引言：具身智能的浪潮与挑战

2026 年第一季度，机器人与实体 AI 领域初创企业完成 492 笔融资，总金额达 163 亿美元，创下历史新高。人形机器人整机厂商频繁发布演示视频，翻跟头、跳舞、跑马拉松轮番刷屏。然而，喧嚣背后，行业共识逐渐形成：决定机器人能力上限的，已不只是关节与电机，而是能否理解环境、预测变化并协调全身完成任务。

具身智能（Embodied AI）的范畴远不止人形机器人，它涵盖工业机械臂、仓储机器人、自动驾驶车辆、农业设备、无人机、手术机器人等所有能够感知物理世界并完成实体动作的智能系统。人形机器人只是其中技术难度最高的分支，它集成了感知、推理、平衡、移动、操作、触觉交互、动力供给、安全防护等所有核心难题，堪称检验全栈技术的终极压力测试载体。

本文将从五层技术堆栈出发，系统拆解具身智能的完整技术图谱，重点讲解 VLA 模型、世界动作模型（WAM）、触觉感知、跨本体泛化等关键模块，帮助读者建立从底层硬件到顶层算法的系统性认知。

第一层：大脑——模型与决策

VLA 视觉语言动作模型

VLA（Vision-Language-Action）模型是当前具身智能大脑的核心范式。它接收机器人视觉画面和人类文字指令，输出机器人应当执行的动作。与大语言模型预测下一个文字类似，VLA 模型预测机器人的运动轨迹。

VLA 模型并非直接控制每一个电机，而是采用分层架构：高层模型理解任务目标、规划整体动作；底层控制器负责维持机身平衡、规避碰撞、力度控制和关节高精度运动。

当前行业攻坚的核心前沿问题是：能否打造通用“大脑”，适配不同任务、不同机型，而非为单一机器人定制专属模型。

世界动作模型（WAM）

世界动作模型是 VLA 的进化版本，它具备显式的未来预测能力。WAM 的核心思想是：在行动前预判环境变化，将未来观测纳入动作生成链路。

根据新加坡国立大学的最新综述，WAM 存在三种数学表达形式：

先预测，再解码动作（级联式）：先预测未来画面或特征，再用独立动作模块输出动作，如 UniPi、VLP。

先给出候选动作，再推演后果（动作采样打分）：先生成动作候选，再通过预测未来评估动作优劣，用于规划与模型预测控制。

动作与未来联合生成：单一主干同时预测未来表征与动作，如 GR 系列、WorldVLA。

#### WAM 的三大设计思路

设计思路代表工作优势劣势

渲染后解码（Render-and-Decode）UniPi、GR-2、WorldVLA完整复用视频先验，可视化强推理时延极高，不适合实时控制 仅隐空间（Latent-Only）VPP、Fast-WAM保留视频动力学先验，大幅降低显存与耗时无直观像素可视化 无视频生成（Video-Generation-Free）FLARE、DUST、PointWorld算力开销最低，天然适配语言任务缺少通用视频视觉先验，复杂场景泛化弱

行业整体趋势是“少想象、多执行”——减少无用画面生成，保留控制必需的预测特征。

跨本体 VLA 与 MoE 架构

蚂蚁灵波发布的 LingBot-VLA 2.0 展示了跨本体泛化的最新进展。该模型支持 17 家厂商的 20 种机器人构型，覆盖单臂、双臂、轮式、双足等多种形态。其核心技术包括：

统一动作表示：为跨本体学习提供基础

MoE 架构：采用 token-level loss-free MoE，用 MoE FFN 替代原有前馈网络，让模型在扩大容量的同时更好吸收不同本体之间的共性和差异。关键设计包括 loss-free 机制（避免 MoE 辅助损失干扰动作预测）和 token-level 路由（每个 token 可激活多个专家）。

双查询蒸馏：从 LingBot-Depth（深度感知）和 DINO-Video（因果时序视频表征）两个教师模型中学习，补强空间理解和时序预判。

LingBot-VLA 2.0 在 GM-100 评测中，在多个双臂机器人平台上的平均任务进度分和成功率均领先 GR00T N1.7 和 π0.5。

人类学习范式：Human-as-Humanoid

深度机智提出的 Human-as-Humanoid 路线，试图用人类视频直接训练机器人。其核心逻辑是：机器人本体越接近人类，人类数据中的动作经验就越容易被完整承接。

深度机智的 PrimeU 机器人对照 ANSUR II 人体测量数据库设计，肩宽比例 0.97，臂展比例 1.02，手掌长度比例精确到 1.00。通过纯相机方案采集人类视频，再经分阶段逆运动学（Staged IK）求解器将人体骨架映射到机器人关节空间，实现 4.8 到 7.2 倍的演示吞吐量提升。

PhysDex 策略引入双空间分层运动学约束（DS-HKC），通过可微正向运动学层将预测动作映射到任务空间，在腕部位姿和十个指尖位置施加几何监督，无需额外标注。在七项双手操作任务上全面胜出 GR00T N1.7。

第二层：躯体——机器人整机

人形机器人整机厂商负责本体设计、组装生产。2025 年全球人形机器人出货量约 1.3 万台，增速迅猛但基数极低，绝大多数设备用于科研、教学和试点项目。

主要玩家

地区企业特点

美国Figure自研 Helix 大模型，与宝马合作 美国特斯拉Optimus，优先落地自有工厂 美国Agility RoboticsDigit 在 GXO 物流搬运超 10 万个货箱 中国宇树（Unitree）G1 起售价约 1.35 万美元，成本优势显著 中国智元（AgiBot）2025 年全球出货量第一，5168 台 中国优必选（UBTech）Walker 系列在工业场景测试 德国NEURA Robotics4NE1 人形机器人

第三层：零部件——驱动器、传感器与灵巧手

一台人形机器人拥有 40 个以上可驱动关节，每一处关节都是独立的工程难题。

核心组件

驱动器（Actuator）：集成电机、减速器、传感器、轴承、控制电路板的一体化关节模组。

谐波减速器：高精度紧凑型减速器，制造成本高、工艺门槛极高，是人形机器人供应链最核心瓶颈之一。

灵巧手：Sharpa 的 22 自由度 Wave 机械手搭载于英伟达 GR00T 参考人形机器人。

力觉/触觉传感器：诺万达旗下 ATI 工业自动化、威士精密等。

机载边缘计算：英伟达 Jetson Thor 系列。

第四层：燃料——训练数据与仿真

机器人训练数据是当前融资热度最高的细分领域之一。机器人不能像大语言模型一样直接读取互联网文本，不存在公开海量高质量数据集记录机器人视觉画面与对应电机动作。

四大数据采集方案

远程示教：人类通过动作捕捉设备远程操控机器人，记录视觉画面与关节运动轨迹。优势是数据质量高，劣势是成本高昂、难以规模化。

仿真模拟：机器人在物理仿真引擎中完成虚拟训练。优势是速度快、成本低，劣势是“仿真到现实”的鸿沟。

人类视频+穿戴传感：依托第一视角视频、人体动作捕捉采集数据。优势是数据来源充足，劣势是人类与机器人形态不匹配。

机群回流数据：已落地运行的机器人持续记录作业数据，长期看价值最高。

数据工程前沿

蚂蚁灵波从 9 万小时数据中清洗出 5 万小时高质量真机数据，并从 2 万小时第一视角人类操作数据中提炼 1 万小时有效数据，使预训练数据总量达到 6 万小时。清洗流程包括：计算动作信号的 jerk（三阶有限差分），过滤动作突变和信号异常的 episode；剔除长时间几乎没有动作变化的片段。

第五层：试验场——商业化落地

当前真正实现规模化、稳定盈利的机器人，大多并非人形机器人，而是针对特定场景定制的专用自动化设备。

大规模商用案例

亚马逊：全球运营超 100 万台仓储机器人。

Symbotic：2025 年末在手订单规模 2230 亿美元，核心客户为沃尔玛。

人形机器人落地进展

Figure × 宝马：累计运行时长超 1250 小时，参与 3 万台整车生产流程。

Agility Digit × GXO：累计搬运超 10 万个货箱。

人形机器人整体仍处于试点阶段，大规模量产商用仍需时间。

前沿技术专题

隐式世界动作模型

智在无界发布的 Being-M0.7 是全球首个面向人形机器人全身移动操作的隐式世界动作模型。它在隐空间中预测未来环境状态，而非像素级视频生成，大幅降低计算开销。

核心设计包括：

Vision-Motion MoT（Mixture-of-Transformers）：为视觉和运动保留各自的模态专属处理模块，同时通过共享多模态注意力进行跨模态交互。

统一运动表征：将人体运动数据转换为以头部为根节点的统一表示，仅保留头部、双手和双脚的紧凑运动表示，弥合人类与机器人之间的形态差异。

10000 小时混合模态预训练数据：涵盖人类第一人称视频、视频-运动配对数据、纯人体运动序列。

在真机测试中，Being-M0.7 在鱼缸捞鱼、镜像取物、移动置物取物、搬箱避障等任务上均表现出色。

ABot-M0.5：面向移动操作的世界动作模型

阿里高德 CV 实验室提出的 ABot-M0.5 针对移动操作任务，解决了现有 WAM 的三大结构错配：

时序粒度错配：引入帧级中间隐动作，搭建“视频隐变量→隐动作→底层控制”三级链路，捕捉精细接触动力学。

动作结构错配：设计双层混合 Transformer（D-MoT），分离底盘移动和机械臂操作双动作子空间，消除梯度干扰。

训练推理分布错配：提出“梦境强制”（Dream Forcing）两阶段训练，用模型自生成画面训练逆动力学，缩小暴露偏差。

在 RoboCasa365、LIBERO、RoboTwin 等基准测试中，ABot-M0.5 在长时序任务和精细操作上达到 SOTA。

行业瓶颈与未来展望

核心瓶颈

通用智能算法不完善：仿真与现实存在鸿沟，模型在真实环境中的泛化能力不足。

高端零部件成本高昂：谐波减速器、力矩传感器等核心部件依赖进口，国产替代仍在推进。

训练数据稀缺：高质量真机数据采集成本高，跨本体数据标准化困难。

投入产出比不足：人形机器人尚未形成规模经济，商业化路径仍需探索。

未来趋势

从 VLA 到 WAM：显式世界建模将成为标配，未来预测能力从“可选”变为“必需”。

跨本体泛化：一脑多机是降低部署成本的关键，MoE 架构和统一动作表示是主流技术路线。

人类数据驱动：Human-as-Humanoid 路线有望突破数据瓶颈，本体设计与人类对齐成为新趋势。

仿真到现实的鸿沟缩小：梦境强制等训练策略正在弥合训练与推理的分布差异。

总结

具身智能的五层技术堆栈——大脑、躯体、零部件、燃料、试验场——构成了一个相互依赖的生态系统。VLA 模型和世界动作模型正在重塑大脑的能力边界，而跨本体泛化和人类数据驱动则有望解决数据与成本瓶颈。对于开发者而言，理解这一全景图谱，有助于在快速演进的赛道中找到自己的技术定位。

FAQ

Q1：VLA 模型和世界动作模型（WAM）有什么区别？

VLA 模型是反应式策略，直接根据当前观测和指令映射为动作，不显式建模动作引发的环境变化。WAM 则在动作生成链路中引入未来预测，能够预判行为后果，在长时序任务和复杂物理交互中表现更优。WAM 可以理解为 VLA 的进化版本，增加了显式的世界建模能力。

Q2：为什么说人形机器人是具身智能的“终极压力测试”？

人形机器人集成了感知、逻辑推理、平衡控制、移动行走、物体操作、触觉交互、动力供给、安全防护、量产制造、现实场景自主学习等所有核心技术难题。任何一项短板都会导致整体失败。相比之下，工业机械臂只需完成单一操作，仓储机器人只需移动和搬运，技术复杂度低得多。因此，搞懂人形机器人的完整技术堆栈，其他机器人的底层逻辑都能套用同一框架。

Q3：跨本体泛化（一脑多机）面临哪些挑战？

主要挑战包括：不同机器人本体的关节结构、自由度、动作空间、控制接口五花八门；同一模型需要同时处理底盘移动（低频平滑）和机械臂操作（高频精细）等异构动作；训练数据来自不同本体，存在分布差异。当前解决方案包括统一动作表示、MoE 架构（让通用能力与本体差异在同一个架构中建模）、以及大规模多本体预训练数据。

Q4：当前人形机器人商业化处于什么阶段？

整体处于试点和小规模试用阶段。2025 年全球出货量约 1.3 万台，绝大多数用于科研、教学和产品演示。少数企业（如 Figure 与宝马、Agility 与 GXO）已实现有限量产落地，但尚未搭建多厂区大规模部署。专用工业自动化设备（如亚马逊仓储机器人）仍是当前商业化主力。预计还需 3-5 年才能实现规模化商用。

Q5：人类视频数据如何用于训练机器人？

核心思路是“Human-as-Humanoid”：先让机器人本体向人类对齐（尺寸、自由度接近人类），再通过纯相机方案采集人类第一视角视频，经逆运动学求解器将人体骨架映射到机器人关节空间，生成动作标签。关键难点在于弥合人类与机器人的形态差异，以及处理遮挡、运动模糊等困难条件下的骨架恢复。深度机智的 PhysDex 策略通过双空间分层运动学约束，将人类数据与机器人控制接口之间的分布差异压缩到毫米级。