機器人基礎模型

1 3 秒看懂

機器人基礎模型是一種在海量多模態資料上預訓練的大規模神經網路，直接輸出機器人末端執行器的連續運動軌跡或離散動作指令。它把視覺感知、語言理解與物理行動統一在一個模型裡，讓機器人首次具備“看—懂—做”的端到端泛化能力，無需針對每個新物體、新場景重新程式設計。

2 3 分鐘產業解釋

傳統工業機器人依賴“感知—規劃—控制”的分離式流水線，每一環都由人工編寫的規則或專用模型驅動。一旦工件形狀、光照、背景發生變化，整個系統就需要重新除錯，部署成本往往超過硬體本身。機器人基礎模型的誕生，本質上是將大語言模型的“規模定律”從文本世界遷移到物理世界，其產業驅動力來自三個條件的同步成熟：

① Transformer 架構的多模態擴充套件 自迴歸 Transformer 和擴散 Transformer 可以將相機影像、深度圖、機器人關節狀態、末端力覺等異構資料統一編碼為 token 序列，再以語言指令作為條件，直接生成動作。這打破了以往“視覺歸視覺、控制歸控制”的模組割裂。

② 機器人運算元據的規模化建置 Google、Meta、斯坦福、伯克利等機構已建置起包含數十萬乃至上百萬條機器人示教軌跡的資料集（如 Open X-Embodiment、DROID 等）。資料來源包括人工遙操作、模擬域隨機化、人類執行日常任務的第一人稱影片，經逆強化學習或運動重定向補全為機器人可執行軌跡。資料規模正在從“數千條”向“數十萬小時”躍遷，初步滿足了預訓練對資料量的要求。

③ 具身對齊的突破 “拿一個Apple”這樣的自然語言指令被直接對映為 6 自由度末端位姿序列或關節角度序列（通常 6 軸或 7 軸），中間無需人工定義“Apple”的形狀特徵或抓取姿態。這是通過將語言嵌入與動作潛空間進行對齊訓練實現的，使模型能夠零樣本執行“把藍色積木放進紅色杯子”這樣的新組合。

產業路線的分野 當前主流路線分成兩大陣營：一是從視覺‑語言模型（VLM）擴充套件，將動作空間離散化成數千個桶，用自迴歸方式生成下一個動作 token，代表如Google RT-2；二是原生動作擴散模型，用去噪擴散機率模型直接生成連續平滑的力/位軌跡，代表如哥倫比亞大學及豐田研究院的 Diffusion Policy、伯克利 Octo 等。兩者的取捨直接決定了模型的精度、推論延遲與可部署場景。

產業意義 機器人第一次從“用程式設計實現自動化”走向“用資料驅動通用性”。如果基礎模型在關鍵場景的錯誤率降至可接受水平，系統整合商的成本結構將發生根本性變化——高毛利的知識工程將被“資料採集 + 算力推論”替代，機器人價值鏈的重心也將從整機整合向資料資產與模型能力遷移。

3 技術原理

機器人基礎模型的核心任務可以抽象為：給定時間 $$t$ 的觀測 \o_t`（RGB‑D 影像序列、本體關節角 `q_t`、末端力覺）和自然語言指令 $l$$，預測時刻 $$t$ 的動作 `a_t`（末端位姿或關節目標），或者直接輸出長度為 $H$$ 的未來動作軌跡 mathbf(a)_{t:t+H}`。其技術原理圍繞“表示—融合—解碼”三個環節展開，當前存在兩條並行的技術路徑。

路徑一：離散化自迴歸生成（類語言模型） 將動作空間量化成離散的 bins。例如，末端位置 $$(x,y,z)$$ 在每個維度上以 1 mm 精度離散到 256 個區間，姿態用尤拉角或四元數離散化，夾爪開合二值化。全動作通常需要一個 7~9 維的離散 token 序列。模型採用因果 Transformer 解碼器，基於歷史視覺 token 與文本嵌入自迴歸地預測下一個動作 token。訓練目標為交叉熵損失： mathcal(L) = -\sum_{t} \log P(a_t^{text(token)} \mid o_{\le t}, l) 推論時使用溫度取樣或束搜尋。這條路線的最大優勢是可以無縫複用大語言模型（LLM）成熟且高度最佳化的訓練與推論基礎設施；但離散化會丟失精細操控所要求的微米級精度，並容易出現離散化“顫振”——相鄰時間步的動作 token 在兩個 bin 之間來回跳變，導致機械臂抖動。

路徑二：連續動作擴散模型 以去噪擴散機率模型（DDPM）為核心，把一條長度為 $$H$$ 的動作軌跡 mathbf(a)^0 作為去噪目標。視覺特徵由 ViT 提取，語言指令由凍結的預訓練 LLM 編碼，兩者通過 FiLM 或交叉注意力注入去噪網路（通常是 1D 卷積 U‑Net 或 Diffusion Transformer）。訓練時對真實動作軌跡逐步加噪： mathbf(a)^k = \sqrt{\bar{\alpha}_k} mathbf(a)^0 + sqrt(1-\bar{\alpha)_k} \boldsymbol{\epsilon}, \quad \boldsymbol{\epsilon} \sim mathcal(N)(0, mathbf(I)) 去噪網路 \epsilon_\theta 預測所加噪聲，損失為： mathcal(L) = mathbb(E)_{k, mathbf(a)^0, \boldsymbol{\epsilon}} \left[ \| \boldsymbol{\epsilon} - \epsilon_\theta(mathbf(a)^k, k, text(vis\_feat), text(lang\_emb)) \|^2 \right] 推論時從純高斯噪聲出發，經數十步迭代去噪，生成平滑的動作軌跡。這種方式輸出天然連續、精度高，特別適用於需要力控或阻抗控制的接觸密集型操作，但多步前傳使得單次推論時延通常為 0.1~1 秒，需要模型蒸餾或一致性模型等加速技術。

路徑三（新興）：流匹配與一致性模型 流匹配將擴散過程中的隨機微分方程替換為確定性常微分方程，可在少數幾步（甚至 2~4 步）內生成高質量動作。Physical Intelligence 等團隊已於 2024 年展示將該方法用於通用機器人策略，兼顧速度與軌跡質量。

跨模態融合與記憶 視覺編碼器多采用空間-時間 ViT，同時提取當前幀與歷史幀特徵。語言編碼大多凍結預訓練 LLM（如 PaLM-E、Llama 3），以保持指令泛化能力。視覺與語言特徵通過交叉注意力層或特徵線性調變（FiLM）融合後，送入動作解碼器。幾乎所有實用系統都引入“歷史視窗”——將過去 $$k$$ 步的觀測‑動作對一併輸入，以隱式學習環境動力學和任務進度，有效緩解部分可觀測問題。

訓練資料形態與訓練流程 單條訓練樣本包含：初始 RGB‑D 影像序列、指令文本、末端位姿序列（或關節角序列）、夾爪開合狀態。資料來源及典型規模（據公開文獻與行業報告）：

• 真實遙操作：通過 3D 滑鼠、力反饋手套或同構外骨骼採集，單臺裝備每小時可產生約 1~2 條高質量示教軌跡。據Google 2023 年 RT-2 論文，RT‑1 訓練使用了 130k 條真實機器人示教軌跡。
• 模擬生成：基於 Isaac Sim、MuJoCo 等平台，結合域隨機化，以極低成本生成海量資料。Open X-Embodiment 資料集中包含大量模擬資料，真實/模擬比例通常介於 1:10 到 1:100（行業估算）。
• 人類影片：如 Ego4D、YouTube 影片，僅提供視覺示範，必須藉助逆強化學習、運動重定向或未來預測模型將其“翻譯”為機器人動作標籤。這類資料的噪聲較大，當前主要用於預訓練表徵。

訓練通常分為兩階段：先在大規模跨具身資料集上預訓練視覺‑語言‑動作表徵，再在特定機器人和目標場景的小樣本真實資料上微調。微調資料量可從數十條示教起，極大降低了場景部署成本。

推論部署時的技術約束 底層伺服控制週期通常在 5 ms~50 ms 之間，這意味著模型推論延遲必須低於這一閾值，否則必須與高頻反饋控制器解耦，採用“慢策略 + 快伺服”層級架構。現階段多數擴散模型尚無法直接滿足硬即時要求，但可通過一次生成多條軌跡 + 線上插值或模型蒸餾來彌補。

4 關鍵引數

評價機器人基礎模型的技術與商業競爭力，需從技術性能、工程效率、商業回報三個維度考察，以下指標均取自公開論文、行業報告及公司揭露，部分資料因廠商未公開而標註“公開資料未見”。

4.1 技術性能指標

• 單步成功率與完整任務序列成功率：衡量模型完成一個動作指令（如“抓起物體”）的機率，以及完成多步長序列任務（如“從抽屜取出螺絲刀並放置在桌面”）的整體成功率。早期系統（如 2022 年Google RT‑1）在已見任務上單步成功率可達 90%+，但在長序列任務上成功率會急劇衰減至 50% 以下（來源：Google論文）。到 2024 年，Octo、RT‑2‑X 等開源模型在泛化設定下的 5 步任務成功率約為 60% ~ 80%，具體視任務難度和物體種類而異。
• 泛化衰減率：模型在未見物體、未見背景、未遇語言指令上的成功率相對已見狀況的下降幅度。理想目標為 <10 %。2023 年 RT‑2 論文顯示，其在未見過物體上的抓取成功率相比見過的物體下降約 15 %~ 25 %（來源：Google《RT‑2: Vision-Language-Action Models》）。國內部分整機企業自研模型泛化資料公開資料未見。
• 推論延遲：從相機幀捕獲到模型輸出動作指令的時間。離散自迴歸路線通常 <10 ms/步；連續擴散路線為 100 ms1000 ms/步（10100 步去噪）；蒸餾或流匹配版本可壓縮到 20 ms~50 ms/步（來源：各模型技術報告）。
• 動作平滑度：以動作序列加速度的方差衡量，單位 (text(m/s)^2)^2 或關節角加速度方差。工業應用通常要求加速度方差小於某一經驗閾值以防機械臂抖動。擴散模型天然產出平滑軌跡，加速度方差可比離散動作低一個數量級（定性結論，定量閾值因機械臂型別而異）。

4.2 工程指標

• 模型規模與計算量：引數量從數百 M（Octo 約 850 M，2024 年）到數十 B（RT‑2 使用 PaLI‑X‑55B 作為骨幹，2023 年）不等。單次推論 FLOPs 從數 G 到數百 G，直接影響邊緣推論晶片的選型。
• 資料效率：新場景達到 70% 成功率所需的新增真實示教軌跡數（或時長）。根據 Octo 團隊的實驗，某些桌面操作任務僅需 10~50 條新示教即可實現合理泛化（來源：Octo 專案 Blog，2024 年）。更高精度、力覺密集型任務可能需要數百條示教。
• 安全違規率：執行期間發生碰撞、力矩超限、速度過沖等異常事件的比例。目前學術界多采用模擬評估，真實工業環境所要求的碰撞率通常低於每千小時一次，行業現階段公開資料未見達標證明。

4.3 商業引數

• 模型許可費或單價：當前市場處於早期，多數模型以開源或繫結硬體方式交付，獨立定價體系未建立。部分初創公司提出“按機器人臺數+年限”收費模式，尚未有公開的標準化價格。
• 部署成本降幅：據物流整合商定性反饋，採用基礎模型後可縮短現場部署時間 50% ~ 70%（整合商在行業會議分享，非精確統計），但該數字因場景而異，缺乏第三方審計。
• 硬體依賴成本：部署基礎模型通常需配置至少一顆邊緣 AI 推論晶片（如 NVIDIA Jetson Orin，單顆成本約 199~1999 美元，按型號，2024 年官方定價）及多個 RGB‑D 相機，這些硬體成本對中小型機器人本體形成額外負擔。

5 技術路線

當前主流技術路線從動作生成方式、推論速度、精度、資料結構需求等維度形成鮮明對比。下表基於 2024 年末已公開的論文與產品資訊綜合整理，量化資料標註來源，不確切的以“定性”標註。

路線	動作形式	模型核心	推論延遲（典型）	精度/順滑度	資料需求	代表性工作/機構
離散自迴歸	分桶離散 token	因果 Transformer	<10 ms（單 token）	中等，易有離散顫振	大量多維標註動作（RT‑1: 130k 條）	Google RT‑1、RT‑2（2022‑2023）；Gato（DeepMind, 2022）
連續擴散	連續軌跡序列	擴散 U‑Net / DiT	100 ms ~ 1 s（多步去噪）	高，軌跡平滑	高質量連續軌跡（精細示教或模擬）	Diffusion Policy（哥倫比亞大學/TRI, 2023）；Octo（伯克利等, 2024）
流匹配/一致性模型	連續軌跡	流匹配 ODE 網路	20 ms ~ 50 ms（2~4 步生成）	高	與擴散類似	Physical Intelligence π0（2024）；UC Berkeley 相關預印本
混合層級架構	離散子任務 + 連續動作	LLM/CLIP 規劃+擴散伺服	規劃 100 ms+ 動作 20 ms	子任務級魯棒，動作精細	分層資料（語言+動作）	蘇黎世聯邦理工、斯坦福 VIMA、Figure 01（部分公開資訊）

路線收斂趨勢 2024 ~ 2025 年，頭部團隊普遍轉向“擴散/流匹配 Transformer + 蒸餾”以同時追求高精度與低延遲，純離散化路線在精細操作領域逐漸退居語義規劃層。Google RT‑2 已展現將 VLM 擴充套件為擴散解碼的可能性（後續工作如 RT‑X），OpenAI‑Figure 合作則演示了“大型模型規劃+擴散動作”的層次化方案。國內企業多采用“VLM 或 LLM 規劃 + 自研連續控制器”的混合方案，底層具體細節大多未公開。

6 上游

機器人基礎模型的上游供應鏈由資料生產、算力基礎設施、預訓練元件三大部分構成，每一環節的產能與價格都可能影響模型迭代速度與商業化成本。

6.1 資料採集與生產

• 遙操作硬體：3Dconnexion 空間滑鼠、Haption 力反饋裝置、Shadow Hand 靈巧手外骨骼、人形上半身遙作業系統（如宇樹提供的專用示教套件）是真實運算元據的主要來源。據業界估算，一套專業級遙作業系統的成本在 2 萬~20 萬美元（不含機器人本體），量產較低。
• 模擬引擎與生成工具：NVIDIA Isaac Sim、MuJoCo（DeepMind 開源）、CoppeliaSim、RoboDK 等支援程式化場景生成、域隨機化、物理真實渲染。輝達在 GTC 2024 上釋出 Isaac Lab 和 GR00T 專案，旨在為各個人形機器人公司提供統一的模擬與資料生成基礎設施。
• 人類影片資料來源：Ego4D、Epic‑Kitchens、YouTube 等，需經過三維重建、手‑物互動估計、運動重定向等演算法後處理。處理後的資料可作為弱監督訊號，降低對遙操作的依賴。

6.2 算力基礎設施

• 訓練算力：大型基礎模型訓練需上千塊 NVIDIA H100/A100 GPU 的叢集，算力需求可達數百至數千 petaFLOPS‑days。Google DeepMind、OpenAI、特斯拉均自建超算。據公開報道，特斯拉 2024 年在 Cortex 訓練叢集上部署了數萬塊 H100（來源：特斯拉 2024 年 Q2 財報電話會）。
• 邊緣推論晶片：部署階段依賴低功耗、高即時性的 AI 系統級晶片（SoC）。主流選擇有 NVIDIA Jetson Orin AGX（275 TOPS，2024 年官方售價 1999 美元/千片）、高通 Robotics RBx 系列（~70 TOPS）、地平線征程 6 等高算力晶片。多家國內整車廠與人形機器人公司正自研或聯合定製專用推論 SoC，但多數尚未量產（截至 2025 年初）。

6.3 預訓練元件

• 視覺‑語言骨幹：以凍結權重使用的 VLM/LLM 是模型基礎能力的主要來源，選擇包括 PaLI‑X、PaLM‑E、Gemini（Google）、Llama 3（Meta）、Qwen‑VL（阿里）等。商用閉源模型需考慮 API 延遲、呼叫成本和許可證限制；開源模型則需團隊有充分的能力進行微調與適配。
• 基礎動作表徵：一些中游公司開始提供預訓練的視覺‑動作編碼器作為中介軟體，讓下游整合商只需少量資料即可完成新任務微調，但該商業模式仍處於極早期。

7 下游

機器人基礎模型附著於具體硬體和場景，其價值釋放與下游各賽道的滲透節奏緊密相關。

7.1 工業與物流

電商倉儲的混箱揀選、快遞包裹分揀、3C 電子裝配中的柔性插拔是當前驗證最快的場景。顯性需求：將新 SKU 的部署時間從數天壓縮到數小時，錯誤率控制在 ≤ 0.1 %。據公開測試，2024 年 Covariant 的 RFM-1 模型在多家第三方物流倉庫執行拾取‑放置任務，單步成功率可達 99% 以上（來源：Covariant 公開部落格），但長序列任務仍須依賴人工遠端介入。該領域對安全認證（ISO 10218、ISO/TS 15066）有強制要求，會影響模型迭代的節奏。

7.2 人形與服務機器人

人形機器人（Figure 02、Tesla Optimus、1X NEO、宇樹 H1/G1、智元遠征 A1 等）是基礎模型最具想像力的載體。它們須在非結構化家庭與商用環境中執行多步移動操作（如“從冰箱取出牛奶倒入杯中”），對泛化性、安全性、人機互動自然度要求極高。2024 年 Figure 與 OpenAI 合作展示了人形機器人根據口語指令識別物體、拾取並放置的端到端閉環演示；特斯拉 2024 年 Q2 更新顯示 Optimus 開始在電池工廠執行簡單分揀任務。目前各家人形出貨量均為百臺級（2024 年），尚未進入大規模家庭部署，產品化仍處研發驗證階段。

7.3 特種與醫療作業

核電檢修、太空在軌操作、水下維護等特種場景要求模型在極少數示教資料、窄帶通訊且計算資源受限的邊緣端離線執行。此類場景對模型壓縮、蒸餾及安全約束遵守的要求極端苛刻，目前多由國防或航天局資助研究，商用案例稀少（公開資料未見部署數量）。醫療手術機器人則要求模型具備亞毫米精度和可解釋性，且須通過 FDA/NMPA 審批，基礎模型在該領域的滲透可能長期滯後。

8 受益公司

基礎模型將帶動整條具身智慧產業鏈的價值再分配。以下僅陳述各環節代表公司所扮演的角色及其受益邏輯，絕非投資建議。

8.1 整機與模型垂直整合商

• 特斯拉 (Tesla)：基於自有的人形機器人 Optimus 平台和自動駕駛 FSD 積累的視覺神經網路、模擬及資料引擎，建設自有訓練叢集，建置從資料採集到模型部署的完全閉環。若成功，可能復刻其電動汽車的垂直整合優勢。
• Google DeepMind / Google Robotics：握有 RT‑2、PaLI‑X、Open X-Embodiment 等核心技術，可借自家 TPU 算力與生態輸出模型能力，但硬體端依賴合作（如 Apptronik），商業路徑選擇趨於開放平台。
• Figure AI：與 OpenAI 深度繫結，利用 GPT‑4o 等 VLM 提供高層推論，自研靈巧手與底層控制器，已獲得 2024 年 6.75 億美元融資（公開報道），估值 26 億美元，目標是快速落地倉儲與製造業。
• 1X Technologies：主打輕量級人形 NEO，採用自研擴散策略，強調安全與協作，2024 年獲 OpenAI 等追加投資（金額未完整揭露）。

8.2 算力與資料基礎設施商

• 輝達 (NVIDIA)：提供從模擬（Isaac Sim、Isaac Lab）到訓練晶片（H100/B200）再到邊緣推論（Jetson Thor，專為機器人設計，2025 年上市）的全棧基礎，有望成為“具身智慧的賣水人”。
• 高通、地平線、瑞芯微：受益於機器人對低功耗邊緣 AI 晶片需求的指數增長，但各家機器人業務份額目前較小。

8.3 開源模型與初創生態

• Physical Intelligence (π)：由 UC Berkeley 等明星團隊創辦，推出 π0 通用機器人基礎模型，2024 年完成 4 億美元融資（公開報道），以“通用大腦”定位跨硬體賦能。開源策略與商業雙軌並行。
• 國內初創（宇樹、智元、加速進化、傅利葉、星動紀元等）：多家人形本體公司自研基礎操作模型，資料多來自自有遙操作平台。由於軟體層多數未開源，尚難評估外部模型開發商的進入壁壘。

8.4 潛在受益零部件與工具鏈

力矩感測器、六維力感測器、高精度編碼器、末端微型夾爪、面向機器人的資料標註與遙操作裝置商，將在資料採集和模型部署擴張中受益，但透明報價和出貨量資料公開有限。

9 市場規模

機器人基礎模型的獨立市場規模當前幾乎為零，因為它尚未形成可獨立計價的標準化軟體產品或按 API 呼叫的營收流。其價值主要通過加速機器人整機銷售或降低部署成本間接體現。但多家第三方研究機構已嘗試對“具身智慧軟體與基礎模型”做出遠期估算，以下數字全部註明來源與口徑，且均屬預測而非實際營收。

• 高盛 (Goldman Sachs) 在 2024 年 2 月釋出的報告《人形機器人：從實驗室到工廠》（口徑為全球人形機器人系統市場規模，包含軟硬體）中估計，在樂觀情景下，2035 年全球人形機器人市場規模可達 380 億美元，基礎模型及相關軟體可能佔整體的 20% ~ 30%，即 76~114 億美元。但該報告同時強調，要達到樂觀情形，需克服成本、可靠性及法規等多重障礙。
• MarketsandMarkets 2024 年關於具身 AI 的預測（口徑涵蓋機器人中介軟體、AI 平台與認知服務）稱，2024 年全球規模約 58 億美元，預計到 2029 年將達到 265 億美元，複合年增長率 ~35.4%。需要注意的是，該口徑較機器人基礎模型寬泛得多，包含傳統機器視覺、SLAM 等成熟模組，基礎模型僅佔其中一小部分。
• 特斯拉管理層在 2024 年股東大會上的非正式遠景表述為“Optimus 業務長期可能帶來數萬億美元營收”，此為管理層目標，不作為市場共識。
• 中國市場：據中商產業研究院等機構 2024 年報告，中國具身智慧（含零部件、本體與軟體）2023 年市場規模約 120 億元人民幣，預計 2028 年將超千億元。其中基礎模型作為軟體層，受制於整機出貨量，規模尚小。

結合當前人形機器人出貨量（2024 年全球約 1000 臺，工業和物流操作臂數萬臺部署），基礎模型的實際商業價值體現在授權或訂閱費用上尚不顯著。只有當單個操作機器人年出貨量跨過萬臺門檻，且模型帶來的部署成本節省被整合商量化驗證後，獨立軟體市場才可能成型。

10 玩家對比

（注：以下資訊綜合自 2023 ~ 2025 年公開論文、官方釋出與媒體報道，部分未公開資料以“公開資料未見”標註。）

玩家	模型/方案	骨幹架構	引數量（估計）	訓練資料規模	軟硬體耦合	開源/閉源	商業化階段	核心優勢與侷限
Google DeepMind	RT‑1, RT‑2, RT‑X	Path 自迴歸+擴散探索	數百 M ~ 55B（PaLI‑X 骨幹）	13 萬條真實示教 + 大量模擬（來源：論文）	依賴合作硬體（Apptronik）	部分權重開源（RT‑1‑X）	實驗室→早期合作	VLM 泛化強，學術積累深；閉環商業與硬體節奏慢
OpenAI+Figure	Figure 02 模型棧	未公開（可能 VLM 規劃+擴散控制）	未公開	未公開（自有遙運算元據+模擬）	與 Figure 硬體強繫結	閉源	工業測試訂單（2024）	高層推論與多模態對話能力強；動作底層細節未獨立驗證
特斯拉	Optimus 基礎模型	基於佔用網路的端到端策略（公眾資訊有限）	未公開	基於工廠實操資料和模擬（未公佈規模）	完全自研本體+晶片+超算	閉源	內部試驗（電池分揀）	資料飛輪閉環，製造與成本控制能力突出；對外技術透明度低
Physical Intelligence	π0	流匹配 Transformer + DiT	未公開（預印本未揭露總規模）	多種機器人平台混合資料（未公開小時數）	跨硬體通用	開源模型權重（2024）	早期驗證（疊衣、收桌）	跨具身泛化理念先進，核心團隊頂尖；可靠性在高精度工業場景待驗證
伯克利 Octo 團隊	Octo	擴散 Transformer	~850 M（來源：論文）	Open X-Embodiment 子集（約 80 萬軌跡）	機器人無關	完全開源	科研及社群微調	開源生態加速創新，資料需求和調參難度低於閉源方案；工業級精度待打磨
宇樹科技	自研人形操作模型	未公開	未公開	自建遙操作採集（數量未公開）	捆綁宇樹 G1/H1 硬體	閉源	展示與研究級	本體成本低，快速迭代；基礎模型透明度和第三方測評缺乏
智元機器人	遠征 A1 操作模型	未公開	未公開	未公開	與自有本體配合	閉源	小批次交付與試點	國內融資較大；公開技術指標缺失

格局判斷：目前尚無單一模型在精度、泛化性、延遲、安全性等關鍵維度上同時滿足工業出貨要求，競爭仍處於技術驗證與資料積累期。開源路線（Octo、π0）有可能拉低整個行業的技術門檻，但也使閉源玩家更依賴於專有的高質量運算元據和硬體耦合來維持護城河。

11 風險

技術風險

• 泛化瓶頸：模型在完全未見的結構化環境（如新貨架、新物件）下的成功率可能斷崖式下跌，勉強 60 %~ 80% 的成功率遠未達到工廠不停機執行的可靠性要求（≥ 99.9%）。
• 長序列任務崩潰機率：每一步的微小錯誤會累積，導致多步任務成功率呈指數衰減，目前尚無法證明基礎模型能在無人工輔助下穩定完成 >20 步的真實操作。
• 即時性‑精度‑安全三角：追求高精度連續執行必然增加推論延遲，而即時碰撞規避和安全約束尚未有機內嵌進擴散生成過程。任何一次安全事故都可能引發監管幹預並重創行業聲譽。

市場與商業風險

• 硬體成本高企，量滯後割喉：人形機器人單臺成本仍在數十萬到百萬美元級（信源：行業訪談），短期出貨量難以支撐獨立模型商業的規模效應。場景碎片化意味著每一個新領域的垂直適配仍需不可忽視的工程投入，可能打破“一次訓練，遍地部署”的預期。
• 定價模式不清晰：模型價值難以從整體解決方案中剝離計價，開源模型的免費供給進一步壓制獨立模型公司的議價能力。

資料與合規風險

• 隱私：在家庭、醫院等場景中，視覺與語音資料可能觸犯 GDPR、國內個人資訊保護法等，限制資料獲取和跨境傳輸。
• 遙運算元據成本居高不下：高質量高頻率的全身遙操作需要大量熟練操作員，若無自動化資料產線，資料成本可能長期高於傳統程式設計除錯成本，削弱基礎模型的經濟理由。

競爭與人才風險 頭部科技公司通過高薪和算力優勢吸引有限的世界級具身智慧研究者，初創和學術機構人才流失可能放緩整個開源生態的進步。同時，地緣政治導致的 GPU 出口管制可能對中國本土模型訓練形成硬體瓶頸（2024 年部分高階 GPU 禁售已對國內算力租用成本產生明顯影響）。

12 誤讀糾偏

誤讀 1：“機器人基礎模型就是給機器人接一個大語言模型” 大語言模型僅提供高層語義理解與任務分解，機器人基礎模型的核心在於直接輸出物理動作——末端 6 自由度位姿、關節力矩或目標值。這些動作來自專門的動作解碼器（擴散或離散化預測），和大語言模型的文本生成有本質不同。簡單呼叫 LLM API 無法完成精密抓取與力控。

誤讀 2：“有了基礎模型就不再需要工程師” 基礎模型顯著降低場景切換時的重新程式設計量，但落地仍需大量系統工程：安全邊界限定、失效回退規則、技能編排、感測器冗餘校驗、電氣與機械整合等。現場部署時往往還需收集特定場景的微調資料，並設計人機協作互動流程，遠非開箱即用。

誤讀 3：“基礎模型能讓機器人立刻像人一樣靈活” 當前最好的基礎模型在桌面操作等受限場景下表現良好，但面對複雜靈巧操作（如繫鞋帶、插入柔性排線）、雙腳移動與上肢操作的動態耦合，失敗率仍極高。受限於靈巧手硬體密度和力覺反饋技術，達到人手級別的普適靈巧度仍需數年甚至十數年。

誤讀 4：“開源模型會立即讓所有機器人公司同質化” 開源模型確實降低了入門門檻，但高質量、針對特定硬體的微調資料、控制律整定、安全驗證和系統整合仍是差異化關鍵。就像手機安卓生態一樣，開源系統上的終端產品和體驗仍然天差地別。

誤讀 5：“資料越多，模型就越聰明，這是純粹的大型模型故事” 機器人資料不同於網際網路文本，生成高質量操作標籤成本極高，且資料質量比資料量更重要。少量高質量、多樣化的示教資料往往比數以萬計的劣質自動化採集資料更能提升泛化性。資料飛輪要想轉起來，需要部署機器人在真實場景中持續產生自主改進迴圈，這在當前故障率下仍有難度。

13 最新事件

以下選取 2024 年至 2025 年初，對機器人基礎模型賽道產生重大影響的公開事件，按時間倒序列舉。

• 2025 年 1 月，輝達推出 Cosmos 世界模型平台：CES 2025 上，輝達釋出 Cos