人民網(wǎng)北京12月14日電 （記者申佳平）12月13日，在“2026中國信通院深度觀察報告會”上，中國信通院副總工程師許志遠表示，當前具身智能已取得認知智能與物理智能的雙線突破，但模型路線、數(shù)據(jù)范式以及最佳機器人形態(tài)仍未定型，大規(guī)模落地仍處于早期階段，其未來方向仍在持續(xù)競爭與快速演化中。

具身智能取得階段性突破

仍需關注三大核心爭論

許志遠介紹，當前具身智能發(fā)展已取得階段性突破。一方面，機器人的“認知智能”（即“大腦”能力）實現(xiàn)明顯躍升。大模型使機器人能夠完成傳統(tǒng)機器人難以處理的復雜任務，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破?；趶娀瘜W習，人形機器人在復雜地形行走、高難度舞蹈等動態(tài)任務上表現(xiàn)顯著提升；基于模仿學習與大模型范式，上肢操作能力快速增強，已能執(zhí)行切黃瓜、倒水、疊衣服等精細操作。

“盡管技術突破不斷，但具身智能的大規(guī)模落地仍處于早期階段。”許志遠指出，當前行業(yè)主要存在三方面爭論。

一是模型路線之爭，大模型范式是否適用于機器人？雖然大模型在語言、圖像、視頻領域取得巨大成功，但“同樣的范式能否直接遷移到機器人控制”仍未被證明。

二是數(shù)據(jù)訓練范式之爭，哪類數(shù)據(jù)才是機器人智能提升的關鍵？數(shù)據(jù)仍然是限制機器人能力躍升的核心瓶頸。目前機器人模型主要依賴三類數(shù)據(jù)：真機數(shù)據(jù)質(zhì)量最高但采集昂貴、規(guī)模有限；合成/仿真數(shù)據(jù)規(guī)模大、成本低，但逼真度與物理一致性有差距；人類第一視角視頻數(shù)據(jù)自然、豐富，但動作標注與映射存在挑戰(zhàn)。當前尚無結論表明機器人是否一定會因為有更多的數(shù)據(jù)而產(chǎn)生更強的能力。因此，數(shù)據(jù)范式仍在快速演化，混合數(shù)據(jù)、多模態(tài)數(shù)據(jù)、世界模型生成數(shù)據(jù)等方向均在探索中。

三是形態(tài)路線之爭，人形機器人是否是“真需求”？具身智能的落地呈現(xiàn)出兩大派系：一類是“人形堅守派”。這些企業(yè)堅持全人形路線，認為人形最契合人類社會現(xiàn)有環(huán)境與工具體系，人形形態(tài)最利于學習人類動作、利用人類數(shù)據(jù)，并且長期看具備最大通用性。另一類是折中派。我國今年涌現(xiàn)出多款“輪-臂式復合機器人”，其特點是輪式底盤更可靠、成本更低、部署更簡單；動作可控性強，更適合集成到商業(yè)場景快速落地。此路徑更強調(diào)“工程可落地性”，旨在在短期內(nèi)形成可規(guī)?；纳虡I(yè)應用。

進一步引入世界模型

有望提升機器人大模型能力

據(jù)許志遠介紹，目前，利用大模型提升機器人的泛化能力已成為業(yè)界共識，但如何有效地將大模型應用于機器人系統(tǒng)，仍存在多條技術路徑，行業(yè)也在持續(xù)探索中。

第一條路徑是采用大語言模型（LLM）對人類指令進行語義理解與任務分解，這是賦予機器人高層智能的關鍵能力。第二條路徑是在LLM的基礎上引入視覺，使模型具備語言與視覺跨模態(tài)融合能力，通過視覺語言模型（VLM）進行機器人控制。借助視覺信息，模型不僅能分析環(huán)境的空間關系和物體屬性，也能更好支撐高層任務規(guī)劃。第三條路徑是在VLM的基礎上進一步加入動作生成能力，形成視覺—語言—動作模型（VLA）。這類模型以視覺圖像和語言指令為輸入，直接輸出機器人控制指令。

許志遠表示，視覺—語言—動作模型路線自2024年底以來受到高度關注。各家廠商在模型架構、模塊設計和動作生成方式上不斷優(yōu)化。“然而盡管VLA在結構上不斷演進，其實際落地效果仍未達到預期。原因在于物理世界具有高度多樣性與不確定性，而當前可獲取的機器人數(shù)據(jù)量級有限、覆蓋場景不足?！?/p>

許志遠指出，展望未來，在視覺—語言—動作模型的基礎上引入世界模型（World Model），借助其對物理世界的理解、預測與推演能力，有望成為進一步提升機器人大模型能力的重要發(fā)展路徑。

合成數(shù)據(jù)和視頻數(shù)據(jù)更受重視

滿足機器人模型訓練需求

許志遠指出，機器人的真機數(shù)據(jù)雖然質(zhì)量最高，但人工采集的成本極高，高質(zhì)量樣本更是稀缺，遠遠無法滿足模型的訓練需求。因此，業(yè)界開始越來越重視合成數(shù)據(jù)和視頻數(shù)據(jù)的利用。

具體來看，一方面，業(yè)界開始采用混合數(shù)據(jù)訓練模式，先利用合成數(shù)據(jù)或視頻數(shù)據(jù)進行模型預訓練，再用真機數(shù)據(jù)進行微調(diào)。例如，銀河通用使用10億幀合成數(shù)據(jù)完成抓取模型的預訓練；英偉達GROOT N1模型中，合成、視頻和真機數(shù)據(jù)分別占25%、31%和44%?！拔覀儼l(fā)現(xiàn)，主流方案的非真機數(shù)據(jù)占比通常在80%—99%，但是哪個比例對于機器人性能提升更加有效仍需產(chǎn)業(yè)界來不斷試錯驗證?！痹S志遠表示。

另一方面，今年以來，使用人類第一視角拍攝的視頻數(shù)據(jù)成為破解數(shù)據(jù)瓶頸的一類重要方案。讓操作員佩戴頭戴式攝像設備，在不影響日常工作的前提下記錄其操作過程，為模型訓練提供高質(zhì)量的人類示范數(shù)據(jù)。許志遠表示，目前國內(nèi)外多家企業(yè)已發(fā)布相關項目或進行路線探索。