记者 | 伍洋宇 编辑 | 文姝琪
当人工智能领域的焦点从大语言模型转向具身智能，行业正面临新的技术挑战与生态重构。11月20日，智源研究院在开放日活动中系统披露了其技术布局与生态战略，试图为具身智能的规模化落地提供系统性解决方案。
技术瓶颈：从硬件成熟到模型通用的断层
当前具身智能仍处于“可演示但难规模化”的阶段。尽管机器人硬件技术快速迭代，但模型层面的三大瓶颈显著制约发展：模型通用性不足导致不同本体间接口割裂，动作规划与控制难以迁移；部署成本高企；仿真与真实场景的适配性不足。智源研究院指出，这种结构性矛盾要求行业从底层技术架构入手，构建统一的技术生态。
自底向上：智源的通用技术体系
针对上述问题，智源研究院推出以“具身大脑”为核心的通用技术体系，整合数据采集、标准化工具链、模型基座、仿真与评测四大模块，形成开源开放的统一架构。目前，该生态已吸引超过30家合作伙伴，涵盖机器人本体制造、传感器、仿真平台等多个领域，且规模持续扩大。
在模型层面，智源发布新一代RoboBrain 2.0 Pro，通过引入价值判断与三维空间追踪能力，使机器人能在复杂场景中实现更稳健的动作推理。基于此构建的RoboBrain-X0 Pro支持零样本跨本体迁移与长程多步骤操作，而面向灵巧手的RoboBrain-Dex通过大规模人类示范预训练，将灵巧操作的数据需求降低60%。在控制层面，Emu-RobotVerse仿真平台与专为人形机器人设计的BAAI Thor全身控制框架，为强交互任务提供底层稳定性支撑。此外，全双工语音大模型RoboBrain-Audio（响应延迟约80毫秒）与聚焦长期记忆的RoboBrain-Memory，进一步完善了人机交互能力。
图源：智源研究院
技术路线之争：分层架构与通用基座的平衡
在圆桌讨论中，端到端VLA、分层式模型与世界模型三条技术路径引发激烈辩论。行业共识认为，短期内分层架构更易工程落地，而通用基座模型需长期投入，其前提是建立统一的场景表示、高质量数据闭环与一致评测体系。针对“硬件是否拖累模型”的争议，专家指出，模型规划与硬件执行已进入互相重塑阶段，尤其在力控、人形结构与安全边界等领域，需双方共同定义标准。
数据困境：视频模态的突破与局限
数据问题成为具身智能发展的核心矛盾。智源研究院院长王仲远在接受采访时坦言，机器人真机数据的增长速度远低于语言模型，即便未来部署万台机器人，仍难以支撑通用模型所需的规模。“几十万小时的数据尚不构成海量，行业远未到达‘ChatGPT时刻’。”
在此背景下，智源选择以视频作为训练主输入。王仲远解释，视频不仅可规模化采集，还融合了时空因果、语义、动作、声音等多维度信息，是最接近人类学习路径的数据来源。例如，人类通过观看视频即可学会拆糖果或拧瓶盖，这种机制同样适用于机器人训练。具体而言，模型通过少量真实操作记录获取因果反馈，再通过强化学习修正行为策略，形成“视频学习+真实纠偏”的混合训练模式。
针对视频模态在触觉与力控上的不足，王仲远承认行业整体缺乏力反馈数据，但强调此类数据对未来发展的关键性。智源已启动相关数据采集计划，以补全模型感知能力。
资本狂热：共识驱动下的产业聚集
面对近期具身智能领域的融资潮，王仲远认为这是行业共识形成的结果。资本、政策与产业圈普遍相信，具身智能将成为继大模型后的下一条长周期技术曲线。由于研发需持续投入算力、硬件与场景验证，高额融资几乎成为入场门槛。“这能加速产业聚集，但商业化路径仍需时间验证。”
他同时提醒，资本涌入伴随焦虑：当前技术路线尚未收敛，部分投资人可能被情绪驱动。行业未来将经历周期波动，但技术演进会沿螺旋上升轨迹持续前行。
创业生态：生存比万能更重要
在创业领域，王仲远观察到“快速出现又快速倒下”的现象，其根源在于商业模式模糊与资源分散。他强调，真正的竞争力在于“将一个真实场景打磨到可长期使用”，而非追求“万能具身”。“先活下来，熬过寒冬才能迎来真正的未来。”这是他对创业者的核心建议。
从技术突破到生态构建，从数据困境到资本逻辑，智源研究院的实践揭示了具身智能从实验室走向产业化的关键路径。在行业狂热背后，理性布局与长期主义或将成为决定胜负的核心变量。
猜你喜欢
