对不同具身智能系统架构进行介绍, 并总结了目前具身智能模型的数据来源, 包括 模拟器、模仿学习以及视频学习; 最后, 对基于大语言模型 (Large language model, LLM) 的具身智能系统面临的挑战与发 展方向进行讨论与总结. 关键词 大语言模型, 大型视觉模型, 基础模型, 具身智能, 机器人 引用格式 王文晟, 谭宁, 黄凯, 张雨浓, 郑伟诗, 孙富春. 基于大模型的具身智能系统综述. 自动化学报 具身智能的概念最早可以上溯至 1950 年图灵 在其著名论文“Computing machinery and intelli- gence”[1] 中对未来机器发展方向的设想: 一个方向 是让机器学会抽象技能, 如下棋; 另一个方向则是 为机器人提供足够好的传感器, 使之可以像人类一 样学习. 前者的思想出现在后来发展的各类神经网 络如多层感知机、卷积神经网络中, 即离身智能; 后 者则逐渐发展出了具身智能的概念 节对各类实现大模型结合具身智能的系统架构进行 分类与介绍; 第 4 节从模拟器、模仿学习和视频学 习等方面介绍具身智能训练的数据来源, 探讨大模 型如何为机器人训练带来丰富的数据; 最后在第 5 节对全文进行总结并提出研究方向. 1 感知与理解 在与环境的交互中, 具身智能通过摄像头、麦 克风等传感器接受原始数据, 并解析数据信息, 形 成对环境的认知. 在处理此类信息时, 大模型有着 强大的优势, 能有效处理整合多模态的输入数据

科技创新体系优化 产业创新生态营造 技术创新路径规划 数字化转型方案 智能制造升级 绿色低碳发展 技术竞争态势分析 市场机遇识别 产品创新方向 竞争优势构建 产业发展战略规划 新兴产业布局指导 产业能级提升路径 未来产业培育方向 产业链风险预警 供应链韧性提升 产业链补链强链 产业安全保障体系 上下游协同创新 产业资源对接 创新要素匹配 产业生态融 入 有效选择。 如何精准感知产业技术态势，科学研判产业发展方向，及时布局产业化应用场景培育 新产品，成为未来产业大变局中区域 / 企业实现竞争突围的关键。 产业发展决策：广阔的社会需求 产业技术监测跟踪 产业技术“弱信号”发现 技术演进路径分析 前沿技术遴选研判 产业发展趋势预测 产业化应用场景研判 产业发展 方向研判 产业经济面临挑战 · 产业基础能力不足 产业基础能力的不足是一个重要挑战。在核心 结合工具集 知识库和指令微调训练得到产业垂域大模型 提供 产业链图认知 产业主体画像 产业实体匹配 产业发展预测 产业数据探索 业报告生成等 个方向的特色能力。 产业垂域大模型 iChainGPT 产 业 网 链 大 模 型 使 用 海 量 产 业 数 据 和 知 识 图 谱 训 练 ， 创 新 性 地 引 入 了 “ 大 小 模 型

但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用 层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的 特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研 发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被 垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商 业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且 输出结果不一定符合需求，tokens 成本远高于普通 LLMs。  人工智能发展迅猛，智能体商业化落地：未来多方面推动人工智能发展，应用级 别智能体有望快速落地。国内各地相继出台关于人工智能的发展政策，推动其为 重要的研究方向。预计 2026 年国内人工智能市场规模超过 260 亿美元，全球人 工智能市场规模 2025 年超 6 万亿美元。海外以美国为例，相关政策出台时间较早， 人工智能领域发展更加成熟，许多智能体应用已在服务各类企业。并且美国有意 让 智能体用试错的方式来学习，若某个策略能得到奖赏，则智能体产生该行为的策略就会 加强。其目的就是在单一环境中行动，尽可能得到最大的奖励。应用领域目前也较为广 泛，例如赛车游戏中连续动作的训练：控制方向盘、油门、刹车等动作，可由 DDPG、 A3C、PPO 算法来决策。一些离散动作的训练例如围棋智能体 AlphaGo，可通过 Q-Learning 等算法决策。 多智能体的决策不仅与自身行动相关

对行业的建议..................................................................................150 10.3 未来研究方向..................................................................................151 1. 引言 随着人工智 生成式大模型在医疗场景中的实际应用可行性，具体可 以概括为以下几个方面： 首先，通过系统调研和分析，以确定 AI 生成式大模型在不同 医疗场景中的应用潜力。这包括对现有技术的评估以及对各类医疗 实践需求的深刻理解，以确保所选应用方向具有实用性和必要性。 其次，旨在搭建一个可供临床验证的 AI 生成式大模型框架， 实现医疗数据与模型输出之间的有效整合。通过与医疗工作者和技 术团队的合作，将数据处理流程、模型训练及生成结果的反馈机制 测，再到统筹沟通和反馈。 最终，AI 生成式大模型在患者管理中的应用，能够提升患者的 就医体验和遵医行为，并且通过有效的数据分析，促进医疗资源的 合理配置和使用。这将是未来医疗服务发展的重要方向。通过以上 需求的综合分析，可以明确 AI 在患者管理中扮演着至关重要的角 色，是提升医疗质量与效率的动力源泉。 3.1.1 个性化医疗 在现代医疗中，个性化医疗的理念逐渐向深入发展，旨在根据

，教育行业率先成为这场AI技术平权浪潮 的"风暴眼"。各大细分赛道头部企业如学而思、网易有道、中公教育、希沃等纷纷 抢滩接入DeepSeek-R1大模型，并围绕DeepSeek能力开启软件与硬件业务方向的 智能升级、创新，推动行业走向AI原生教育的新生态。 一、教育企业快速拥抱DeepSeek，以其思维链、高性价 比优势掀起新一轮变革 DeepSeek-R1自2025年1月20日正式发布以来，热度快速且持续增长，C端流量爆 更专注于应用场景，发挥自身学情数据、教育业务、行业认知层面的优势，深度挖 掘AI教育模式及产品服务创新。 截至目前，DeepSeek能力主要落地于智能教育硬件产品、AI教育应用、教育内容 制作、客服家校沟通、教育企业内部业务等方向，通过结合通用大模型的能力优势 与垂直数据，突破AI在部分学科/教育场景中的应用瓶颈，赋能降本增效。预计随行 业进入AI深度整合的新阶段，将有更多阶段性原生AI教育软硬件产品涌现，创新教 育模式、重

道交通运营管理深度融合，可以为提升城市轨道交通的高效性、安 全性和服务质量提供强有力的支持，为城市出行带来革命性的变 化。最终，建设更加智能、高效、便捷的城市轨道交通系统，满足 日益增长的城市出行需求，将是我们努力的方向。 1.1 城市轨道交通行业现状 城市轨道交通行业是现代城市公共交通系统的重要组成部分， 随着城市化进程的加快，城市轨道交通在解决城市交通拥堵、改善 公共运输效率、促进城市可持续发展等方面的重要性日益凸显。目 本文旨在分析并指导城市轨道交通行业如何有效应用 AI 大模 型，以提升运营效率、优化乘客体验和增强决策支持。通过对行业 现状的深入研究和案例分析，我们希望明确 AI 大模型在轨道交通 中的具体应用方向，制定一系列可行的实施步骤，并提供切实的建 议与操作方案。 首先，本文将介绍城市轨道交通行业的基本情况以及面临的主 要挑战。这些挑战包括实时数据处理不足、乘客流量波动、设备维 护不及时等。接着，我们将详细探讨 在维护过程中，AI 可以辅助维护人员进行故障分析，结合故障 历史记录和当前设备状态，以快速找出问题根源。例如，对某项设 备的故障进行数据驱动的根本原因分析（RCA），能够帮助维护团 队明确修复方向，避免无效的维修行动，进而节省成本和时间。 此外，利用 AI 模型可进行预测性维护策略的实施。在设备即 将进入故障状态时，系统能自动生成维护通知，维护团队可以根据 通知提前做好准备，减少因故障导致的停运时间。

“精准预知”、从“等量管理”向“减 量管理”的转型升级。这一转变不仅将提升保险公司的核心竞争力，还将为消费者提供更加 个性化、高效、便捷的保险服务，推动保险行业向更高质量、更高效率、更高附加值的方向 发展。 在全球金融格局深刻调整、中国经济高质量发展的背景下，保险业作为国民经济的重 要支柱和风险管理的重要力量，必须紧跟时代步伐，把握科技革命的历史机遇。我们希望通 过本白皮书的发布，为保 综上所述，大模型技术在保险业的初步应用成效显著，不仅提升了效率、降低了成本、 优化了服务，还激发了行业的创新活力。随着技术的不断发展和应用的深入拓展，大模型技 术将在保险业中发挥更加重要的作用，推动行业向更加智能化、高效化、个性化的方向发展。 �� （1）推理速度瓶颈 在保险行业，特别是在线服务环境中，用户期望的是即时反馈。然而，大模型由于其复 杂的计算过程和庞大的参数规模，往往在处理速度上显得力不从心。这要求技术团队在算 加强与科研机构和高校的合作与交流，引入先进技术和人才；三是建立完善的运维管理体 系和应急预案，确保系统的稳定性和可用性。 同时，保险公司还需要关注技术发展趋势和市场动态，及时调整技术策略和投资方向， 以保持技术的先进性和竞争力。 大模型技术在保险行业的初步应用已显现出效率提升、客户体验优化及风险管理能 力增强的显著优势。然而，要全面释放这些技术的潜力，保险公司必须积极应对推理速度、

技术迭代与升级..............................................................................171 10.1.1 新技术的研发方向.................................................................173 10.1.2 持续改进与更新............... 建立用户反馈机制，定期评估模型效果，进行迭代优 化。 在长期愿景方面，项目不仅关注技术的落地实施，更强调与相 关利益方的合作，通过构建开放的生态系统，形成政府、企业、科 研机构的协同创新，共同推动中国铁路事业向智能化、数字化方向 不断前进，为未来的智慧城市建设奠定基础。实现铁路沿线管理的 自适应、自优化，最终形成一个具备高度智能化、生态友好型的铁 路运输系统。 2. 技术方案概述 在铁路沿线实景三维 AI 大模型的应用方案中，技术方案的设 配备高精度的 GPS 设备，确保航拍图像的地理位置准确，使 数据更具参考价值。 3. 根据天气情况和光照条件选择合适的拍摄时间，以获取更清晰 的图像。 4. 采用多角度拍摄策略，分别从不同方向和高度获取同一地物的 影像数据，增强模型的细节。 与此同时，地面采集将通过专业的测量设备和人员进行。在航 拍无法覆盖或地面特征细节需要更加精确的数据区域，地面采集将 提供补充数据。这一过程主要包括：

展望未来发展....................................................................................166 9.3 进一步研究方向................................................................................169 1. 引言 在过去几年中， 创新方法和研究文献的 支持 高计算 性能 大学合作优 惠 遵循学术 道德规范 学术交流 平台 综上所述，通过深入分析目标市场用户的需求，我们可以为大 模型 SaaS 平台的设计方案提供明确的方向和依据。这不仅有助于 提升产品的市场竞争力，也能够有效满足用户的实际需求，促进平 台的持续发展和用户的长期粘性。 2.2 竞争分析 在人工智能大模型 SaaS 平台的市场中，竞争环境日益激烈。 数据驱动的智能 推荐 中 内容创作与推荐系统 广告收 入分成 用户反馈机 制 通过对主要竞争者的深入分析，我们可以明确行业格局与自身 产品的定位，从而制定切实可行的市场进入策略与产品发展方向， 以期在快速发展的 AI 市场中占据有利地位。 2.2.2 竞争策略比较 在人工智能行业，特别是在大模型 SaaS 平台的领域，竞争策 略的比较对于确定市场定位和制定有效的市场进入策略至关重要。

.....................................................................................130 14.3 未来发展方向.................................................................................132 1. 引言 在当今数字化 市场环境方面，工程造价行业的竞争日益激烈，企业面临着成 本控制和效率提升的双重压力。一方面，客户对造价服务的质量和 效率要求不断提高，另一方面，行业内部的标准化和规范化程度有 待加强。这些因素共同推动了工程造价行业向数字化、智能化方向 发展的迫切需求。 在此背景下，人工智能技术的引入为工程造价行业带来了新的 解决方案。通过深度学习和大数据分析，AI 可以自动化处理大量复 杂的造价信息，提高计算的准确性和效率。同时，AI 技术还可以整 提供的数据分析和预测结 果，能够为项目管理者提供有力的决策支持，帮助他们做出更 为科学和合理的管理决策。 此外，DeepSeek-R1 的应用还能够促进工程造价领域的数字 化转型，推动行业向智能化、自动化方向发展。通过与传统工程管 理系统的无缝集成，DeepSeek-R1 能够形成一个高效、智能的工 程造价管理平台，为建筑企业的可持续发展提供强有力的技术支持。 2. DeepSeek-R1 大模型的技术特点