基于大模型的具身智能系统综述 王文晟 1 谭 宁 1 黄 凯 1 张雨浓 1 郑伟诗 1 孙富春 2 摘 要 得益于近期具有世界知识的大规模预训练模型的迅速发展, 基于大模型的具身智能在各类任务中取得了良好的 效果, 展现出强大的泛化能力与在各领域内广阔的应用前景. 鉴于此, 对基于大模型的具身智能的工作进行了综述, 首先, 介绍大模型在具身智能系统中起到的感知与理解作用; 介绍大模型在具身智能系统中起到的感知与理解作用; 其次, 对大模型在具身智能中参与的需求级、任务级、规划级和动作 级的控制进行了较为全面的总结; 然后, 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, 2025, 51(1): 1−19 DOI 10.16383/j.aas.c240542 CSTR 32138.14.j.aas.c240542 Embodied Intelligence Systems

面向具身智能的 大小脑模型协同算法研究及实践 盛律 | 软件学院 2025-08-23 1 具身智能的基本概念 基于物理载体进行感知和行动的智能系统，其通过智能体与环境的交互获 取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性 具身 智能 2 具身智能的基本概念 基于物理载体进行感知和行动的智能系统，其通过智能体与环境的交互获 取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性 行为和适应性 具身 智能 传统智能 具身智能 只可远观，被动接受 别人告诉我这就是盒子 可以打开，可以装东西 我主动体验什么是盒子 被动抽象接受 主动具体体验 重要 意义 具身智能因其能自主产生智能行为和适应性，是通用人工智能的可能起点 3 具身智能的关键任务 导航 问答 操作 4 具身智能的核心目标 5 具身智能的核心要素 具身载体(Agent) 具身模型(Model) 物理 载体 相比具身载体的日趋成熟，具身模型的算法研究方兴未艾、挑战众多 现状 6 具身模型应该考虑哪些能力？ n 技能泛化、真实交互、本体扩展 Skill （技能泛化） Reality （真实交互） Embodiment （本体扩展） Adapted from Jim Fan’s talk 7 具身模型的几种类型 大小脑协同 端到端 8 具身模型的最新进展：代表性新工作

however caused. The information herein should not be regarded as a substitute for legal advice. by M2具身智能研究院，2025.8 北京 2025全球人形机器人企业能力画像 [人形机器人整机企业能力评估模型2.0] M2 2025 Proprietary and Confidential All 回顾更新：2025全球人形机器人量产现状 & 2030展望 3. 聚焦思考：2025全球人形机器人企业能力评估模型 4. 假设展望：未来3-5年各类画像企业成长曲线、商业模式 5. M2具身智能研究院 - 赋能具身智能全产业链企业持续增长 M2 2025 Proprietary and Confidential All Rights Reserved. 人形机器人产业链出海现状（上游零部件） Reserved. 人形机器人产业链出海现状（中游整机） 人形机器人整机出海加速，当前主流企业以设立海外销售主体为主，出海产品以服务/康复/教育机器人为主，2024人形机器人加速。 4 中国具身智能机器人整机企业全球布局 北美 东南亚 欧洲 • 2022、2025，设2家香港子公司，计划辐射 东南亚、欧洲 • 2018，成立新加坡子公司、全球海外事业部 • 2015、2020，成立两家美国销售分公司

证券研究报告|行业深度研究报告 核心观点 2 资料来源：华西证券研究所  人形机器人：承载AI未来 人形机器人的外观和行为与人高度相似，能够适应人类的生存环境、使用人类的生产工具，形态更易令人产生共鸣，是具身智能最理想的载体。受政 策出台、技术成熟、需求高涨和供给竞争等因素的推动，人形机器人正处于商业化爆发的前夜，生产成本快速下降，国内外巨头接连入局构建生态。  产业链：国产替代趋势明显 人形机器 G1 ，定价仅9.9万元起，有望推动人形机器人进入千 家万户。Figure AI率先探索人形机器人实际应用， Figure 01已在宝马美国斯帕坦堡工厂进入试点环节，还与OpenAI合作推进机器人具身智能。  计算机领域：控制与感知 控制系统负责对人形机器人的行为和运动进行规划和控制，相当于“大脑”和“小脑”，视觉则是人形机器人对外感知的主要渠道，二者共同构成人 形机器人的核心领域。机器人 eepMind与斯坦福大学联合推出的Mobile Aloha也 两次迭代更新；沉寂许久的波斯顿动力放出Atlas拾起并搬运汽车零部件的视频；宝马将Figure AI的人形机器人投入工厂试用；华为全球具身智能产业创 新中心正式运营，与乐聚机器人等16家企业签署了合作备忘录，正式入局人形机器人领域；宇树科技发布了低价人形机器人Unitree G1；丰田人形机器人C UE6完成了24.55米的远距离篮球

四个部分。首先，从技术突破、大国竞争和市场前景三个角度，分析 “机器人+人工智能”工业应用的发展背景；其次，从技术趋势的角 度，回顾人工智能与机器人融合的三大技术方向，分析在人工智能大 模型推动下，以人形机器人为代表的具身智能技术的前沿进展；接着， 从应用场景的角度，通过全球 88 个案例分析“机器人+人工智能”在 典型场景、行业中应用情况；最后，从技术、产品和应用三个方面， 展望“机器人+人工智能”在工业场景中的应用前景。 二、全球“机器人+人工智能”技术趋势分析 .................. 3 （一）工业领域的机器人正在从中等智能走向高度智能 ...... 3 （二）三大融合方向及其组合推动智能机器人产品涌现 ...... 5 （三）具身智能尤其是人形机器人前沿研究持续火热 ........ 8 三、“机器人+人工智能”在工业领域的应用 ................. 10 （一）应用场景：从生产操作向其他高附加值场景拓展 .. 18 3、钢铁：聚焦质量管理和安全管理 ...................... 20 四、“机器人+人工智能”工业应用展望 ..................... 22 （一）具身智能机器人将进一步变革工业生产形态 ......... 22 （二）工业人形机器人规模化应用仍需经历长期技术迭代 ... 22 （三）行业应用将从汽车电子向其他制造业领域渗透 ....... 23

行业下半场的生态发展路线 22 2.2.1.生态技术基础：基于模块化设计与AIoT的R2X 22 2.2.2.商业模式变革：多品类产品矩阵助力全栈式具身智能 29 2.2.3.通用的多元形态：专用+类人形+人形 30 2.2.4.多技术栈驱动的具身智能：移动+操作+交互 32 2.2.5.开放、协同、通用：可持续与普惠的创新 38 2.3.生态价值体现 39 第三章 全球细分产业综合实践 在全球产业智能化转型升级的浪潮中，服务机 器人逐渐成为各个行业不可或缺的生产力工具， 以及推动各领域创新和效率提升的重要力量。 与此同时，随着人工智能等前沿技术的不断发 展与进步，机器人行业正在稳步迈向具身智能 的未来。但同时，实现服务机器人更大规模落 地的道路上也面临着来自技术与商业模式等方 面的多重机遇和挑战。 为了应对日益复杂的市场需求和多样化的应用 场景，同时伴随着商用服务机器人行业下半场 该生态不只是一个技术架构，更是一个融合了产 品技术和商业模式的创新生态，旨在促进服务机 器人在不同细分场景中的协作和整合。通过推动 行业标准的建立和多技术栈的创新，该生态将为 全球服务机器人行业带来深刻的变革，推动服务 机器人迈向通用具身智能的新时代。 在这一生态系统中，机器人的学习和适应能力 将不断增强，能够更灵活地应对各种复杂的任 务和环境，实现跨场景任务的泛化性。此外， 该生态还将助力全球各行各业向智能化、高效 化迈进，创造出更大的经济价值和社会效益。

各国人形机器人战略布局各有侧重 全球主要经济体均高度重视具身智能发展，不断出台政策支持具身 智能发展，提升全社会对机器人领域的关注和支持。美国紧抓人工智 能基础研究，保持具身智能领域的前沿领先地位。先后出台《国家机 器人计划3.0》和《国防部人工智能战略》，将AI技术竞争上升至国家 战略层面。欧盟方面，积极推进具身智能发展，强调具身智能的安全 与透明度，先后推出《欧盟机器人研发计划》、《欧洲人工智能战略 欧洲人工智能战略 》和《人工智能驱动机器人战略》等。欧盟还以《人工智能法案》为 基础，构建了具身智能发展的伦理框架与产业规范。亚洲地区，日本 正在将机器人纳入社会并使机器人成为其社会基础的关键部分。2022 年日本政府将机器人赋能制造、服务、医疗等应用场景的资金支持提 升至1057亿日元。人口老龄化背景下的机器人替代人类是支持重点， 推出了《社会基础设施用机器人重点领域》和《服务机器人安全操作 的人形机器人企业。杭州宇树推出的Unitree H1、Unitree G1人形 机器人性能佳、价格低，可用于工业、家庭服务等多重场景。 图3 国外企业融资情况概览 （来源：中国联通研究院） 05 来源：中金公司《具身智能：AI下一站》 二、人形机器人的技术演进 （一）整机“智能化感知决策水平”不断提升 在全球人形机器人领域，特斯拉、Figure AI、波士顿动力处于第 一梯队，1X、Digit等

辩证的思维去理解并塑造未来，共同迎接一个以人为本、人机共生、绿色可持续的智能新纪元。 中国科学院院士 北京航空航天大学教授 人工智能学院院长 随着智能世界 2035 的到来，人类进入关键历史时刻。数字认知和物理世界相互融合，具身智 能应运而生，重塑着我们星球的方方面面。作为香港科技大学首席副校长，我很荣幸与大家分享未 来愿景。这一愿景不仅汲取了华为《智能世界 2035》报告中揭示的技术趋势，更凝聚了学术界、 产业界和社会的共同期待。 量子处理器等。存储将迈入尧字节时代，让数据“觉醒”，为持续学习提供有形资源。云边协同共 生将推动 AI 民主化，而能源领域的突破，特别是高密度电池和可持续发电，将消除认知和实现之间 的最后障碍。在这些基础设施的加持下，具身智能将成为可能，促进制造机器人、家庭助手等物理 实体以自主性、适应性和目标导向的方式行动。 这将对我们的星球产生深远积极的影响。以道德框架为指导、以清洁能源为动力的智能体将在 农业、物流和电网 的气候建模将提供前所未有的预测能力，帮助决策者采取预防措施，应对极端天气事件和海 平面上升，这对像香港这样易受影响的沿海地区来说至关重要。 人类生产将经历场景跃升，重塑工作的本质和创造力。在制造业，具身智能将催生出自我优 化的工厂，机器不仅能执行任务，还可在运行过程中实时优化流程设计，形成一个持续创新的良性 循环。在金融服务业，智能体在风险评估、欺诈检测和提供个性化咨询服务方面的能力将接近人类

机交互困难一直是困扰其发展的一大难点。从最近谷歌推出的 Project Astra 以及 Meta 的雷朋眼镜中我们看到，大模型所具备的图像理解、语音交互， 以及根据语音交互结果进行的执行能力有望大幅度提高 AR 眼镜的交互能 力。目前具身智能的发展仍处于非常早期的阶段，但是大模型所具备的以上 能力有望大幅提高机器人对环境的理解能力，以及根据理解结果控制关节等 的执行能力。相关标的包括：Meta，奕瑞，龙旗，舜宇，水晶光电，歌尔。 ............................................................................. 15 大模型应用#3：AI 大模型推动具身智能技术加速迭代 .......................................................................................... 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 4 电子 图表2： 大模型发展推动硬件载体的变迁 资料来源：华泰研究 大模型如何赋能终端：交互能力提升（轻量级 AR），代码执行（具身智能）。AR/VR 一直 被认为有望替代手机成为下一代移动终端。但由于缺少触摸屏，人机交互困难一直是困扰 AR/VR 发展的一大难点。从最近 OpenAI 推出的 GPT-4o、谷歌推出的 Project

薄弱环节，无法满足全链路数据安全防护要求。 2、人工智能大模型语料发展与挑战 2.1 人工智能大模型语料发展趋势 1. 从大语言模型到多模态 / 具身智能大模型的语料演进 当前大模型技术正经历从弱人工智能（机器学习、神经网络、大语言模型）向通用人工智能（Agent、多模态、 具身智能）的范式跃迁。这不仅对于模型架构的设计理念进行了重构，同时也对大模型各阶段的训练语料提出 全新要求。 1942 1956 2022 Deepseek R1 发布 图 2 大模型技术发展演进阶段 09 公开数 2c 现象级应 首先，对多模态关联的复杂语料需求日益迫切。针对 大模型语料质量，传统纯文本数据已经无法支撑多 模态与具身大模型联合建模的需求。业界实践表 明，在多模态场景下的语料供给，需要进行跨模态 语料数据精准对齐，实践通过融合图文信息，运动 轨迹，场景数据，使得复杂论文的解析准确率提升 37%。此类多模态场景在处理包含图表、公式的复杂 告分析，多模态（视频）语料在智能监控领域的渗 透 率从 2023 年 18% 提 升至 2025 年 35%，例 如 特 斯 拉自动驾驶系统当前需要超 20 万小时多模态 场景数据进行模型能力提升。此外，具身智能模型 更需要空间动态语料，比如物体运动轨迹、各类参 数信息等。 据求思咨询报告分析，全球 AI 语料市场 规模预计在 2025 年突破 109 亿元。并且数据合成 成为当前突破