2024 年人形機器人最具突破性的進展主要體現在具身智能領域：3 月，Covariant 發 布端到端具身大模型 RFM-1，具身智能創業團隊 Sergey Levine 和 Chelsea Finn 創 立 Pi（Physical Intelligence），Figure AI 發布接入 OpenAI GPT-4V 的 Figure 01 demo。4 月，李飛飛創立 World Labs，致力于解決 AI 在三維空間感知和理解方面的 難題。5 月，特斯拉發布視頻，展示 Optimus 精準分揀特斯拉電動車 4680 電池的場 景，使用完全端到端神經網絡，只利用 2D 攝像頭視頻和機載自傳感器，直接生成關 節控制序列，完全靠視覺輔助和人類示范進行訓練。國內人形機器人產業硬件供應鏈 優勢明顯，在具身智能、數據采集、人才領域的短板需要補齊。

分層端到端是目前具身智能的主要路徑。大模型分為非具身大模型（基礎大模型）、 具身智能大模型（機器人大模型），區別是能否生成運動姿態。非具身大模型如 GPT、 Sora 等，輸入和輸出的模態都是語言、圖片和視頻。具身智能大模型輸入視覺、語 言信號，輸出三維物理世界的操作，其中，端到端的具身大模型對數據和算力要求高， 如 Tesla FSD、谷歌 RT 模型；Figure AI 等大多數公司都采取了分層端到端的具身 大模型，一般分為三層：基礎大模型（LLM 或 VLM）、決策大模型、操作大模型，其中 決策大模型以 ChatGPT for Robotics、谷歌 PaLM-E 為代表，技術方向從 LLM 向強 化學習（RL）演進，基于 RL 的范式可以使模型能夠在不同環境和任務中學習和適應， 實現更高級的決策能力。操作大模型根據決策大模型的輸出執行具體動作，需要與機器人硬件深度集成，且必須通過數據采集來實現，技術方向從“MPC+WBC”向“RL+仿 真”演進，MPC 更適合具有精確模型和短期優化目標的場景，RL 更適用于不確定性 高、需要長期學習和自適應的環境。在操作大模型領域，大多數廠商都剛起步。

數據采集的主要方式：遠程操作、仿真合成數據。互聯網上各類文本、圖像和視頻數 據集龐大，機器人的場景和交互有價值的數據量小，限制了 AI 模型在人形機器人上 的泛化能力。特斯拉 Tesla Bot 開發團隊使用人類的真實運動方式來訓練機器人，英 偉達推出 MimicGen 和 Robocasa 模型，通過真人的遙操作數據捕獲，再通過生成合成運動數據和模擬環境，加速機器人技術的研發和應用。國內人形機器人創新中心加速建設人形機器人訓練場。

具身智能估值邏輯：硬件、數據、模型、人才。硬件是一切的基礎，如果沒有自己的 硬件，就無法根據算法和數據進行硬件的快速優化和修改。涉及數據的采集、組織管 理以及與模型的閉環開發，需要有強大組織能力的團隊，核心團隊需要具備組織大規模工程師的經驗；越來越多的算法陸續開源，開源算法可以提供基礎的功能和技術， 但要實現高質量、高性能的人形機器人，需要專業的算法團隊進行深入研究和開發。

附件：機器人的大腦—具身智能，生成運動姿態，實現更高級的決策能力