明明外观已经很像人了，但连认出不同杯子并正确拿起，这种简单事都偶尔出错？未来机器人真的能像人一样思考和适应环境吗？
人形机器人的形早就不是难题，难的是藏在背后的大脑
身体比较成熟，但大脑还在幼儿园阶段。.
本文从人形机器人对高智能大模型的需求切入，拆解当前技术进展、未来方向、关键支撑技术及相关企业动态。
获取更多行业原报告资料的梳理解读，请加入知识星球
本文梳理解读原报告
一、高智能大脑
1、形易 智难
(1) 人形形态
早在几十年前，工程师就造出了外观和运动能力接近人类的机器人。
2000年本田推出的ASIMO，还有2013年波士顿动力的Atlas，它们能跑、能跳，甚至能完成一些复杂动作，说明模仿人类外形的工程技术早就成熟了。
(2) 缺自主能力
但这些早期机器人有个大问题：所有动作都要靠人工提前设定。
让ASIMO拿东西，得先给它编好走到桌子前、伸出手臂、夹起物品的固定指令序列。
它没法自己判断桌子上有个滑溜溜的玻璃杯，得轻轻拿，也没法应对杯子旁边有本书挡住的突发情况。
(3) 仿形不仿智
简单说早期人形机器人只是长得像人、动得像人的机器，不是有人类智能的机器人。
它们没有感知环境、理解任务的能力，更没法根据情况调整动作，这就是仿形不仿智，也是它们一直没能大规模落地的关键。
2、多模态大模型
(1) 光有运动能力不够
要让机器人有用，不能只让它会动，还得让它能看、能听、能理解、能决策。
比如你说帮我拿客厅茶几上的红色水杯，机器人得先看懂哪个是茶几、哪个是红色水杯（视觉），听懂你的指令（语言），再想明白该怎么走、怎么拿（决策），最后动手执行（动作）。
(2) 多模态大模型
以前的机器人没有统一的大脑，感知、决策、执行是分开的小模块，配合起来很僵硬。
现在的多模态大模型，能把视觉、语言、动作这三种能力融合到一起，像初级大脑。
比如视觉语言模型能让机器人看懂图、听懂话，再融入动作模态后，机器人就能把理解变成行动。看到水杯、听懂指令，就能自己规划拿水杯的动作。
从LLM到VLM，AI对现实世界感知不断丰富
(3) 大脑和世界互动
多模态大模型的意义，不只是让机器人感知世界，更重要的是让它和世界互动。
机器人拿水杯时，能通过触觉感知力度，避免捏碎杯子；遇到杯子倒了，能自己调整动作先扶起来，这才是智能大脑的价值。
3、初级智能
(1)多在展示阶段
2025年的人形机器人，大部分还停留在展示能力的阶段，在实验室里能完成指定任务，但到了真实的工厂车间、家庭环境，就容易出错。
在实验室里能精准抓取固定位置的零件，到了车间里零件位置稍微偏移，就抓不准了，原因就是智能程度不够。
(2) 初级智能
只要机器人具备初步的智能，比如能在固定场景里自主完成拿零件、放零件，不用人一直盯着调整，就能先在这个场景落地。一旦落地，就能开始收集数据。
(3) 数据飞轮
简单讲数据飞轮就是机器人用得越多，收集的数据越多；数据越多，模型训练得越聪明；模型越聪明，机器人性能越好；性能越好，就有更多场景愿意用它”的循环。
汽车工厂用机器人拧螺丝，机器人会记录每次拧螺丝的力度、角度、是否成功，这些数据能优化模型，下次拧不同型号的螺丝时，成功率就更高。
数据飞轮
4、现在智能水平
(1) 智能分级标准
2024年前后，国内几家机器人创新中心和企业一起，制定了全球首个《人形机器人智能化分级》标准，从感知、决策、执行、协作四个维度，把机器人的智能分成了L1到L5五级。
(2) L2初级阶段
现在大部分人形机器人的智能水平在L2级：能处理简单的多模态信息，比如同时看图像、听指令，能做简单推理，但还不能自主应对没见过的场景。
机器人在A车间能拿圆形零件，到了B车间遇到方形零件，可能就不知道怎么抓了，得重新调试。
(3) 三大门槛
要从L2升到L3、L4，甚至L5的完全自主智能，得突破三个难关：
一是模型能力，现在的模型还不会深度推理，比如零件拿不起来，是因为表面滑还是力度不够；
二是数据，缺乏大量真实场景的高质量数据；
三是算力，训练更聪明的模型需要更多的计算资源。
二、架构、数据
1、架构演进
(1) 早期架构
2022年谷歌推出的SayCan，是较早的机器人大模型架构。它的逻辑是先拆分任务，再选可行动作。
你让它拿水，它会先把任务拆成走到冰箱前、打开冰箱、拿出水瓶，再评估每个步骤的动作是否可行，最后选最靠谱的动作序列。
这种架构的好处是思路清晰，但缺点是感知和执行是分开的，遇到复杂场景容易脱节。
评估打开冰箱可行，但实际冰箱门有点紧，机器人就不知道怎么调整力度了。
SayCan模型架构
(2) 进阶架构
2022年底的RT-1，把感知-决策-执行捏成了一个整体。
它用Transformer模型，把图像+指令变成动作指令，看到冰箱、听懂拿水，直接输出手臂抬多少度、夹爪用多大力度的具体动作，不用中间拆分步骤。
RT-1在厨房、实验室等场景里表现很好，能完成700多项任务，平均成功率达97%，比如打开抽屉、移动物品的成功率超过90%。
但它的缺点是认环境，在A机器人上训练好的模型，放到B机器人上就不好用了，跨平台能力差。
(3) 多模态融合
2023年谷歌的PaLM-E，把视觉、语言、传感器数据都融合到一起，重点提升了推理能力。
你让它把蓝色积木放黄色积木上，它能先推理出得先拿蓝色积木、再走到黄色积木旁边、最后放下，再生成动作指令。
PaLM-E还能举一反三，在桌面场景训练好后，放到移动机器人上，也能完成类似任务。
但它的问题是体型太大，PaLM-E-562B模型有5620亿个参数，推理时需要很多计算资源，没法装在小型机器人上。
(4) 动作融入
2023年的RT2，在PaLM-E的基础上，把动作融入模型。
它会把机器人的动作分成256个区间，每个区间对应一个虚拟词汇，再用语言模型训练这些动作词汇。
这样一来，RT2能直接输出1-5赫兹的动作序列，例如手臂先转30度，再转20度，不用再把决策翻译成动作。
它的泛化能力比以前强，如果没见过的杯子，也能尝试抓取，但动作频率太慢，1-5赫兹的速度，做动作会有点卡顿。
RT2模型训练方法；RT2模型架构
(5) 高频动作
2024年的π0，专门解决动作频率低的问题。
它在多模态模型之外，加了一个动作专”模块，能输出50赫兹的动作轨迹，比RT2快10倍，机器人做动作时更流畅，比如拿水杯时手臂不会一顿一顿。
π0还能用离散余弦变换压缩动作数据，训练速度更快。
但50赫兹还不够，机器人要接住掉落的物品，需要100赫兹以上的动作频率，π0还达不到。
(6) 快慢脑架构
2025年Figure推出的Helix，用了快慢脑设计：慢脑是70亿参数的多模态模型，负责想大事。
理解拿水的任务目标、规划整体路径；快脑是8000万参数的小模型，负责做小事。实时调整手臂动作，输出200赫兹的动作序列。
这种架构的好处是又聪明又灵活：慢脑保证决策正确，快脑保证动作流畅。
2025年测试时，两台用Helix的Figure 02机器人，还实现了协同任务，一台机器人拿零件，另一台机器人组装，这是以前的模型做不到的。
2、三类数据
(1) 数据是燃料
人需要吃饭长身体，机器人大模型需要吃数据才能变聪明。
而且数据要符合Scaling Law，模型参数越多，需要的数据量也越多；数据量够大、质量够高，模型才能涌现出推理、泛化这些高级能力。
大模型的三大Scaling法则对模型性能的影响图
(2) 互联网数据
互联网数据主要是从网上爬的视频。人类做饭、修理物品的视频，特点是量大、便宜，一次能爬几十万小时的视频，成本很低。
它的作用是让模型认识世界，通过看人类拿杯子的视频，模型知道杯子是用来装水的，拿的时候要握杯身。
但缺点是场景不匹配，视频里的杯子多是家用的，到了工厂里的工业杯子，模型可能就不认识了；而且视频没有动作数据，只能看不能学具体怎么动。
(3) 仿真数据
仿真数据是在虚拟平台如英伟达Isaac里生成的，在电脑上建一个虚拟车间，让虚拟机器人拿零件、拧螺丝，收集这些动作数据。
它的优点很明显：成本低、效率高、数据全（能记录虚拟机器人的每个关节角度、力度）。宇树机器人训练双足走路时，先在仿真环境里练，等动作稳定了再放到真实机器人上。
缺点是和现实有差距，仿真环境里没有零件表面有油污、机器人关节有摩擦这些真实情况，模型在仿真里表现好，到了现实中可能出错，这就是Sim2Real Gap。
(4) 真机数据
真机数据是让真实机器人在现实环境里做动作，直接收集的一手数据，让机器人在汽车工厂里拿零件，记录它的动作角度、力度、是否成功。
优点是质量最高，完全贴合真实场景，能直接提升机器人的实用能力。智元机器人的VLA模型，用100%真机数据训练，在工厂里抓取零件的成功率比用仿真数据的模型高很多。
缺点是贵、慢，双足机器人每小时只能收集3-4条有效数据，单条成本快20元；100台机器人一天也只能产8-10万条数据，远远满足不了模型训练的需求。
(5) 仿真+真机
纯用一种数据效果都不好，现在行业里普遍用仿真数据预训练+真机数据微调的模式。
银河通用先用99%的仿真数据训练模型，让模型具备基础的拿东西能力，再用1%的真机数据微调，让模型适应真实工厂的环境；北京人形机器人创新中心则用7:3的仿真和真机数据比例，平衡成本和效果。
三、未来机器人大模型
1、模态扩展
(1) 三模态
2025年的主流机器人大模型，只融合了视觉（看）、语言（听）、动作（动）三种模态，就像人只有眼睛、耳朵、手脚，没有皮肤，没法感知触觉、温度。
机器人拿冰块时，不知道冰块很凉，也没法判断捏得太紧会捏碎，只能靠预设的力度，很僵硬。
(2) 触觉模态：
未来的模型会加入触觉模态，也就是给机器人装触觉传感器，让它能感知拿东西的力度、物品的软硬、表面的光滑程度。
拿鸡蛋时，能通过触觉感知鸡蛋壳的硬度，自动调整力度，不会捏碎；拿毛巾时，能感知毛巾的柔软，用合适的力度抓起。
现在戴盟、帕西尼等公司已经在研发视觉-语言-动作-触觉融合的VTLA模型，未来2-3年可能会落地。
VTLA模型的构架原理
(3) 更多感知能力
除了触觉，未来还可能加入温度、湿度、力觉等模态。在食品工厂，机器人能感知面包的温度，判断是否烤熟；在医院，能感知病人身体的温度，避免碰到时太凉让病人不适。
2、架构升级
(1) 不会推演未来
当前的机器人大模型，只能看到当前、做当前的动作，不会想未来。
机器人看到地上有个障碍物，只会停下来，不会想如果绕到左边，会不会碰到其他东西；
拿杯子时，如果杯子旁边有本书，只会尝试直接拿，不会想先把书挪开再拿。
(2) 能推演、会规划
未来的模型会加入世界模型，简单说就是让机器人能模拟环境变化，推演动作后果。
英伟达2025年发布的Cosmos世界模型，能让机器人根据当前场景，预测如果我做A动作，会发生什么；做B动作，又会发生什么，然后选最优的动作。
机器人要拿桌子上的水杯，世界模型会先模拟：直接伸手拿，会不会碰到旁边的台灯？
如果先把台灯挪开，再拿水杯，会不会更安全？然后机器人就会先挪台灯再拿水杯，而不是硬闯。
(3) 泛化能力
有了世界模型，机器人遇到没见过的场景，也能通过推演找到解决方案。
机器人第一次见带把手的方形盒子，世界模型会模拟抓把手、抓侧面、抓顶部三种动作的后果，最后选最容易成功的抓把手，不用人再教。
3、数据进化
(1) 纯仿真、纯真机
纯仿真数据有Sim2Real Gap，纯真机数据又太少太贵，未来的方向是仿真和真机数据深度融合。
在仿真环境里模拟真实工厂的油污、零件偏差，让仿真数据更贴近现实；再用真机数据反过来优化仿真环境，让两者越来越像。
(2) 批量产好数据
2025年开始，很多企业和机构都在建机器人数据训练场。
天奇股份在无锡建的工业数据采集与实训中心，按真实汽车工厂的工位1:1复刻，能同时让50台机器人训练，收集数据；特斯拉、华为也在建类似的训练场。
这些训练场的好处是数据标准化，所有机器人在同样的场景、同样的任务下收集数据，数据质量统一，模型训练起来更高效；
而且能批量采集，比如训练场一天能收集几十万条真机数据，解决了数据量不足的问题。
(3) 1亿数据
要让机器人大模型实现能力跃迁，需要1亿条高质量的动作轨迹数据。现在的训练场正在朝着这个目标推进，预计未来3-5年能实现，到时候机器人的泛化能力会有质的提升。
四、关键技术
1、动捕系统
机器人的动作很精细，手指关节的转动角度、手臂的移动轨迹，靠普通摄像头根本拍不准。
动捕系统能精准记录这些动作数据，是真机数据采集的基础设施，主要分光学动捕和惯性动捕两种。
2、光学动捕
(1) 原理
光学动捕需要建一个动捕棚，在棚顶装很多高帧率摄像头，在机器人或操控者身上贴反光标记点Mark点。
摄像头实时捕捉这些反光点的位置，电脑再根据多个摄像头的信息，还原出机器人的三维动作轨迹，精度能到亚毫米级，比头发丝还细。
动捕生成的计算机动画
(2) 优点准、稳、好处理
光学动捕的最大优势是精度高，不会有误差累积。机器人做100个动作，每个动作的精度都一样；
而且不受磁场干扰，在工厂里也能稳定工作；数据处理起来简单，不用复杂的算法修正。
(3) 缺点贵、不灵活
光学动捕的成本很高，建一个8-10工位的中型动捕棚，大概要300万元，单工位30万元；
如果是100工位以上的大型棚，成本能降到10-20万元/工位，但总投入还是很大。而且只能在固定的动捕棚里用，不能搬到户外或其他场景。
(4) 代表企业
国外的代表企业是Vicon和OptiTrack，技术成熟但价格贵，是国产方案的3-4倍；
国内的青瞳视觉、凌云光做得很好，比如青瞳视觉的CMAvatar3.0系统，能捕捉四足动物和复杂道具的动作，还和原力合作优化了解算器，数据处理效率更高；
凌云光的FZMotion系统，已经服务于优必选、小米等头部机器人企业，国内市占率第一。
3、惯性动捕
(1) 原理
惯性动捕不用建棚，而是让机器人或操控者穿戴惯性测量单元IMU。
里面有加速度计、陀螺仪、磁力计，能记录动作的加速度、角速度、方位角。这些数据传到电脑后，就能还原出三维动作。
(2) 优点灵活、便宜
惯性动捕的最大优势是不受空间限制。在工厂车间、户外都能用，给工人穿惯性动捕服，工人在生产线操作时，就能实时记录动作数据。
不用专门去动捕棚。而且成本低，一套设备几万到十几万元，比光学动捕便宜很多。
(3) 缺点精度差
惯性动捕的精度不如光学。机器人连续做10个动作，误差会慢慢累积，最后动作轨迹会跑偏；
而且容易受磁场干扰，比如在工厂里靠近电机，数据就会不准；穿戴起来也有束缚感，可能影响动作的自然性。
(4) 代表企业
国外的Xsens是惯性动捕的标杆企业，产品覆盖IMU模组、穿戴式系统，宣称能全条件抵抗磁干扰，配合Motion Cloud能在云端处理数据，减少50%的后期清理时间；
国内的诺亦腾也有类似产品，比如PN3 Pro，售价约4.58万元，适合中小规模采集需求。
五、重要企业
1、模型端企业
(1) 银河通用
银河通用2023年成立，核心方向是具身多模态大模型。它走的是全仿真数据预训练路线。
用自研的仿真平台生成视觉-语言-动作数据，预训练数据占比99%以上，成本很低；然后用少量真机数据微调，让模型适应真实场景。
它发布的GraspVLA模型，是全球首个完全用合成数据预训练的VLA模型，训练数据有十亿帧，能零样本适应未见过的场景；
首款机器人Galbot（G1），用可折叠单腿+轮式底盘，能在工厂里做拿零件、放零件的泛化任务。
(2) 星动纪元
星动纪元孵化于清华大学，是国内首个实现一个模型做多个任务的公司。
它的核心模型ERA-42，用了快慢脑双系统，慢脑负责高层决策，快脑负责实时动作，还融入了世界模型，能预测未来动作轨迹。
它的五指灵巧手XHAND1，靠ERA-42能完成100多种精细操作；还和清华大学合作发布了AIGC生成式模型VPP，用互联网视频训练，能让机器人像Sora生成视频一样生成动作，大大减少对真机数据的依赖。
(3) 智元机器人
智元机器人核心模型是GO-1，用了ViLLA架构，融合多模态模型和混合专家系统，VLM负责感知，MoE里的隐式规划器负责动作规划，动作专家负责精细执行。
它的特点是全真机数据训练，模型在真实工厂里的实用性很强；
发布了全球首个机器人动作驱动的世界模型EVAC，能模拟机器人与环境的交互，还有评测基准EWMBench，填补了世界模型评测的空白。
2、数据采集企业
(1) 青瞳视觉
青瞳视觉是国内光学动捕的龙头，核心产品是CMAvatar动捕系统，最新的3.0版本能捕捉四足动物、复杂道具的动作；
和索尼中国研究院合作推出CMVolcap三维重建系统，精度达毫米级，能和动捕系统联动，采集更全面的数据。
它的高端相机K26，分辨率和捕捉距离远超传统相机，数据采集到动作生成几乎不用人工干预，效率很高，适合机器人的精细动作采集。
(2) 凌云光
凌云光的核心动捕产品是FZMotion，亚毫米级精度，服务于优必选、小米等企业，国内光场重建与动捕系统市占率第一。
2025年一季度，它的动捕业务带动营收同比增长38.57%，净利润扭亏为盈。
除了动捕设备，它还自研了视觉大模型。F.Brain平台，能做AIGC生成、智能化标注；
LuserLVM工业视觉大模型，能在3C、锂电等行业做质检，提升数据处理效率。
(3) 奥比中光
奥比中光是国内3D视觉龙头，全面布局了结构光、iToF、dToF、双目视觉、激光雷达五种技术路线，能根据不同场景选最优方案。
它的Gemini系列双目3D相机，毫米级深度感知，能用于机器人避障、物流分拣。
它自研了MX系列深度引擎芯片，这是3D视觉的大脑，能降低成本、提升性能，为机器人的视觉感知提供稳定支持。
3、训练场企业
天奇股份是汽车智能制造装备龙头，和优必选、银河通用合作，把汽车工厂变成机器人训练场。
在极氪5G智慧工厂，部署Walker S1机器人做车身质检，累计采集2.3万条轨迹数据，模型迭代后误检率从3%降到0.7%；
在比亚迪长沙工业园，形成了全球首个“人形机器人+无人物流车”混场作业数据集。
它在无锡建的工业数据采集与实训中心，占地6000平方米，按真实汽车工位1:1复刻，能同时容纳50台机器人训练，数据采集效率很高。
六、方向
(1) 模型端
模型端是机器人大模型的核心，关注有技术壁垒、落地能力强的企业。
全仿真数据路线的银河通用、双系统+世界模型的星动纪元、全真机数据训练的智元机器人。
(2) 数据采集端
数据是模型的燃料，数据采集设备是燃料生产工具，关注光学动捕龙头青瞳视觉、凌云光，以及3D视觉龙头奥比中光。
随着训练场建设加速，这些企业的设备需求会持续增长，业绩有较强支撑。
(3) 训练场端
标准化训练场是未来数据采集的核心载体，关注有场景优势的天奇股份。
它依托汽车工厂的场景，能快速落地生产线即训练场模式，数据质量高、落地速度快，有望成为工业机器人数据采集的标杆。
七、未来机器人生活
1、工厂里
未来3-5年，人形机器人会先在汽车工厂、电子工厂落地，做重复、单调、危险的工作。
汽车车间里拧螺丝、搬零件，电子工厂里组装手机零件。这些工作不用机器人有太高的智能，初级智能就能胜任，还能24小时不停工，提升工厂效率。
天奇股份和优必选合作的Walker S1机器人，在极氪工厂做车身质检，误检率已经降到0.7%，比人工质检更稳定；
未来还会有机器人做喷漆、焊接这些对人体有害的工作，减少工人的职业伤害。
2、家庭里
未来5-10年，随着模型智能提升，人形机器人可能走进家庭，做扫地、擦桌子、拿东西这些琐碎家务。
老人行动不便，机器人能帮忙拿药、递水杯；上班族下班回家，机器人能帮忙收拾客厅、准备简单的饭菜。
不过家庭环境比工厂复杂，家里的杯子、碗种类多，机器人需要更强的泛化能力；
还要和人互动，需要更好的语言理解能力，这需要模型在多模态融合、世界模型上有更大突破，短期内还没法完全实现。
3、特殊场景
在医疗、救灾等特殊场景，人形机器人也会发挥作用。比如在医院里，机器人能帮忙搬运医疗物资、给隔离病房的病人送饭菜，减少医护人员的感染风险；
在地震救灾现场，机器人能进入倒塌的建筑里搜救，比人类更安全、更灵活。
这些场景对机器人的智能要求更高，需要机器人能应对未知环境。
救灾现场的建筑结构复杂，机器人需要自己规划路径、避开障碍物，这需要世界模型和泛化能力的成熟，可能需要10年以上的时间。
#artContent h1{font-size:16px;font-weight: 400;}#artContent p img{float:none !important;}#artContent table{width:100% !important;}