柔顺性、长时序推理能力、实时性与推理效率、数据效率、*与可解释性、生态开放度、商业化成熟度。九个维度采用1至5分制，权重根据应用场景不同可动态调整：工业场景中*与实时性权重更高，家庭场景中泛化与*性权重更高。

8.2 主流基准测试

当前公开可查的评测基准包括：RLBench用于多任务操作评估，LIBERO面向终身学习场景，CALVIN强调长时序语言条件任务，SimplerEnv提供仿真环境下的可比评测，BEHAVIOR-1K覆盖大规模家庭活动任务。此外，RoboArena等尝试构建公开排行榜以提升可比性。需要指出的是，各基准在任务集、观测模态、动作空间与成功判定标准上差异较大，跨基准的数值比较需谨慎。

8.3 能力成熟度模型

本报告提出五级成熟度模型。L1为单任务专用，依赖固定环境与人工示教；L2为多任务可切换，具备有限泛化；L3为跨本体可迁移，能够理解自然语言指令并适应新物体；L4为长时序自主作业，可在非结构化环境中连续完成多步骤任务并自我纠错；L5为开放世界通用作业，具备持续学习与*协同能力。据公开资料判断，当前行业头部参与者整体处于L2至L3之间，局部任务达到L4水平。

8.4 综合评估结论

评估显示，技术完整度与数据闭环能力是拉开差距的主要变量。第一梯队参与者在模型通用性与生态开放度上得分领先，第二梯队则在特定场景的工程可靠性上表现更优。*与可解释性是全行业共同短板，多数参与者的*机制仍依赖外层规则约束而非模型内生能力。商业化成熟度整体偏低，仅有少数场景实现可复制的付费闭环。

第九章 应用场景与商业化路径

9.1 工业制造

工业制造是具身大脑最具确定性的落地场景之一。上下料、装配、打磨、质检等环节任务边界清晰、节拍要求稳定，适合以“基础模型＋技能微调”的方式部署。其价值主张并非替代现有专机，而是应对多品种小批量生产中频繁换线的痛点。限制因素在于功能*认证周期较长，以及产线对可靠性的极高要求。

9.2 仓储物流

仓储与物流场景的商品种类繁多、形状不规则，对视觉识别与抓取策略的泛化能力提出较高要求。移动操作机器人在拣选、拆垛、装车等环节已有商业化探索。该场景数据获取相对容易，订单波动带来的任务多样性也为模型迭代提供了天然训练信号。

9.3 家庭服务与医疗护理

家庭场景是通用性的*考验，涉及杂乱环境、非标准物体、家庭成员的*交互等复杂因素。1X Technologies等企业将家庭作为长期目标场景，推进*交互与自然语言控制能力。医疗护理场景对*性与可靠性的要求更高，短期内更可能以辅助性任务切入。

9.4 特种作业与科研平台

核设施巡检、灾害救援、深海与太空作业等场景，人类难以进入且任务非结构化程度高，对自主性需求强烈。此类场景对成本敏感度较低，但对可靠性要求极高。此外，高校与科研机构采购的通用机器人平台，构成具身大脑早期的重要试验市场。

9.5 落地节奏判断

综合判断，2026—2027年以工业与物流的场景化试点与半封闭部署为主；2028年前后可能出现跨场景复用的通用技能库；家庭场景的规模化渗透预计仍需更长时间。商业化成功的关键不在于单点技术指标，而在于单位经济模型能否随部署规模扩大而持续改善。

第十章 风险、挑战与治理

10.1 技术风险

首先是数据瓶颈。真实世界操作数据的采集成本远高于文本数据，且难以通过互联网规模化获取。其次是泛化*。当前模型在训练分布内的表现显著优于分布外场景，环境光照、物体材质、任务描述的微小变化均可能导致失败。第三是实时性约束，大模型推理延迟与机器人控制频率之间存在结构性矛盾。第四是评估困难，缺乏统一基准导致技术进展难以被客观度量。

10.2 *与伦理

具身系统直接作用于物理世界，其错误后果具有不可逆性。*性要求模型具备动作前置校验、力控限幅、异常检测与紧急停止机制。伦理层面涉及人机协作中的责任归属、隐私保护（尤其是家庭场景的视觉数据）、以及对劳动力市场的结构性影响。IEEE《Ethically Aligned Design》等文件为自主系统的伦理设计提供了参考框架。

10.3 监管框架

监管方面，欧盟《人工智能法案》将高风险AI系统纳入合规要求，对具身系统的数据治理与风险管理提出明确规定。功能*领域，ISO 10218系列与ISO/TS 15066为工业机器人与协作机器人提供了*标准基础。美国国家标准与技术研究院发布的AI风险管理框架，则为组织层面的风险识别与缓解提供了方法论参考。总体趋势是从自愿性指南走向强制性合规。

10.4 供应链与地缘风险

具身大脑依赖高性能芯片、精密减速器、力矩传感器与稀土材料等关键投入品，供应链集中度较高。出口管制、关税政策与物流中断均可能影响研发与交付节奏。企业需通过多源采购、库存策略与本地化产能布局降低脆弱性。

第十一章 趋势展望与战略建议

11.1 技术趋势

第一，模型架构向“慢思考＋快执行”的双系统演进，兼顾语义推理深度与动作实时性。第二，动作生成方法持续向扩散与流匹配收敛，以提升多模态动作分布的建模能力。第三，世界模型的价值被重新认识，前瞻性预测将成为提升样本效率与*性的关键组件。第四，数据引擎从“采集”走向“生成＋筛选＋回流”的闭环体系。第五，评测体系将逐步标准化，*与可解释性权重提升。第六，端侧推理能力增强，模型小型化与量化技术将与云端训练形成协同。

11.2 产业趋势

一是分工细化，基础模型、本体、场景集成、数据服务逐渐形成分层生态。二是开源与闭源并行，开源模型承担生态扩张与标准确立功能，闭源模型聚焦高价值场景的性能上限。三是并购与整合加速，早期探索型企业可能通过被并购进入头部生态。四是场景验证从示范项目向可复制交付转变，客户从“试性能”转向“算成本”。

11.3 对研究者与企业的建议

对研究机构而言，应优先投入数据效率、跨本体泛化与*可解释性等基础问题，避免在算力规模上做无差异竞争。对企业而言，应明确自身在产业链中的定位：若无法在算力或数据上建立壁垒，则应在场景理解、工程可靠性与交付能力上构建差异化。对投资与战略决策者而言，应关注三个先行指标：真实场景部署数量、单位任务成本下降曲线、以及数据回流机制的可持续性，而非单纯的模型参数规模或演示视频效果。

第十二章 结论

具身大脑是连接认知智能与物理执行的中间层，也是通用机器人从演示走向生产力的关键变量。本报告通过对全球公开技术与产业信息的系统梳理，构建了三层架构模型、四类技术路线、三梯队产业格局与九维度评估框架，并对六个代表性研究对象进行了定位分析。

核心结论有三。其一，具身大脑尚未收敛，当前处于多路线并行、快速迭代的早期阶段，任何单一路线均未被证明是终局方案。其二，数据闭环能力是决定长期竞争力的核心变量，其重要性不亚于模型架构创新。其三，评估体系的缺失是行业当前最显著的公共品缺口，建立统一、可复现、涵盖*维度的评测标准，对整个生态具有基础性价值。展望2026—2030年，具身大脑将从技术验证走向工程可靠性与单位经济性的双重考验，能够同时驾驭模型创新与场景交付的组织，最有可能在这一轮竞争中胜出。

参考文献

• Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems.
• Brohan, A., et al. (2022). RT-1: Robotics Transformer for Real-World Control at Scale. arXiv:2212.06817.
• Brohan, A., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818.
• Driess, D., et al. (2023). PaLM-E: An Embodied Multimodal Language Model. International Conference on Machine Learning.
• Ahn, M., et al. (2022). Do As I Can, Not As I Say: Grounding Language in Robotic Affordances. Conference on Robot Learning.
• Black, K., et al. (2024). π0: A Vision-Language-Action Flow Model for General Robot Control. arXiv:2410.24164.
• Chi, C., et al. (2023). Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. Robotics: Science and Systems.
• O’Neill, A., et al. (2024). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. IEEE International Conference on Robotics and Automation.
• Bousmalis, K., et al. (2023). RoboCat: A Self-Improving Foundation Agent for Robotic Manipulation. arXiv:2306.11706.
• NVIDIA (2025). GR00T N1: An Open Foundation Model for Generalist Humanoid Robots. arXiv:2503.14734.
• Google DeepMind (2025). Gemini Robotics: Bringing AI into the Physical World. arXiv:2503.20020.
• Levine, S., et al. (2016). End-to-End Training of Deep Visuomotor Policies. Journal of Machine Learning Research.
• Shridhar, M., et al. (2022). PerAct: A Multi-Task Transformer for Robotic Manipulation. Conference on Robot Learning.
• International Federation of Robotics (2024). World Robotics 2024 Report.
• Stanford Institute for Human-Centered AI (2025). Artificial Intelligence Index Report 2025.

术语说明

• 具身大脑：部署于机器人本体之上，承担多模态感知融合、任务推理规划与动作生成的智能中枢，不包含机械结构与底层伺服驱动。
• VLA模型：视觉—语言—动作模型，将图像与语言输入直接映射为机器人动作输出的模型架构。
• VLM：视觉语言模型，具备图像与文本联合理解能力的多模态基础模型。
• 世界模型：对环境状态转移进行预测的内部模型，可用于前瞻性规划与策略评估。
• 扩散策略：以扩散生成过程建模多模态动作分布的策略学习方法。
• 流匹配：通过学习连续时间向量场生成动作序列的生成式建模方法。
• 仿真到现实迁移：将仿真环境中训练的策略迁移至真实机器人并保持性能的技术集合。
• 本体：具身系统的物理载体，包括机械结构、执行器、传感器与能源系统。
• 任务成功率：在给定任务集与评测协议下，机器人成功完成任务的比例。
• 泛化：模型在训练分布之外的新物体、新环境或新指令下维持性能的能力。
• 数据飞轮：部署产生数据、数据改进模型、模型提升部署效果的自我强化循环。

报告声明

本报告基于公开信息与行业研究编制，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。