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

年深度行业分析研究报告 目录 C O N T E N T S 英伟达主导现有大脑方案 01 02 03 大脑能力技术路线 4 04 L4及L5具身智能应用展望 05 从人脑看具身大脑 国内外厂商大模型进展 从人脑看 具身大脑 01 Partone 5 人脑结构拆解 01 6 资料来源：浙商证券产业研究院 了解机器人大脑之前我们不妨先了解一下我们人类的人脑。人脑由大 本报告来源于三个皮匠报告站（www.sgpjbg.com）,由用户Id:349461下载,文档Id:654005,下载日期:2025-05-23 算法方案技术路线 03 13 资料来源：量子位智库、浙商证券产业研究院 具身智能的算法方案分为分层决策模型和端到端模型两种路线。 分层决策模型 端到端模型 以「Figure 01」为代表，将任务分解成不同层级，以多个神经网 络训练，再以流程管线的方式组合。Figure 缺点是：训练数据海量、消耗资源巨大、机器人执行实时性差。 训练方案技术路线 03 14 资料来源：量子位智库、浙商证券产业研究院 具身智能的训练方法可分为模仿学习和强化学习两种路线。 模仿学习 强化学习 模仿学习—— 智能体通过观察和模仿专家（经验丰富的人类操作者或具 有高级性能的系统）的行为来学习任务。 • 优势：可以快速学习专家策略，无需复杂的探索过程 • 劣势：学习到的行为策略受限于专家数据，对于未见

具身智能的基础知识 2025 年 9 月 11 日 R1 .0 版 目录 CONTENTS 具身智能 的基 本概念 具身智能 的发 展演 进 具身 智能 的核 心技 术 具身智 能 的产 业链 具身智能的基 本概念 PART ■ 具身智能的基本概念 □ 具身智能的定义 > 具身智能 (Embodied Intelligence) , 是一种基于物理身体进行感知和行动的智能系统。 智能行为和适应性。 > 具身智能是人工智能与机器人学交叉的前沿领域，其核心在于将感知、行动与认知深度融合。 ■ 具身智能的基本概念 □ 什么是“具身” >“ 具身“是一个很小众的名词，通常都出现在哲学、认知科学领域。 >“ 具身”的英文叫 Embodied , 是 embody 的过去式和过去分词。 em- 表示 进入，使 … … ” , -body 表 示 身 体”。组合起来，就是“使 体”。组合起来，就是“使 . … 进入身体”。 Embod'ed Inteligence ( 具身智能 ) , 顾名思义，就是“使智能进入身体”、“给智能一个身体”的意思。 具身智能 Embodied lntelli gence 维度 传统 Al ( 如 ChatGPT, 图像识别 ) 具身 Al ( 如家庭机器人，自动驾驶 ) 环境 静态、封闭的数字世界 动态、开放的物理世界 输入 单一或特定模态

传统行业的颠覆性变革和提升。具身智能作为人工 智能领域的前沿方向，正从理论研究阶段迈向实际应 用，开启人机深度协同的新纪元 ［1］。 2023 年以来，具身智能在技术突破和应用拓展方 面取得了显著进展。计算机视觉中激光雷达、深度相 机等感知技术的进步，使具身物理本体能够实现毫米 级环境感知 ［2］；强化学习、模仿学习、自适应控制等人 工智能算法的发展，让具身智能在虚拟仿真环境中通 Action 大模型的出现，进一步增 强了具身智能的泛化能力，使其能够适应不同的应用 场景 ［4］；分布式协同技术则构建了多智能体协作网络， 提升了群体智能的规模效应 ［5］。 随着技术的不断成熟，具身智能的不同初级形态 已广泛应用于工业制造、医疗健康、自动驾驶、家庭服 务等多个领域，为各行业的智能化升级提供了强大动 关键词： 具身智能；技术架构；应用案例；发展挑战；未来趋 势 文献标识码：A 开放科学（资源服务）标识码（OSID）： 摘 要： 具身智能作为人工智能领域中的前沿方向，正从技术验证走向实际应用，展现 出产业革新潜力。阐述了具身智能的核心概念与技术架构，探讨了其在多领域 的应用案例和边界，特别是工业应用实践、挑战和突破点；同时关注其发展所面 临的关键问题与挑战，展望了未来可能的演进路径。此研究表明，具身智能不 仅是技术发展的必然趋势，更是推动社会智能化转型的重要力量，将在全球范

已成为一项紧迫的时代课题。 具身智能，作为人工智能与物理世界深度融合的典范，正步入以 “AI+高端制造”为核心的黄金发展期，有望成为驱动未来经济增长的 核心引擎。它不仅将重塑制造业价值链，更将催生“制造服务业”、“现 代服务业”、“消费新物种”等新业态，并广泛赋能于国防无人系统、生 物科技设备等领域，展现跨行业的辐射力与生态带动力。 目前，我国具身智能产业生态，亟需产业协同与基础研究突破创 业专家、科研领军者、企业家和投资人构成的“具身智能技术与产业 战略研究小组”。在《创变下一浪》研究基础上，小组成员深入开展 全国范围的产业调研与企业访谈，历经近半年的扎实工作，最终凝练 成这份《2025 中国具身智能产业星图》。 具身智能发展日新月异，本报告所呈现的数据与分析均基于一定 时间内的调研与检索结果，如有疏漏与不足，恳请各界批评指正。我 们期待本报告为中国具身智能领域的创新与突破提供有价值的参考！ 具身智能技术与产业战略研究小组 中国制造业的全球压倒性优势为具身智能奠定产业土壤。2023 年，中国制造业增加值达 32.38 万亿元，已超过美、德、意、英制造 业增加值之和，并是日本制造业 GDP 总量的 5 倍以上。在传统制造 过剩和低附加值的背景下，“高端制造”成为转型必然，而具身智能 正是这一战略升级的底层支撑。 具身智能引领“自动化→智能化”的范式跃迁。传统机器人依赖 硬件与固定编程，而具身智能融合 AI 大模型、多模态感知、端到端

2025/07/DTPT —————————— 收稿日期：2025-06-11 0 引言 人工智能技术正加速从虚拟环境走向与现实世 界交互的“具身智能”新纪元。具身智能（Embodied In⁃ telligence）通过赋予人工智能体物理存在形式，使其能 在三维空间中实现环境感知、动态决策与自主行动， 构建起“感知—决策—执行”的闭环智能系统。该理 念可追溯至 1986 年 Rodney ［1］，它颠覆了传统 AI 对符号推理的依赖，主张智能 应通过身体与环境的实时交互自然涌现。2025 年北 京亦庄人形机器人半程马拉松赛事中参赛机型展现 出的环境适应能力，在一定程度上标志着具身智能已 从实验室验证迈向产业化落地。 近年来技术突破逐渐形成多维进化格局，在大规 模预训练模型方面，深度求索发布的 DeepSeek 系列开 源模型显著降低了开发门槛 ［2］；在硬件创新领域，宇树 联合开发的 Figure 01 已实现语 关键词： 具身智能；标准化；评测体系；应用场景 doi：10.12045/j.issn.1007-3043.2025.07.008 文章编号：1007-3043（2025）07-0046-07 中图分类号：TP18 文献标识码：A 开放科学（资源服务）标识码（OSID）： 摘 要： 具身智能作为融合了人工智能与机器人技术的新范式，是实现物理世界感知、

具身机器人行业现状 及 未来趋势分析 CONTENTS 目 录 当前研发状态 01 应用现状 02 未来发展方向 03 商业化挑战与突破点 04 投资逻辑建议 05 总结 06 01 运动控制进展与瓶颈 运动控制基础行走抓取已实现，动态平衡复杂地形适应 受限，如宇树科技春晚表演机器人在复杂舞台环境中需 多次调整才能稳定行走。 运动控制技术瓶颈制约应用场景拓展，复杂环境适应性 长时间作业需求，如工业巡检机器人需频繁充电，影 响工作效率。 能源效率问题限制机器人在物流仓储等需要长时间连 续作业场景的应用，增加运营成本。 硬件技术突破 具身智能算法环境感知与决策能力相当于GPT- 2水平，依赖大量数据训练，如星海图机器人需人工干预才能完成复杂任务。 具身智能算法数据依赖性强，数据采集标注成本高，且算法泛化能力有限，难以适应多样化场景。 多模态交互视觉语言动作协同尚未成熟，MIT实验完成指令需3 AI大脑与硬件融合存在兼容性稳定性问题，如部分机器人在高强度任务下出现算法与硬件脱节故障，影响任务完成。 AI大脑与硬件融合问题导致机器人在复杂任务执行中出现故障，降低可靠性，影响市场信任度。 具身智能算法能力 多模态交互协同 AI大脑与硬件融合挑战 AI大脑发展 区域分布珠三角伺服系统、长三角AI 算法、京津冀精密制造，产业集聚效 应初显，但协同效率待提升。 区域产业分布不均衡，各地产业配套

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