分享內(nèi)容包括：新能源汽車/智能座艙/智能駕駛/智能制造/AI/具身智能/低空經(jīng)濟(jì)等
點(diǎn)擊下方，查看近期熱門行業(yè)研究報(bào)告
在科技浪潮洶涌的當(dāng)下，具身智能正以銳不可當(dāng)之勢(shì)，有望開辟出一片規(guī)模達(dá)萬億級(jí)別的藍(lán)海市場(chǎng)?；仡櫃C(jī)器人與人工智能的發(fā)展軌跡，宛如翻開一部波瀾壯闊的科技史詩。如今，機(jī)器人已昂首邁入具身智能時(shí)代，而人工智能也隨之邁向 “物理 AI” 的全新發(fā)展階段。在這兩大科技領(lǐng)域的壯闊交匯中，人形機(jī)器人宛如一顆璀璨的明珠，成為了兩者匯聚的焦點(diǎn)，更是具身智能時(shí)代的關(guān)鍵臨界點(diǎn)。它承載著無限的可能，極有可能化身新一代智能終端，為人類生活與產(chǎn)業(yè)發(fā)展帶來翻天覆地的變革，開啟一個(gè)充滿無限機(jī)遇的萬億級(jí)市場(chǎng)新篇。
深入剖析具身智能體系，具身智能大模型無疑是機(jī)器人 “大腦” 的核心所在。具身智能的構(gòu)建，離不開本體、智能體、數(shù)據(jù)、學(xué)習(xí)和進(jìn)化架構(gòu)這四大核心要素的協(xié)同作用。其中，通用機(jī)器人本體又可細(xì)致拆解為 “大腦”“小腦” 和 “肢體” 三個(gè)關(guān)鍵部分。而人形機(jī)器人的 “大腦”，其核心技術(shù)便是人工智能大模型。借助多模態(tài)模型建模、強(qiáng)化學(xué)習(xí)、地圖創(chuàng)建以及海量數(shù)據(jù)訓(xùn)練，這一核心技術(shù)宛如一位智慧超群的指揮官，精準(zhǔn)地管理和協(xié)調(diào)著機(jī)器人的各項(xiàng)復(fù)雜功能。目前，大模型在需求理解、任務(wù)分解等高層級(jí)控制任務(wù)方面展現(xiàn)出卓越的才能，猶如一位運(yùn)籌帷幄的將軍，對(duì)戰(zhàn)場(chǎng)局勢(shì)（任務(wù)需求）洞察入微，并能迅速制定出合理的作戰(zhàn)計(jì)劃（任務(wù)分解策略）。然而，規(guī)劃級(jí)以下的控制規(guī)劃領(lǐng)域，則依然是傳統(tǒng)機(jī)器人控制規(guī)劃的優(yōu)勢(shì)范疇，其成熟的高頻控制方法，恰似訓(xùn)練有素的士兵，能夠高效、精準(zhǔn)地執(zhí)行底層指令，確保機(jī)器人的每一個(gè)動(dòng)作都流暢、穩(wěn)定。
多模態(tài)大模型的橫空出世，更是為人形機(jī)器人的高層級(jí)控制帶來了革命性的技術(shù)突破。它宛如一位擁有十八般武藝的全能高手，具備理解圖像、場(chǎng)景文本、圖表、文檔以及多語言的強(qiáng)大能力，能夠?qū)?fù)雜的環(huán)境信息進(jìn)行全面、深入的解析。在具身智能場(chǎng)景中，多模態(tài)大模型可直接將其強(qiáng)大的理解能力應(yīng)用于對(duì)環(huán)境的感知與分析，通過巧妙設(shè)計(jì)的提示詞，輸出如控制代碼、任務(wù)分解指令語言、圖片、視頻等結(jié)構(gòu)化內(nèi)容，為人形機(jī)器人在復(fù)雜環(huán)境中的行動(dòng)提供了精準(zhǔn)、高效的指導(dǎo)，使其能夠更加智能、靈活地應(yīng)對(duì)各種任務(wù)與挑戰(zhàn)，宛如為機(jī)器人賦予了一顆聰慧、敏銳的 “大腦”，引領(lǐng)人形機(jī)器人技術(shù)邁向新的發(fā)展高峰。
一、具身智能打開萬億藍(lán)海市場(chǎng)
1.1 什么是端到端
回顧機(jī)器人的發(fā)展歷程，當(dāng)下，我們已然步入具身智能時(shí)代。曾經(jīng)，傳統(tǒng)的工業(yè)機(jī)器人、協(xié)作機(jī)器人等受限于既定程序，只能按部就班地完成固定工作，即便借助傳感器部件，其行為調(diào)整也極為有限。而如今的具身智能機(jī)器人，憑借搭載的人工智能模型，宛如脫胎換骨，展現(xiàn)出智能化程度高、工作場(chǎng)景束縛小以及自主規(guī)劃復(fù)雜任務(wù)的卓越特性。
它不再是機(jī)械重復(fù)指令的執(zhí)行者，而是演變成由 “本體” 與 “智能體” 深度耦合、能夠在復(fù)雜環(huán)境中靈活執(zhí)行各類任務(wù)的智能系統(tǒng)。正如高新興機(jī)器人所揭示的，具身智能機(jī)器人能夠精準(zhǔn)聽懂人類語言，將復(fù)雜任務(wù)抽絲剝繭，合理規(guī)劃子任務(wù)，在移動(dòng)過程中敏銳識(shí)別物體，與周圍環(huán)境自如交互，最終高效完成相應(yīng)工作。當(dāng)下，眾多研究者積極探索，嘗試將多模態(tài)的大語言模型融入機(jī)器人技術(shù)，通過圖像、文字、具身數(shù)據(jù)的聯(lián)合訓(xùn)練以及多模態(tài)輸入，大幅增強(qiáng)模型對(duì)現(xiàn)實(shí)世界對(duì)象的理解，助力機(jī)器人更好地處理具身推理任務(wù)，為其智能化發(fā)展注入強(qiáng)大動(dòng)力。
同樣，復(fù)盤人工智能的發(fā)展路徑，我們清晰地看到，物理 AI 正成為其下一階段的發(fā)展方向。在 2025 CES 的演講中，黃仁勛明確指出，AI 發(fā)展歷經(jīng)四個(gè)階段，物理 AI 將引領(lǐng) AI 發(fā)展進(jìn)入全新階段，而通用機(jī)器人將作為物理 AI 的核心載體。通用機(jī)器人賦予人工智能 “身體”，讓其具備了直接改造物理世界的能力。在這一過程中，AI 對(duì)機(jī)器人的賦能主要聚焦于感知與決策層面，使得機(jī)器人能夠敏銳感知環(huán)境變化，自主規(guī)劃行動(dòng)決策，與環(huán)境實(shí)現(xiàn)深度交互。
如今，站在具身智能時(shí)代的關(guān)鍵臨界點(diǎn)，人形機(jī)器人憑借獨(dú)特優(yōu)勢(shì)，極有望成為新一代智能終端，進(jìn)而開啟萬億級(jí)別的藍(lán)海市場(chǎng)。人形機(jī)器人不僅擁有仿人外形，更融合了先進(jìn)的人工智能技術(shù)，這使其具備操作人類生產(chǎn)生活工具的潛力，極有可能成為繼個(gè)人計(jì)算機(jī)、手機(jī)和智能汽車之后，重塑人類生活與產(chǎn)業(yè)格局的新一代智能終端。馬斯克在 2023 年特斯拉股東會(huì)議上大膽預(yù)測(cè)，未來全球人形機(jī)器人數(shù)量有望飆升至 100 億到 200 億臺(tái)，廣泛應(yīng)用于人類生活和工業(yè)制造等多元場(chǎng)景，屆時(shí)，人形機(jī)器人必將開啟一個(gè)規(guī)模宏大、潛力無限的萬億級(jí)別市場(chǎng)新篇。
二、機(jī)器人“大腦”的時(shí)代機(jī)遇：具身智能大模型
2.1 多模態(tài)大模型引領(lǐng)機(jī)器人高層級(jí)控制技術(shù)革新
具身智能致力于讓機(jī)器人借由在物理與數(shù)字世界的學(xué)習(xí)進(jìn)化，達(dá)成理解世界、交互協(xié)作以及完成任務(wù)的目標(biāo)。依據(jù)稚暉君的觀點(diǎn)，具身智能涵蓋本體、智能體、數(shù)據(jù)、學(xué)習(xí)和進(jìn)化架構(gòu)這四大核心要素。
通常而言，一臺(tái)通用人形機(jī)器人本體可細(xì)分為 “大腦”“小腦”“肢體” 三部分，分別對(duì)應(yīng)決策交互、運(yùn)動(dòng)控制與執(zhí)行模塊。其中，人形機(jī)器人 “大腦” 的核心技術(shù)是人工智能大模型，借助多模態(tài)模型建模、強(qiáng)化學(xué)習(xí)、地圖創(chuàng)建以及數(shù)據(jù)訓(xùn)練，可實(shí)現(xiàn)對(duì)機(jī)器人各項(xiàng)功能的管理與協(xié)調(diào)?！按竽X” 堪稱機(jī)器人智能與高級(jí)決策的中樞，也是具身智能時(shí)代機(jī)器人區(qū)別于傳統(tǒng)程序控制機(jī)器人（如工業(yè)、協(xié)作機(jī)器人等）的關(guān)鍵所在。
促使機(jī)器人 “大腦” 取得突破的核心動(dòng)力，是大模型實(shí)現(xiàn)能力涌現(xiàn)，成為切實(shí)可用的生產(chǎn)力。大模型的能力與機(jī)器人需求高度契合，只需向機(jī)器人下達(dá)任務(wù)指令，它便能理解任務(wù)內(nèi)容，拆解任務(wù)動(dòng)作，生成應(yīng)用層控制指令，并依據(jù)任務(wù)執(zhí)行反饋修正動(dòng)作，最終完成人類交付的任務(wù)。整個(gè)過程基本無需或僅需少量人工干預(yù)確認(rèn)，實(shí)現(xiàn)了機(jī)器人的自主運(yùn)行，無需專業(yè)機(jī)器人應(yīng)用工程師介入。
當(dāng)下，大模型在需求理解、任務(wù)分解等高等級(jí)控制任務(wù)方面表現(xiàn)卓越。依據(jù)《基于大模型的具身智能系統(tǒng)綜述》，傳統(tǒng)機(jī)器人分層控制分為規(guī)劃級(jí)、動(dòng)作級(jí)、基元級(jí)、伺服級(jí)四層，具身智能機(jī)器人控制則大致分為高層與低層。高層負(fù)責(zé)全局、長(zhǎng)期目標(biāo)，包含需求級(jí)、任務(wù)級(jí)、規(guī)劃級(jí)和動(dòng)作級(jí)；低層負(fù)責(zé)具體操作與實(shí)時(shí)反饋，涵蓋基元級(jí)與伺服級(jí)。相較于傳統(tǒng)機(jī)器人，具身智能機(jī)器人新增了需求級(jí)與任務(wù)級(jí)控制。盡管大模型具備豐富常識(shí)與較強(qiáng)推理能力，但精確性與實(shí)時(shí)性欠佳，所以目前較少直接參與機(jī)器人低層次控制，而是通過需求理解、任務(wù)規(guī)劃、動(dòng)作生成等方式主導(dǎo)較高層級(jí)控制。規(guī)劃級(jí)以下的控制規(guī)劃屬于傳統(tǒng)機(jī)器人控制范疇，更適配傳統(tǒng)機(jī)器人成熟的高頻控制方法。
多模態(tài)大模型打破單一模態(tài)大模型局限，強(qiáng)化了機(jī)器人整合多模態(tài)信息、處理復(fù)雜任務(wù)的泛化能力，為人形機(jī)器人大模型筑牢技術(shù)根基。以大語言模型（LLM）為基礎(chǔ)衍生出語言、圖片、視頻等單一模態(tài)大模型，借助強(qiáng)大的 LLM 執(zhí)行多模態(tài)任務(wù)。然而，LLM 僅能理解離散文本，處理多模態(tài)信息缺乏通用性。與此同時(shí)，大型視覺基礎(chǔ)模型在感知層面進(jìn)展迅速，推理能力卻發(fā)展遲緩。由于二者優(yōu)缺點(diǎn)互補(bǔ)性強(qiáng)，單模態(tài) LLM 與視覺模型逐漸融合，再結(jié)合圖像、視頻、音頻等模態(tài)，催生了多模態(tài)大語言模型（MLLM）這一新領(lǐng)域。從形式上看，它是基于 LLM，能夠接收多模態(tài)信息并進(jìn)行推理的模型。從發(fā)展人工通用智能視角出發(fā)，MLLM 比 LLM 更進(jìn)一步。MLLM 更貼合人類感知世界的方式，提供更友好的多模態(tài)輸入界面，是更全面的任務(wù)解決工具，不再局限于自然語言處理（NLP）任務(wù)。
2.2 國(guó)內(nèi)外科技巨頭與機(jī)構(gòu)紛紛入局，具身大模型成果頻出
具身智能機(jī)器人操作系統(tǒng)有望推動(dòng)人機(jī)交互變革，助力人形機(jī)器人商業(yè)化落地，成為國(guó)內(nèi)外科技巨頭與科研機(jī)構(gòu)的競(jìng)爭(zhēng)焦點(diǎn)：
微軟：發(fā)表《ChatGPT for Robotics》等系列論文，探索運(yùn)用 GPT 控制機(jī)器人。微軟構(gòu)建高級(jí)機(jī)器人 API 或函數(shù)庫（技能庫），用戶以自然語言描述需求后，GPT 可靈活選用現(xiàn)有 API 或自行編程完成任務(wù)。
谷歌：接連推出 SayCan、Palm-E、RoboCat、RT-1、RT-2、RT-X 等多個(gè)具身智能大模型，探索不同技術(shù)路線的具身智能機(jī)器人操作系統(tǒng)，包括基于真實(shí)數(shù)據(jù)訓(xùn)練的 VLA 路線以及合成數(shù)據(jù)訓(xùn)練路線等。
英偉達(dá)：在 2025CES 上推出用于加速物理 AI 開發(fā)的平臺(tái) Nvidia Cosmo 以及一系列世界基礎(chǔ)模型。世界基礎(chǔ)模型是能預(yù)測(cè)、生成虛擬環(huán)境未來狀態(tài)物理感知視頻的神經(jīng)網(wǎng)絡(luò)，助力開發(fā)者打造新一代機(jī)器人。
李飛飛團(tuán)隊(duì)：發(fā)布 VoxPoser 系統(tǒng)，通過 3D Value Map+LLM+VLM 相結(jié)合的方式，依據(jù)用戶自然語言直接輸出運(yùn)動(dòng)軌跡，操控機(jī)器完成任務(wù)。
特斯拉：Tesla Optimus 可完成分揀物品、做瑜伽等操作，其神經(jīng)網(wǎng)絡(luò)訓(xùn)練完全端到端，即直接從視頻輸入獲取信息并輸出控制指令。
國(guó)內(nèi)團(tuán)隊(duì)：智元機(jī)器人、字節(jié)跳動(dòng)、科大訊飛等眾多國(guó)內(nèi)廠商已推出具身智能系統(tǒng)或機(jī)器人產(chǎn)品。
當(dāng)前具身智能架構(gòu)主要分為端到端模型與凍結(jié)參數(shù)大模型結(jié)合基礎(chǔ)模型兩類。端到端架構(gòu)可直接從輸入數(shù)據(jù)得出目標(biāo)結(jié)果，無需提示詞工程，簡(jiǎn)潔高效，常用于規(guī)劃級(jí)、動(dòng)作級(jí)；凍結(jié)參數(shù)的大模型結(jié)合基礎(chǔ)模型，其中大模型通常在廣泛數(shù)據(jù)上完成預(yù)訓(xùn)練，既能發(fā)揮大模型強(qiáng)大能力，又保留針對(duì)特定任務(wù)微調(diào)的靈活性，多應(yīng)用于需求級(jí)、任務(wù)級(jí)。使用預(yù)訓(xùn)練模型可大幅縮短訓(xùn)練時(shí)間、減少數(shù)據(jù)用量，尤其適用于數(shù)據(jù)稀缺任務(wù)。
2.2.1 谷歌：從 SayCan 到 RT-X 的技術(shù)探索
SayCan：定位為 “High-Level，Do As I Can, Not As I Say”，于 2022 年 4 月發(fā)布。SayCan 模型旨在為機(jī)器人提供實(shí)用且可行的行動(dòng)指南。盡管 PaLM-E 能將任務(wù)拆分為語義邏輯合理的子任務(wù)，但無法判斷子任務(wù)在現(xiàn)實(shí)中的可執(zhí)行性。原因在于大語言模型對(duì)真實(shí)物理世界客觀原理缺乏深刻理解與經(jīng)驗(yàn)參照，生成的子任務(wù)雖邏輯通順，機(jī)器人執(zhí)行時(shí)卻可能受阻。例如面對(duì) “我把飲料灑了，你能幫忙嗎？” 的問題，現(xiàn)有大語言模型可能回復(fù) “你可以試試用吸塵器”“對(duì)不起，我不是故意灑的”，但當(dāng)前環(huán)境中的機(jī)器人可能不具備使用吸塵器的能力，或者根本沒有吸塵器。
SayCan 嘗試將大模型 LLM 與物理任務(wù)關(guān)聯(lián)并解決上述問題。其中，Say 代表大模型 LLM，用于輸出高層級(jí)運(yùn)動(dòng)指令；Can 代表機(jī)器人在當(dāng)前環(huán)境下的能力，二者通過值函數(shù)（Value Function）結(jié)合，共同確定實(shí)際執(zhí)行指令。
RT-1：2022 年，Google 提出 Transformer 架構(gòu)，該架構(gòu)最初用于解決翻譯問題，僅依靠注意力機(jī)制就能處理序列數(shù)據(jù)。新模型訓(xùn)練耗時(shí)短，對(duì)大數(shù)據(jù)和有限數(shù)據(jù)集均表現(xiàn)良好。由于引入注意力機(jī)制和殘差鏈接（即 “Attention Is All You Need”），計(jì)算效率更高，可加速訓(xùn)練與推理。
2022 年 12 月，Google 在 RT-1 中首次將 Transformer 與機(jī)器人結(jié)合。RT-1 主體由預(yù)訓(xùn)練視覺模型和經(jīng)解釋器處理的語言指令組成，兩部分通過 transformer 架構(gòu)輸出機(jī)器人動(dòng)作指令，采用模仿學(xué)習(xí)范式。訓(xùn)練數(shù)據(jù)源于 google 實(shí)驗(yàn)室兩個(gè)廚房環(huán)境中，機(jī)械臂抓取、放置動(dòng)作的記錄，包括文字指令、機(jī)器人視覺圖像、對(duì)應(yīng)每一幀圖像的機(jī)器人動(dòng)作指令（底盤速度、機(jī)械臂末端速度等）。
RT-1 核心模型架構(gòu)是將指令和圖像 token 化，壓縮 token 后輸出動(dòng)作。RT-1 將機(jī)器人動(dòng)作各維度均勻離散化、詞元化，再使用監(jiān)督學(xué)習(xí)損失進(jìn)行訓(xùn)練。為實(shí)現(xiàn)視覺 - 語言模型對(duì)機(jī)器人的控制，研究采用簡(jiǎn)單方法：將機(jī)器人動(dòng)作表示為文本 token，與 Web 規(guī)模視覺 - 語言數(shù)據(jù)集共同訓(xùn)練。
PaLM-E：2023 年 3 月發(fā)布，展示了將圖像和語言大模型知識(shí)遷移至機(jī)器人領(lǐng)域的路徑。PaLM-E 融合 Google 當(dāng)時(shí)最新的大型語言模型 PaLM 和先進(jìn)視覺模型 ViT-22B，在純文本基礎(chǔ)上，將輸入數(shù)據(jù)擴(kuò)展至多模態(tài)（主要來自機(jī)器人傳感器，如圖像、機(jī)器人狀態(tài)、場(chǎng)景環(huán)境信息等），并輸出文本形式的機(jī)器人運(yùn)動(dòng)指令，進(jìn)行端到端訓(xùn)練。
PaLM-E 能將高層級(jí)任務(wù)拆分為語義邏輯合理的子任務(wù)，再依據(jù)已執(zhí)行步驟歷史記錄和當(dāng)前場(chǎng)景圖像觀察，生成下一步計(jì)劃。例如對(duì)于 “把抽屜里的薯片拿來給我” 的指令，PaLM-E 模型會(huì)輸出以下機(jī)器人運(yùn)動(dòng)指令：1、移動(dòng)到抽屜旁邊；2、打開抽屜；3、把薯片從抽屜里拿出來；4、把薯片帶到用戶旁邊；5、放下薯片；6、任務(wù)結(jié)束。
RT-2：2023 年 7 月發(fā)布，在 RT-1 基礎(chǔ)上升級(jí)，可直接理解復(fù)雜指令操控機(jī)械臂。RT-2 旨在融合 VLM 的數(shù)學(xué)、推理、識(shí)別能力與 RT1 的操作能力，通過自然語言得到最終動(dòng)作。Google 提出在機(jī)器人軌跡數(shù)據(jù)和互聯(lián)網(wǎng)級(jí)視覺語言任務(wù)上聯(lián)合微調(diào)視覺 - 語言模型的學(xué)習(xí)方式，由此產(chǎn)生的模型被稱為視覺 - 語言 - 動(dòng)作（VLA）模型，具備泛化到新對(duì)象、解釋命令以及根據(jù)用戶指令推理的能力。
RT-2 對(duì)輸出動(dòng)作進(jìn)行與 RT-1 相同的離散化操作，將詞元加入視覺 - 語言模型原有詞表，把動(dòng)作詞元視為另一種語言處理，無需改變?cè)幸曈X - 語言模型結(jié)構(gòu)設(shè)計(jì)。由于 RT-2 已在海量視覺問答任務(wù)中預(yù)訓(xùn)練，對(duì)圖片和任務(wù)指令理解經(jīng)驗(yàn)更豐富，在任務(wù)集合上泛化能力更強(qiáng)。例如在拾取、移動(dòng)、放置等具體任務(wù)中，智能體能夠精準(zhǔn)識(shí)別任務(wù)需求，憑借過往訓(xùn)練經(jīng)驗(yàn)準(zhǔn)確完成任務(wù)。
RT-X 系列：2023 年 10 月發(fā)布，該系列模型核心是讓機(jī)器人學(xué)習(xí)更多 “動(dòng)作”，提升任務(wù)泛化能力與成功率。谷歌構(gòu)建 Open X-Embodiment Dataset 數(shù)據(jù)庫，涵蓋從單機(jī)械臂到雙手機(jī)器人和四足機(jī)器人等 22 個(gè)類型、527 個(gè)機(jī)器人的 “動(dòng)作”。與 RT-1 相比，RT-1-X 任務(wù)完成成功率提升 50%；與 RT-2 相比，RT-2-X 展現(xiàn)出更好的任務(wù)泛化能力，成功率是之前最佳模型 RT-2 的三倍。這表明與其他平臺(tái)數(shù)據(jù)聯(lián)合訓(xùn)練，可為 RT-2-X 賦予原始數(shù)據(jù)集中沒有的技能，使其能夠執(zhí)行新任務(wù)。
RoboCat：2023 年 6 月發(fā)布，可通過自行生成訓(xùn)練數(shù)據(jù)集完善自身能力。谷歌將 Gato 架構(gòu)與大型訓(xùn)練數(shù)據(jù)集結(jié)合，該數(shù)據(jù)集包含各種機(jī)器人手臂的圖像序列和動(dòng)作，能解決數(shù)百個(gè)不同任務(wù)。首輪培訓(xùn)后，RoboCat 進(jìn)入 “自我提升” 培訓(xùn)周期，面對(duì)一系列全新任務(wù)，每個(gè)新任務(wù)學(xué)習(xí)遵循五個(gè)步驟：1）使用人類控制的機(jī)械臂收集 100 - 1000 個(gè)新任務(wù)或機(jī)器人演示；2）在新任務(wù) / 分支上微調(diào) RoboCat，創(chuàng)建專門衍生代理；3）衍生代理在新任務(wù) / 手臂上平均練習(xí) 10,000 次，生成更多訓(xùn)練數(shù)據(jù)；4）將演示數(shù)據(jù)和自生成數(shù)據(jù)整合到 RoboCat 現(xiàn)有訓(xùn)練數(shù)據(jù)集中；5）在新訓(xùn)練數(shù)據(jù)集上訓(xùn)練新版本 RoboCat。谷歌指出，RoboCat 完成一項(xiàng)新任務(wù)僅需 100 個(gè)演示，這種能力有助于加速機(jī)器人研究，減少對(duì)人類監(jiān)督訓(xùn)練的依賴，是邁向通用機(jī)器人的重要一步。
2.2.2 特斯拉：堅(jiān)守端到端算法路線，實(shí)現(xiàn)感知決策一體化
FSD（Full Self-Driving）即完全自動(dòng)駕駛，是特斯拉研發(fā)的自動(dòng)化輔助駕駛系統(tǒng)，目標(biāo)是實(shí)現(xiàn) L5 級(jí)自動(dòng)駕駛。FSD V12（Supervised）是全新 “端到端自動(dòng)駕駛”，模型架構(gòu)有重大變革。據(jù)特斯拉 CEO 埃隆?馬斯克稱，特斯拉 FSD V12（Supervised）人工干預(yù)頻率僅為 FSD V11 的百分之一。FSD V12（Supervised）完全借助神經(jīng)網(wǎng)絡(luò)控制車輛，從機(jī)器視覺到驅(qū)動(dòng)決策均由神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)。該神經(jīng)網(wǎng)絡(luò)由數(shù)百萬個(gè)視頻片段訓(xùn)練而成，取代了超 30 萬行 C++ 代碼。FSD V12（Supervised）降低了車機(jī)系統(tǒng)對(duì)代碼的依賴，使其決策過程更接近人類司機(jī)。
FSD V12 作為首個(gè)端到端自動(dòng)駕駛系統(tǒng)，實(shí)現(xiàn)感知決策一體化。特斯拉 FSD v12 采用端到端大模型，消除了自動(dòng)駕駛系統(tǒng)在感知和定位、決策和規(guī)劃、控制和執(zhí)行之間的界限，將三大模塊整合為一個(gè)大神經(jīng)網(wǎng)絡(luò)，直接從原始傳感器數(shù)據(jù)生成車輛操控指令，簡(jiǎn)化信息傳遞流程，減少延遲與誤差，提升系統(tǒng)敏捷性與準(zhǔn)確性。FSD V12 能夠模擬人類駕駛決策，開辟自動(dòng)駕駛領(lǐng)域新路徑，也被稱作 “Baby AGI（嬰兒版通用人工智能）”，旨在感知、理解現(xiàn)實(shí)世界的復(fù)雜性。
特斯拉將車端 FSD 技術(shù)遷移至人形機(jī)器人。端到端算法從汽車自動(dòng)駕駛遷移到人形機(jī)器人，基本無需額外工作，因?yàn)檐嚤举|(zhì)上也是一種機(jī)器人。早期特斯拉 Optimus 機(jī)器人使用與汽車相同的計(jì)算機(jī)和攝像頭，其汽車神經(jīng)網(wǎng)絡(luò)在機(jī)器人上運(yùn)行時(shí)，在辦公室移動(dòng)時(shí)仍試圖識(shí)別 “可駕駛空間”，而實(shí)際應(yīng)識(shí)別 “可行走空間”。這種通用化能力表明許多技術(shù)具有可遷移性，雖需微調(diào)，但大部分系統(tǒng)和工具通用。
2.2.3 字節(jié) GR-2：具備高效動(dòng)作預(yù)測(cè)與泛化能力
GR-2 訓(xùn)練分為預(yù)訓(xùn)練和微調(diào)兩個(gè)階段。GR-2 在 3800 萬個(gè)互聯(lián)網(wǎng)視頻片段上進(jìn)行生成式訓(xùn)練，因而得名 GR-2（Generative Robot 2.0）。這些視頻來自學(xué)術(shù)公開數(shù)據(jù)集，涵蓋人類在家庭、戶外、辦公室等不同場(chǎng)景的日?；顒?dòng)，助力 GR-2 快速學(xué)習(xí)人類日常生活動(dòng)態(tài)與行為模式。這種預(yù)訓(xùn)練方式賦予 GR-2 學(xué)習(xí)多種操作任務(wù)、在多種環(huán)境泛化的潛能，使其積累了豐富知識(shí)，加深對(duì)世界的理解。
在微調(diào)階段，GR-2 通過幾項(xiàng)關(guān)鍵改進(jìn)提升實(shí)際任務(wù)表現(xiàn)。其一，引入數(shù)據(jù)增強(qiáng)技術(shù)，改變訓(xùn)練數(shù)據(jù)背景和物體，增強(qiáng)其在未知環(huán)境的泛化能力；其二，通過多視角訓(xùn)練，利用不同角度視覺數(shù)據(jù)，提升在復(fù)雜場(chǎng)景操作的靈活性與準(zhǔn)確性；其三，為保證動(dòng)作流暢，GR-2 使用條件變分自編碼器（cVAE）生成連續(xù)、平滑的動(dòng)作序列，確保任務(wù)執(zhí)行高效精準(zhǔn)。
經(jīng)過大規(guī)模預(yù)訓(xùn)練，在機(jī)器人軌跡數(shù)據(jù)上微調(diào)后，GR-2 能夠預(yù)測(cè)動(dòng)作軌跡并生成視頻。其視頻生成能力使其在動(dòng)作預(yù)測(cè)方面優(yōu)勢(shì)顯著，準(zhǔn)確率大幅提升。只需輸入一幀圖片和一句語言指令，如 “pick up the fork from the left of the white plate”，GR-2 就能預(yù)測(cè)未來視頻并生成相應(yīng)動(dòng)作軌跡。實(shí)際運(yùn)行中，機(jī)械臂能夠準(zhǔn)確從白盤子左側(cè)抓起叉子，預(yù)測(cè)視頻與真機(jī)運(yùn)行效果高度一致。
GR-2 的強(qiáng)大之處不僅體現(xiàn)在完成已知任務(wù)，更在于面對(duì)未知場(chǎng)景、物體時(shí)的泛化能力。無論全新環(huán)境、物體還是任務(wù)，GR-2 都能迅速適應(yīng)并解決問題。在多任務(wù)學(xué)習(xí)測(cè)試中，GR-2 可完成 105 項(xiàng)不同桌面任務(wù)，平均成功率達(dá) 97.7%。此外，GR-2 還能與大語言模型結(jié)合，完成復(fù)雜長(zhǎng)任務(wù)，與人類互動(dòng)，穩(wěn)健應(yīng)對(duì)環(huán)境干擾，在變化環(huán)境中成功完成任務(wù)。
在實(shí)際應(yīng)用方面，GR-2 相比前一代取得重大突破，能夠端到端完成兩個(gè)貨箱間的物體揀選。無論是透明、反光、柔軟物體，還是其他具有挑戰(zhàn)性的物體，GR-2 均能精準(zhǔn)抓取，展現(xiàn)出在工業(yè)領(lǐng)域和真實(shí)倉儲(chǔ)場(chǎng)景的應(yīng)用潛力。GR-2 不僅能處理 100 余種不同物體，如螺絲刀、橡膠玩具、羽毛球，甚至一串葡萄和一根辣椒，在從未見過的場(chǎng)景和物體上也表現(xiàn)出色。
2.3 具身大模型面臨的關(guān)鍵挑戰(zhàn)
2.3.1 關(guān)鍵挑戰(zhàn)一：泛化性薄弱
當(dāng)下的具身大模型在面對(duì)未知環(huán)境與任務(wù)時(shí)，普遍存在泛化能力欠佳的狀況。具身任務(wù)常常涉及種類繁多的實(shí)體類型以及動(dòng)態(tài)變化的環(huán)境因素，一旦智能體與環(huán)境的動(dòng)力學(xué)參數(shù)發(fā)生改變，現(xiàn)有的具身策略便難以直接適用。以 RT-2 為例，在谷歌山景城辦公室廚房環(huán)境中進(jìn)行測(cè)試時(shí)，RT-2 展現(xiàn)出極高的任務(wù)執(zhí)行成功率，近乎 98%。然而，一旦將場(chǎng)景切換至施工工地、嘈雜后廚這類復(fù)雜環(huán)境，其成功率便急劇下降，僅能達(dá)到 30% 左右。導(dǎo)致泛化性不足的原因是多方面的：其一，數(shù)據(jù)量匱乏，目前機(jī)器人操作領(lǐng)域的數(shù)據(jù)規(guī)模，與互聯(lián)網(wǎng)數(shù)據(jù)量級(jí)相差甚遠(yuǎn)；其二，對(duì)錯(cuò)誤的容忍度極低，機(jī)器人操作相較于語言模型，對(duì)精度的要求更為嚴(yán)苛；其三，推理頻率不夠，大模型在實(shí)時(shí)操作過程中的表現(xiàn)，仍有待進(jìn)一步提升；其四，在保證數(shù)據(jù)多樣性的同時(shí)維持訓(xùn)練穩(wěn)定性，始終是一項(xiàng)極具挑戰(zhàn)性的難題。
2.3.2 關(guān)鍵挑戰(zhàn)二：實(shí)時(shí)性欠佳
當(dāng)前大模型在具身策略的決策環(huán)節(jié)存在實(shí)時(shí)性問題。機(jī)器人控制的準(zhǔn)確性，不僅取決于系統(tǒng)計(jì)算得出的邏輯結(jié)果，還與結(jié)果產(chǎn)生的時(shí)間緊密相關(guān)，正所謂 “遲到的結(jié)果并非正確的結(jié)果”。以 Figure 機(jī)器人為例，從其呈現(xiàn)的視頻中可以觀察到，存在約 2 - 3 秒的延遲時(shí)長(zhǎng)。這是因?yàn)樗捎昧?Pipeline、管道型路線，即自然語言指令發(fā)送后，機(jī)器人 “大腦” 需要時(shí)間去理解并生成指令，再由指令控制機(jī)器人動(dòng)作。而谷歌 RT - 2 的推理和控制指令生成速率僅能達(dá)到 1~5Hz，輸出運(yùn)動(dòng)頻率也只有 1 - 3Hz，致使機(jī)器人的 “反射弧” 長(zhǎng)達(dá) 0.3 秒甚至 1 秒，這與人類反應(yīng)速度以及眾多實(shí)際應(yīng)用場(chǎng)景的需求相比，差距明顯。
2.3.3 關(guān)鍵挑戰(zhàn)三：數(shù)據(jù)收集與合成數(shù)據(jù)的運(yùn)用
真實(shí)數(shù)據(jù)收集與標(biāo)注：端到端算法需要大量連續(xù)時(shí)序的駕駛行為視頻進(jìn)行標(biāo)注，而在人形機(jī)器人領(lǐng)域，這種數(shù)據(jù)收集、標(biāo)注以及閉環(huán)驗(yàn)證的過程同樣困難重重。人形機(jī)器人需要應(yīng)對(duì)更為復(fù)雜的環(huán)境與任務(wù)，使得數(shù)據(jù)收集的難度和成本大幅攀升。與此同時(shí)，鑒于人形機(jī)器人操作具有較高風(fēng)險(xiǎn)性，對(duì)數(shù)據(jù)標(biāo)注準(zhǔn)確性的要求也相應(yīng)更高。因此，人形機(jī)器人需要海量真實(shí)的人類實(shí)際數(shù)據(jù)集用于訓(xùn)練。
動(dòng)作捕捉技術(shù)和 VR 遠(yuǎn)程操作是實(shí)現(xiàn)人形機(jī)器人擬人化動(dòng)作數(shù)據(jù)采集的有效手段。動(dòng)作捕捉技術(shù)通過在人體關(guān)鍵部位粘貼反光標(biāo)記點(diǎn)，或者運(yùn)用慣性傳感器等方式，精確捕捉人體的運(yùn)動(dòng)姿態(tài)和動(dòng)作數(shù)據(jù)。VR 遠(yuǎn)程操控技術(shù)則是人類佩戴 VR 眼鏡和手套，通過遠(yuǎn)程操作的方式來采集機(jī)器人數(shù)據(jù)。這些采集到的數(shù)據(jù)可用于訓(xùn)練人形機(jī)器人的動(dòng)作模型，使其能夠模擬出近似人類的動(dòng)作與行為。
合成數(shù)據(jù)的生成和使用：根據(jù)擴(kuò)展法則（Scaling Law），機(jī)器人數(shù)據(jù)集的規(guī)模大小在很大程度上決定了其性能優(yōu)劣。真實(shí)數(shù)據(jù)采集往往耗費(fèi)大量人力、物力成本，與之相比，合成數(shù)據(jù)僅依靠 AI 算法即可實(shí)現(xiàn)數(shù)據(jù)生成，不僅數(shù)據(jù)采集速度快，而且成本低廉。
此外，人形機(jī)器人面臨著場(chǎng)景復(fù)雜性與模型泛化能力的雙重挑戰(zhàn)，在這種情況下，合成數(shù)據(jù)構(gòu)建的世界模型便發(fā)揮出重要作用。自動(dòng)駕駛場(chǎng)景相對(duì)較為結(jié)構(gòu)化，主要操作多在可預(yù)測(cè)、規(guī)范化的環(huán)境中進(jìn)行。而人形機(jī)器人的應(yīng)用場(chǎng)景極為多樣，涵蓋工廠、家庭、辦公室等，對(duì)泛化能力的要求遠(yuǎn)高于自動(dòng)駕駛汽車。基于世界模型生成高質(zhì)量的動(dòng)作視頻和規(guī)劃策略，在仿真環(huán)境中模擬各類復(fù)雜場(chǎng)景，有助于提升系統(tǒng)的魯棒性。
不過，合成數(shù)據(jù)生成過程中的關(guān)鍵問題在于，如何維持?jǐn)?shù)據(jù)集的熵和多樣性，避免生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)差異過大，或者出現(xiàn)樣式單一的情況。
三、機(jī)器人“大腦”的外延：云計(jì)算與邊緣計(jì)算
機(jī)器人的 “大腦” 以具身大模型為核心，其外延技術(shù)涵蓋多模態(tài)融合、大規(guī)模數(shù)據(jù)集、云邊端一體計(jì)算架構(gòu)等多個(gè)方面。具體而言，多模態(tài)融合感知技術(shù)能夠把視覺、觸覺等不同模態(tài)的數(shù)據(jù)直接輸入深度神經(jīng)網(wǎng)絡(luò)，通過聯(lián)合學(xué)習(xí)實(shí)現(xiàn)多模態(tài)信息的無縫銜接，從而獲取更為全面、精準(zhǔn)的環(huán)境表征。大規(guī)模數(shù)據(jù)集為模型賦予廣泛的先驗(yàn)知識(shí)，使其得以應(yīng)對(duì)復(fù)雜多變的現(xiàn)實(shí)環(huán)境。具身大模型借助在海量多模態(tài)數(shù)據(jù)上的預(yù)訓(xùn)練，將多模態(tài)輸入映射至統(tǒng)一的語義空間，并在此基礎(chǔ)上開展任務(wù)理解、決策規(guī)劃等高層認(rèn)知活動(dòng)。云邊端一體計(jì)算架構(gòu)通過軟硬件協(xié)同設(shè)計(jì)，針對(duì)機(jī)器人應(yīng)用特點(diǎn)進(jìn)行優(yōu)化，能夠顯著提升系統(tǒng)的實(shí)時(shí)性、能效比與可靠性，充分發(fā)揮云、邊、端不同層級(jí)計(jì)算資源的優(yōu)勢(shì)，實(shí)現(xiàn)具身大模型推理與多模態(tài)感知的高效協(xié)同。
3.1 機(jī)器人 “大腦” 的運(yùn)行保障：云計(jì)算
3.1.1 大模型深度賦能機(jī)器人，云計(jì)算提供算力及存儲(chǔ)
“云計(jì)算” 屬于分布式計(jì)算的一種，它通過網(wǎng)絡(luò) “云” 將龐大的數(shù)據(jù)計(jì)算處理程序拆解為無數(shù)小程序，再由多部服務(wù)器組成的系統(tǒng)對(duì)這些小程序進(jìn)行處理、分析，最終將結(jié)果反饋給用戶。用戶能夠通過網(wǎng)絡(luò)以按需、易擴(kuò)展的方式獲取所需資源。依據(jù)服務(wù)類型，云計(jì)算主要可劃分為三層：
IaaS（基礎(chǔ)設(shè)施即服務(wù)）：為企業(yè)提供 IT 基礎(chǔ)設(shè)施，像服務(wù)器、存儲(chǔ)設(shè)備等。
PaaS（平臺(tái)即服務(wù)）：提供計(jì)算、網(wǎng)絡(luò)、開發(fā)工具等資源，用于工具及應(yīng)用程序的創(chuàng)建。
SaaS（軟件即服務(wù)）：指通過互聯(lián)網(wǎng)按需提供軟件應(yīng)用程序。
AI 與大模型對(duì)機(jī)器人進(jìn)行深度賦能，產(chǎn)生明確的算力需求，而云計(jì)算能夠提供算力與存儲(chǔ)空間。例如，谷歌在 2023 年 3 月推出的 PaLM-E 模型，融合了 ViT Vision Transformer 的 220 億參數(shù)與 PaLM 的 5400 億參數(shù)，具備控制機(jī)器人視覺和語言的能力；以 ChatGPT 為代表的 NLP 領(lǐng)域的革命性進(jìn)展，未來將助力機(jī)器人語音語義分析及交互模塊的優(yōu)化，強(qiáng)大的語義模型有助于泛通用機(jī)器人理解更復(fù)雜指令與目標(biāo)，進(jìn)而做出更契合人類期望的決策。云計(jì)算能夠?yàn)?AI、大模型與機(jī)器人的融合提供強(qiáng)大的計(jì)算能力、數(shù)據(jù)存儲(chǔ)空間，以及隨時(shí)隨地獲取所需資源和算法支持的靈活性與可拓展性。
3.1.2 云計(jì)算機(jī)器人及市場(chǎng)規(guī)模
云機(jī)器人技術(shù)是指運(yùn)用云計(jì)算（如云存儲(chǔ)、云處理等）以及其他相關(guān)技術(shù)（如大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等）來增強(qiáng)機(jī)器人功能的所有技術(shù)。本地機(jī)器人、網(wǎng)絡(luò)連接和云服務(wù)器是云機(jī)器人架構(gòu)的三大關(guān)鍵組成部分。
本地機(jī)器人：主要負(fù)責(zé)直接與環(huán)境交互，包括接收傳感器輸入（如視覺、觸覺、聲音等）并執(zhí)行動(dòng)作。本地機(jī)器人通常具備一定基礎(chǔ)計(jì)算能力，能夠進(jìn)行簡(jiǎn)單的數(shù)據(jù)處理和決策。此外，本地機(jī)器人需要配備網(wǎng)絡(luò)接口，以便連接到云端。
網(wǎng)絡(luò)連接：作為本地機(jī)器人與云服務(wù)器之間的紐帶，負(fù)責(zé)數(shù)據(jù)和指令的傳輸。網(wǎng)絡(luò)連接需具備足夠帶寬，以支持大量數(shù)據(jù)傳輸，同時(shí)要具備高度可靠性和安全性，確保數(shù)據(jù)準(zhǔn)確無誤且安全無虞。
云服務(wù)器：是云機(jī)器人架構(gòu)的核心，提供大規(guī)模數(shù)據(jù)存儲(chǔ)和強(qiáng)大計(jì)算能力。云服務(wù)器可運(yùn)行各類軟件和服務(wù)，如數(shù)據(jù)分析工具、機(jī)器學(xué)習(xí)模型、數(shù)據(jù)庫等。借助云服務(wù)器，機(jī)器人能夠共享數(shù)據(jù)，利用強(qiáng)大計(jì)算資源執(zhí)行復(fù)雜任務(wù)。
以賽特智能推出的智塞拉為例，這是一款專為醫(yī)療領(lǐng)域打造的智能配送機(jī)器人，其強(qiáng)大功能和獨(dú)特的云機(jī)器人架構(gòu)有效提升了醫(yī)療服務(wù)的效率與質(zhì)量。智塞拉的本地機(jī)器人部分，配備了大容量箱體、高清雙目攝像頭、高精度定位導(dǎo)航系統(tǒng)、感知避障系統(tǒng)（超聲波雷達(dá)、激光雷達(dá)等）以及無線網(wǎng)絡(luò)連接模塊，這款自動(dòng)駕駛電動(dòng)車具備實(shí)時(shí)感知和自我導(dǎo)航能力。通過無線局域網(wǎng) / 4G/5G，智塞拉與云服務(wù)器實(shí)現(xiàn)無縫對(duì)接。其對(duì)接的云端包含醫(yī)院管理系統(tǒng)和配送路線規(guī)劃系統(tǒng)，使智塞拉在實(shí)現(xiàn)藥品追溯和人員追溯的同時(shí)，還能自主調(diào)用電梯，并在空閑時(shí)自動(dòng)返回充電。
根據(jù) Global Market insights 統(tǒng)計(jì)，2022 年全球云機(jī)器人市場(chǎng)規(guī)模達(dá) 41 億美元，預(yù)計(jì) 2023 年至 2032 年的復(fù)合增長(zhǎng)率將超過 22.5%。其中，由于 SaaS 服務(wù)為企業(yè)提供了經(jīng)濟(jì)高效且可擴(kuò)展的云機(jī)器人功能訪問方式，為企業(yè)節(jié)省了大量基礎(chǔ)設(shè)施和軟件開發(fā)方面的前期投資，因此在市場(chǎng)中占據(jù)最大份額，超過 42%。隨著云機(jī)器人市場(chǎng)規(guī)模持續(xù)擴(kuò)大，云計(jì)算相關(guān)基礎(chǔ)設(shè)施有望充分受益。
3.2 機(jī)器人集群智能的核心：邊緣計(jì)算
云計(jì)算是為機(jī)器人等終端設(shè)備提供算力的主要方式，但在數(shù)據(jù)傳輸成本、時(shí)延、安全性等方面存在一定局限，這為邊緣計(jì)算提供了發(fā)展空間。
首先，大型數(shù)據(jù)中心存在增量算力邊際遞減現(xiàn)象，單位算力成本的上升將制約 “集中式” 算力的發(fā)展；其次，網(wǎng)絡(luò)性能會(huì)限制數(shù)據(jù)中心算力的發(fā)揮，長(zhǎng)距離數(shù)據(jù)傳輸會(huì)導(dǎo)致較高時(shí)延；最后，安全性也是不容忽視的因素。以工業(yè)機(jī)器人為例，部分工廠的設(shè)備管理人員出于防止信息竊取或工廠運(yùn)行遭到破壞等極端情況的考慮，不會(huì)將機(jī)器人、傳感器等設(shè)備的數(shù)據(jù)全部通過互聯(lián)網(wǎng)上傳至云端。邊緣計(jì)算的處理能力更接近設(shè)備或數(shù)據(jù)源，能夠?qū)崿F(xiàn)更低時(shí)延、更好隱私保護(hù)以及更優(yōu)成本控制。因此，“云 - 邊” 計(jì)算結(jié)合的模式能夠助力機(jī)器人突破網(wǎng)絡(luò)環(huán)境限制，大幅縮短響應(yīng)時(shí)間，提升其在復(fù)雜場(chǎng)景中的自適應(yīng)能力與應(yīng)用價(jià)值。
目前，集成了邊緣算力的模組正逐漸成為支撐機(jī)器人邊緣算力的核心形式。例如，在第六屆中國(guó)國(guó)際進(jìn)口博覽會(huì)上，德州儀器展示了搭載 TDA4x 處理器的達(dá)明 TM5S 協(xié)作機(jī)器人，基于 TDA4x 高效穩(wěn)定的數(shù)據(jù)處理能力，機(jī)械臂能夠識(shí)別鋪?zhàn)廊说膭?dòng)作并進(jìn)行相應(yīng)模仿，展現(xiàn)了智能制造場(chǎng)景下的創(chuàng)新應(yīng)用。特斯拉針對(duì) Optimus 機(jī)器人研發(fā)的 DOJO D1 芯片也發(fā)揮著類似作用。
國(guó)內(nèi)廠商也在積極探索，如 2023 年 5 月中科創(chuàng)達(dá)發(fā)布的 Rubik 魔方大模型，與公司產(chǎn)品、業(yè)務(wù)緊密融合，提升了邊緣計(jì)算在自然語言、圖形圖像處理、個(gè)性化推薦等領(lǐng)域的準(zhǔn)確性與效率。據(jù)公司官網(wǎng)介紹，中科創(chuàng)達(dá)將智能音箱與機(jī)器人融合，通過模擬大模型訓(xùn)練，實(shí)現(xiàn)了可自由對(duì)話的智能銷售機(jī)器人。
3.3 建議與風(fēng)險(xiǎn)
2025 年人形機(jī)器人行業(yè)邁入小批量量產(chǎn)階段，全球?qū)⒂袛?shù)千臺(tái)人形機(jī)器人進(jìn)入工廠場(chǎng)景進(jìn)行訓(xùn)練，這將加速人形機(jī)器人 “大腦” 的發(fā)展。目前人形機(jī)器人硬件端技術(shù)路線逐漸趨于一致，軟件端 “大腦” 智能水平的提升有望成為提升人形機(jī)器人自主性與泛化性的核心驅(qū)動(dòng)力。建議關(guān)注以下幾類公司：
“大腦” 領(lǐng)域：布局大模型與機(jī)器人業(yè)務(wù)融合的公司，如科大訊飛、中科創(chuàng)達(dá)、螢石網(wǎng)絡(luò)、柏楚電子、華依科技、芯動(dòng)聯(lián)科、漢王科技等。
AI + 機(jī)器人領(lǐng)域：具備高壁壘的公司，如 3D 視覺領(lǐng)域的奧比中光、大腦域控制芯片的天準(zhǔn)科技、新型傳感器的峰岹科技等。
同步受益的機(jī)器人本體公司：如總成方案提供商三花智控、拓普集團(tuán)等。
風(fēng)險(xiǎn)提示：
機(jī)器人算法迭代進(jìn)步速度不及預(yù)期：機(jī)器人算法的進(jìn)步并非呈線性發(fā)展，在某些數(shù)據(jù)缺失的情況下，算法訓(xùn)練的進(jìn)展可能會(huì)放緩。
人形機(jī)器人落地場(chǎng)景實(shí)際需求不及預(yù)期：機(jī)器人的實(shí)際應(yīng)用場(chǎng)景需結(jié)合 B 端 / C 端客戶的實(shí)際付費(fèi)意愿，可能與仿真環(huán)境模擬的使用場(chǎng)景存在差異。
市場(chǎng)競(jìng)爭(zhēng)加?。?/strong>人形機(jī)器人產(chǎn)業(yè)正處于快速發(fā)展的起步階段，潛力巨大。若其他此前未涉足相關(guān)業(yè)務(wù)的公司進(jìn)入市場(chǎng)，可能導(dǎo)致市場(chǎng)競(jìng)爭(zhēng)加劇，影響現(xiàn)有市場(chǎng)參與者的收入和利潤(rùn)率水平。
· 鈦祺智庫·
1、如欲獲取完整版PDF文件，可以關(guān)注鈦祺汽車官網(wǎng)—>智庫，也可以添加鈦祺小助理微信，回復(fù)“報(bào)告名稱：汽車智能駕駛行業(yè)深度報(bào)告：端到端與AI共振，智駕平權(quán)開啟新時(shí)代 ”
2、鈦祺智庫目前已收錄2000+篇汽車行業(yè)最新技術(shù)報(bào)告，供行業(yè)朋友查閱、參考。
3、鈦祺智庫持續(xù)更新、收錄行業(yè)深度技術(shù)文章、研究報(bào)告，并不定期上傳行業(yè)專家特約文章，為汽車行業(yè)朋友提供專業(yè)支持。
請(qǐng)注冊(cè)賬號(hào)，免費(fèi)下載報(bào)告：https://doc.taiqiol.com/m/Register.aspx；
熱門跟貼