文章核心观点 - 具身智能已成为全球焦点 重点关注开发机器人"大脑"系统的企业 包括具身大模型和多模态感知决策系统 [2][3] 国内公司技术布局 - 自变量机器人聚焦通用具身大模型研发 采用端到端技术路线 成立不到两年完成8轮融资 [4][6] - 星海图专注于智能导航技术 坚持"一脑多形"理念 开发具身基础模型EFM-1采用快-慢双系统架构 [5][6] - 优必选拥有全栈自研能力 Thinker大模型在三大国际权威基准测试中斩获四项全球第一 [7][10] - 智元机器人发布启元大模型 采用VILLA架构 任务成功率较市面模型提升32% 支持跨本体应用 [8][10] - 银河通用构建三大技术壁垒 自主研发全球首个通用具身大模型 采用大脑+小脑协同框架 [9][10] - 千寻智能开发Spirit V1 VLA模型 国内首个攻克柔性物体长程操作难题的AI模型 [11][14] - 星动纪元研发端到端原生机器人大模型ERA-42 支持机器人完成超过100种动态任务 [12][14] - 逐际动力聚焦本体硬件设计制造 基于强化学习的全身运动控制和具身大脑训练范式 [13][14] - 穹彻智能开发Noematrix Brain 2.0 新增实体概念学习能力 支持3D模仿学习框架和视-触觉融合网络 [15][17] - 智源研究院推出RoboBrain 2.0 以70亿和320亿参数规格实现感知 推理与规划能力统一 [16][17] 国外公司技术突破 - Figure AI开发Helix模型 采用独特双系统AI架构模仿人类直觉和思考认知模式 [18] - Physical Intelligence发布π0通用机器人基础模型 采用预训练+后训练模式 π0.5采用知识隔离训练方法提升泛化能力 [19][22] - 谷歌DeepMind推出Gemini Robotics系列 具备通用性 交互性和灵巧性 Project Astra体现具身智能在人机交互应用 [20][22] - 英伟达开发Eureka系统基于GPT-4打造 支持30余种复杂动作 GR00T N1采用双系统架构实现接近人类运动控制能力 [21][26] - Skild AI研发Skild Brain分层架构 适用于各种四足机器人 人形机器人和移动机械手 [23][26] - Covariant开发RFM-1模型 参数80亿 是世界首个基于真实任务数据训练的机器人大模型 [24][26] 知名研究团队贡献 - Meta和CMU联合打造RoboAgent 采用多任务动作分块Transformer架构恢复高性能策略 [25][26] - 斯坦福李飞飞团队开发VoxPoser 利用VLM和LLM常识知识实现零样本机器人操纵 [25][26]

具身智能训练范式突破 - 逐际动力推出LimX DreamActor方案 融合仿真数据和真机数据 实现Real2Sim2Real与真机强化学习深度融合[3] - 采用四步训练流程：手机采集现实环境数据→三维重建赋予物理参数→仿真环境大规模训练→真机强化学习微调[7][9][11][13] - 显著降低训练门槛 使用消费级设备替代高精度专业设备 成本降低一个数量级[7][16] 多元数据策略优势 - 突破单一数据局限：真机数据昂贵 仿真数据真实性不足 视频数据缺乏物理属性[3][17] - 实现数据效率最大化 通过优化数据配比提升"数据-性能ROI" 不以数据量而以性能提升为评价标准[21][23] - 支持跨平台泛化能力 机器人可适应不同桌子、杯子或房间等场景变化[11] 技术实现路径 - 三维重建技术实现几何、物理、尺度和坐标四重对齐 确保仿真环境与现实一致[9] - 真机强化学习(RL)技术保障部署可靠性 实现低样本高效学习和Sim2Real泛化[16][18] - 仿真训练阶段可大规模生成3D资产 低成本扩展数据量[22] 行业应用前景 - 为创新者、开发者和系统集成商提供低成本高效率工具 推动技术从实验室走向科研、制造和家庭场景[25] - 破解虚实数据协同平衡点 加速具身智能大规模应用进程[25] - 与早期视频数据方案LimX VGM形成技术互补 完善多元数据配方策略[21]