东吴证券：
《机器人大模型行业深度报告：我们距离真正的具身智能大模型还有多远？》

（完整版.pdf ）
以下仅展示部分内容
下载方式见文末

一、报告核心定位与核心问题

《机器人大模型行业深度报告：我们距离真正的具身智能大模型还有多远？》由东吴证券出品，聚焦人形机器人智能化核心痛点，围绕 “为何需要高智能大模型”“当前技术进展如何”“未来发展方向是什么” 三大核心问题，系统剖析具身智能大模型的技术架构、数据支撑、产业格局与投资机会。报告指出，人形机器人产业化落地的关键在于摆脱传统工业机器人 “控制刚、泛化弱” 的局限，而具身智能大模型正是补足不确定性理解与适应能力的核心，当前行业智能化普遍处于 L2 初级阶段，通往泛化智能仍需突破建模方法、数据规模与训练范式等多重挑战。

二、人形机器人为何需要高智能大模型？

（一）形态并非核心难点，通用智能是关键

人形机器人的形态工程早已成熟，本田 ASIMO、波士顿动力 Atlas 等早期产品已具备出色运动能力，但均依赖预设行为库，缺乏对环境的感知、任务的理解与泛化能力，本质是 “人形的机器” 而非 “具备人类智能的机器人”。本轮产业热潮的核心驱动力，是市场对机器人 “智能性” 的高度期待，多模态大模型的突破使机器人首次具备 “感知 - 理解 - 决策” 的潜力，成为拥有 “大脑” 的关键起点。

（二）大模型开启智能进化，撬动 0-1 落地

大语言模型（LLM）验证了大规模文本训练的推理可行性，视觉语言模型（VLM）拓展了跨模态统一表征能力，而动作模态的融入则赋予机器人执行操作的能力。初级具身智能模型的出现，使机器人可在特定场景落地应用，并通过 “收集数据 - 改进模型 - 提升产品 - 获取更多数据” 的数据飞轮，开启迭代加速期，实现从 0-1 到 1-100 的演化。

（三）当前智能水平有限，泛化能力待突破

根据《人形机器人智能化分级》标准，智能水平从 L1-L5 分为五级，涵盖感知认知、决策学习、执行表现、协作交互四大维度。目前主流产品普遍处于 L2 阶段，仅能实现 “固定任务 + 微调”，尚未具备自主泛化与应变能力，距离真正的通用智能仍有较长路径，需在技术、数据体系和生态协同上持续积累。

三、具身智能大模型的技术进展：架构与数据双轮驱动

（一）架构端演进：从模块化到端到端，动作频率持续提升

具身智能大模型的架构演进围绕多模态融合、动作频率提升、泛化能力增强三条主线展开，形成多代际技术迭代：

1. 早期模块化架构：2022 年 Google 发布的 SayCan 模型，通过 LLM 拆解自然语言指令，结合可行性模型评估动作候选，实现 “说得通也做得到” 的人机交互，但存在语义脱节、迁移成本高、缺乏自主重规划能力等局限；
2. 端到端控制模型：同年 Google 推出 RT-1 模型，基于 Transformer 架构，将图像与语言联合编码输出动作 Token，在 700 余项任务中平均成功率达 97%，但受限于任务平台耦合、语义理解能力弱；
3. 多模态具身模型：2023 年 Google 发布 PaLM-E，融合语言、视觉和传感器状态信息，实现高层推理与决策生成，可完成 “分类推积木” 等复杂任务，但模型体量庞大、训练成本高，低层控制仍依赖预设策略；
4. 动作信息融入 VLM：2023 年 RT2 模型将动作信息转化为语言 Token 纳入 VLM 训练，构成端到端 VLA 架构，泛化能力显著提升，但动作输出频率仅 1-5Hz，难以满足实际工作需求；
5. 动作专家增强：2024 年 π0 模型引入 FlowMatch 动作专家，动作输出频率提升至 50Hz，稳定性和成功率大幅提高，适配复杂环境处理，但尚未达到 100Hz 的复杂场景需求；
6. 快慢脑并行架构：2025 年 Helix 模型采用 “慢脑（7B 参数量 VLM 负责高层分析）+ 快脑（80M 参数量 Transformer 负责实时执行）” 架构，动作输出频率突破 200Hz，实现零样本多机器人协同，首次涌现任意物品拾取能力。

此外，架构优化方向还包括 FiS-VLA 的双系统融合设计，将 VLM 末端模块重构为执行模块，提升协同效率与动作稳定性。

（二）数据端支撑：三类数据协同，动捕设备成关键

数据是具身智能大模型训练的核心燃料，遵循三大 Scaling 法则（预训练 Scaling、后训练 Scaling、推理阶段 Scaling），形成 “互联网数据 + 仿真数据 + 真实数据” 的金字塔结构：

1. 互联网数据：位于金字塔基座，以海量未标记视频为主，获取成本极低，适用于预训练阶段，但场景泛化难，监督学习标注成本高；
2. 仿真数据：居于中间层，通过英伟达 Isaac 等平台生成，具备成本低、效率高、场景切换灵活等优势，可零成本生成完美标签，多用于模型冷启动，但存在 Sim2Real Gap（仿真与现实对齐难题）和过拟合风险；
3. 真实数据：位于金字塔顶端，通过遥操作或动捕设备采集，数据质量最高，是后训练阶段提升实用性的关键，但采集效率低、成本高昂。

真机数据采集高度依赖动捕设备，分为光学动捕与惯性动捕两类：光学动捕以亚毫米级精度适配集中式训练场，代表企业包括凌云光、青瞳视觉；惯性动捕部署灵活、成本较低，适用于中低精度场景，代表企业有诺亦腾、Xsens。行业普遍采用 “仿真 + 真机” 混合训练模式，数据占比差异显著，智元机器人实现 100% 真机数据驱动，北京人形机器人创新中心则采用 7:3 的仿真数据占比。

四、具身智能大模型的未来发展方向

（一）模态扩展：融入更多感知通道

当前主流模型以视觉、语言、动作三模态为主，未来将引入触觉、温度等更多模态，构筑更真实的世界模型。触觉模态已成为重点突破方向，VTLA（视觉 - 触觉 - 语言 - 动作）模型相关技术储备已在戴盟、帕西尼等企业落地，有望进一步提升模型泛化能力。

（二）推理机制：引入世界模型提升认知

未来架构将融入 “世界模型”，使机器人具备 “感知 - 建模 - 预测 - 决策” 的闭环认知。英伟达发布的 Cosmos 世界模型平台，可生成照片级真实的合成数据，通过扩散模型、自回归模型等模块，赋予机器人 “想象力”，提升环境建模与复杂任务推理能力。

（三）数据构成：仿真与真实数据融合

纯真实数据采集效率低、缺乏负样本，纯仿真数据存在现实对齐难题，二者融合训练成为必然趋势。标准化、可扩展的机器人数据训练场加速建设，1 亿条高质量行为轨迹被视为模型能力跃迁的关键门槛，优必选、特斯拉、华为等企业正加速搭建 “仿真 - 真机融合” 的数据训练场。

五、核心企业与标的分析

（一）模型端核心企业

1. 银河通用：专注具身多模态大模型，采用全仿真数据预训练（占比 99%+）+ 少量真机数据微调模式，发布全球首个完全依靠合成数据预训练的 VLA 模型 GraspVLA，训练数据达十亿帧 “视觉 - 语言 - 动作” 对，首款机器人 Galbot（G1）具备泛化抓取能力；
2. 星动纪元：孵化于清华大学交叉信息研究院，自研端到端模型 ERA-42，采用双系统架构，是全球首个融合世界模型的全模态具身大模型，开源 AIGC 生成式模型 VPP，利用互联网视频数据训练，提升策略泛化性；
3. 智元机器人：发布通用具身基座大模型 GO-1，采用 ViLLA 架构融合 VLM 与混合专家系统，推出全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及评测基准 EWMBench，实现感知 - 规划 - 执行闭环。

（二）数据采集与训练场标的

1. 数据采集领域：青瞳视觉（光学动捕系统，集成 Kinetiq AI 解算器）、凌云光（光场重建与动捕系统国内市占率第一，服务头部机器人厂商）、奥比中光（3D 视觉龙头，Gemini 系列相机支持毫米级深度感知）；
2. 数据训练场领域：天奇股份（与优必选、银河通用合作，构建工业数据采集与实训中心，可容纳 50 台人形机器人并行训练）。

六、投资建议与风险提示

（一）投资建议

模型端建议关注银河通用、星动纪元、智元机器人等一级市场企业；数据采集领域重点关注青瞳视觉、凌云光（688400.SH）、奥比中光（688322.SH）；数据训练场领域建议关注天奇股份（002009.SZ）。

（二）风险提示

1. 大模型技术进展不及预期，推理能力、泛化能力、动作输出频率等核心指标突破缓慢；
2. 高质量数据获取受限，训练场建设进度、采集成本与效率难以满足模型训练需求；
3. 人形机器人需求不及预期，商业化路径探索受阻，影响具身大模型产业化价值空间。

☟☟☟

☞人工智能产业链联盟筹备组征集公告☜

☝