技术发展阶段

大模型与 GenAI 飞速发展，开启具身智能技术萌芽。随着人工智能算法的发展，尤其是多模态大模型技术的突破性进展，将显著加速机器人产业的发展，提升机器人的智能水平，使得机器人能够自主进行判断和识别，执行复杂的多阶段语义推理任务。不仅提高了机器人的泛化能力，也快速推动了人形机器人通往量产的进程。

根据 Gartner 技术成熟度曲线，当前的具身智能仍处于技术萌芽期，虽然受大模型技术的推动成为科技产业的热点，但是初创公司技术和商业化路径还没有找到有效方案，在成本、技术等层面仍然需要攻坚克难。

技术依赖

智能机器人表现的提升依赖于软硬件多种技术的快速进步与降本。以人形机器人为代表的具身智能机器人是链接虚拟数字世界和现实物理世界的最佳载体，是虚实融合的理想产物，其性能表现也高度依赖于软件与硬件的全方位进化。

从基础材料科学到人机交互技术，从多模态感知大模型到高精度机器人运动控制算法，软硬件多个层面的技术积累与快速进步，让具身智能在 2023 年后迅速让世界看到其应用潜力与应用可行性。

多模态感知 & 传感器方面，具身智能的实现需要做到视觉、听觉、温度、力度等多种模态的感知融合，方能全面地感知动态环境，多模态的感知数据需要多模态大模型进行深度融合，方能为后续的决策、规划和控制模块提供实时的精准时空融合感知。

自主决策与规划方面，要基于全面的环境感知与精准任务理解做出决策最优解，类似 multi - agent 技术发展趋势，智能机器人也需要实现单体智能到群体智能的进化。

机器肢体 & 运动控制方面，一方面基于材料科学的进化，推动核心零部件的性能与成本表现；另一方面利用模仿学习、强化学习等方法，通过大数据集、合成数据等手段加速机器人控制算法的迭代，仿真技术的进步也为运动控制算法与机器人应用开发提供了一种有效手段。

产业链与技术路线

具身智能产业链软硬件深度融合，是复杂且充满活力的生态系统，包含硬件、软件等多个层面，硬件涉及肢体、机器人本体制造等，软件涉及基础设施等。

从 “大脑 - 小脑 - 肢体” 的架构来看，分层模型通过不同层次模型协作，利用底层硬件层和中间响应快的小模型弥补上层大语言模型的不足，推动机器人在实际场景的应用，并越来越多地采用基于学习的控制方法。

VLA 等端到端模型能够直接实现从人类指令到机械臂执行，即输入图像及文本指令，输出夹爪末端动作。

分层式路线一度是主流选择，因为端到端路线受数据制约难以达到性能要求；机器人数据正在逐步积累，端到端路线在未来可能成为主流。

具身智能的发展从模块化走向 One Model 端到端，当前行业前沿处于特定阶段，随着场景、数据的增多，多个特定小模型会逐渐泛化为通用操作大模型，并最终实现与上层模型的融合。

数据采集

采集方式不断进化，仿真数据有望驱动机器人实现智能跃迁。当前的具身智能是通过深度学习技术（模仿学习、强化学习等）从大量数据中学习并实现的，巨量的、优质的、多样的数据，是具身智能机器人能够实现各种各样自主操作的基础。

数据采集方式呈现多元化，人工示教（遥操、动捕）、机器人自主探索、仿真合成数据等方式各有优劣，为具身智能训练数据集添砖加瓦。

自动驾驶的数据采集方式具备借鉴意义：在规模化部署以后，机器人在影子模式下自主探索，通过与环境互动收集多元数据，在云端形成数据闭环，再反哺模型的调整与训练，这也是具身感知、学习的具体表现。

投资热潮与车企布局

2024 年迎来具身智能投资热潮，本体与具身模型受到资本青睐。如果说 OpenAI 的 ChatGPT 引爆了 2023 年对大语言模型的投资热潮，那么 Tesla 入局人形机器人和黄仁勋的那句 “AI 的下一个浪潮是具身智能”，则彻底带火了具身智能与人形机器人领域的投资热潮，成为 2024 年科技产业投资的最大热点。

当前具身智能机器人可用性不足的原因还是 “智能化” 水平不足，算法环节无法达到要求。从投资角度看，头部人形机器人的本体研发集成厂商已经经历多轮融资，估值较高，行业整体投资热点正从人形机器人本体向具身智能模型和其他上游零部件迁移。

技术发展一脉相承，车企加速部署人形机器人。自动驾驶是具身智能的一个重要场景，都具备 “感知 - 决策 - 规划 - 控制” 的算法架构，具身智能和自动驾驶在技术实现路径上是一脉相承的，且算法与零部件可实现高度复用。

当下，智能辅助驾驶已经跑通商业化路径，进入卷交付、卷规模、卷性价比的阶段，这为具身智能未来的技术打磨路径和商业化提供了一些参考。

同时，汽车行业从主机厂到供应商，从投资人到创业者，都在从自动驾驶转向追求更多场景的具身智能：主机厂或自研或投资具身智能公司，而人形机器人企业也在寻求机器人 “进场打工” 的机会。

机器人进厂多为战略合作的试点开展，主要目的仍然是数据采集与训练。车企制造流程高度标准化和流程化，能够为机器人提供高度确定性的封闭场景。人形机器人可以在该场景内通过重复性高的动作学习与泛化，丰富制造场景任务库。