具身人工智能发展现状：从技术突破到产业落地的全面解析

1 引言：从"离身"到"具身"的AI范式转变

近年来，人工智能领域正在经历一场从"离身智能"到"具身智能"的范式转变。所谓具身智能（Embodied AI），是指通过物理实体与环境互动实现自主学习的技术，通俗讲就是"让AI长出手脚，靠自己‘思考着干活’"。与传统仅存在于数字世界的"离身智能"不同，具身智能强调智能体不仅要具备认知能力，还应通过传感器、执行器等物理实体与物理环境实时交互，在复杂、动态的真实环境中完成任务。

这一转变代表着人工智能由"脑"及"身"的互融共进，成为连接数字经济与实体经济的关键桥梁。据国务院发展研究中心相关研究报告预测，中国具身智能产业市场规模有望在2030年达到4000亿元、在2035年突破万亿元，展现出巨大的发展潜力。

本篇文章将全面分析具身智能的发展现状，包括技术架构、关键进展、应用场景、产业格局与未来挑战，为读者提供一份详尽的技术与产业参考。

2 技术架构：大脑-小脑-本体的协同系统

具身智能的技术栈可概括为"大脑-小脑-本体"的垂直整合架构。这一架构模仿了人类的智能行为方式，实现了感知、决策、执行的闭环控制。

2.1 大脑：多模态认知与推理

"大脑"负责高级认知功能，包括环境感知、情境理解、任务规划和推理决策。北京人形机器人创新中心研发的"慧思开物"通用具身智能平台是其中的典型代表，其大脑具备自然交互、空间感知、意图理解、分层规划和错误反思等能力。

近期，视觉-语言-行动（VLA）模型成为具身智能大脑的核心技术方向。美国具身智能创业公司Physical Intelligence发布的π*0.6模型展示了强大的真实世界任务执行能力，通过对模型进行微调，可以在多种任务上达到90%成功率。

# 伪代码：VLA模型的基本推理流程
class VLAModel:
    def __init__(self, vision_encoder, language_encoder, action_decoder):
        self.vision_encoder = vision_encoder
        self.language_encoder = language_encoder 
        self.action_decoder = action_decoder
        
    def execute_task(self, image, language_command):
        # 处理视觉输入
        visual_rep = self.vision_encoder(image)
        
        # 处理语言指令
        language_rep = self.language_encoder(language_command)
        
        # 多模态融合与动作生成
        fused_representation = self.fuse_modalities(visual_rep, language_rep)
        action_sequence = self.action_decoder(fused_representation)
        
        return action_sequence
        
    def fuse_modalities(self, visual_rep, language_rep):
        # 使用交叉注意力机制进行多模态融合
        cross_attention = CrossAttention(visual_rep, language_rep)
        return cross_attention.get_fused_representation()

2.2 小脑：精密运动控制

"小脑"专注于机器人的运动控制和动作执行，涵盖元技能库、泛化抓取、技能拆解和错误处理等功能。小脑需要将大脑生成的高层指令转化为具体的关节运动或电机控制信号。

北京大学与BeingBeyond联合团队提出的DemoHLM框架采用了"低层全身控制器+高层操作策略"的分层设计，有效解耦了"运动控制"与"任务决策"。低层全身控制器负责将高层指令转化为关节力矩，同时保证机器人全方位移动性与平衡能力；高层操作策略则通过视觉闭环反馈，向低层发送任务导向的指令。

# 伪代码：分层小脑控制架构
class DemoHLM:
    def __init__(self, low_level_controller, high_level_policy):
        self.low_level_controller = low_level_controller  # 低层控制器(50Hz)
        self.high_level_policy = high_level_policy  # 高层策略(10Hz)
        
    def execute_action(self, rgbd_image, task_goal):
        # 高层策略处理视觉输入和任务目标
        high_level_command = self.high_level_policy(rgbd_image, task_goal)
        
        # 低层控制器将高层指令转化为关节控制信号
        joint_torques = self.low_level_controller(high_level_command)
        
        return joint_torques
        
    def train_low_level(self, demonstration_trajectories):
        # 使用强化学习训练低层控制器
        for trajectory in demonstration_trajectories:
            state, action, reward, next_state = trajectory
            self.low_level_controller.update_policy(state, action, reward, next_state)
            
    def train_high_level(self, demo_data):
        # 使用模仿学习训练高层策略
        self.high_level_policy.behavioral_cloning(demo_data)

2.3 本体：硬件载体与执行器

本体是具身智能的物理载体，其形态多样，包括人形机器人、轮式机器人、机械臂等。当前主流的人形机器人通常全身有22个关节模组，整体负载可达10公斤，适合导游、导览、教育、安防等产业。

在上游核心零部件方面，国产化率持续提升，无框力矩电机、谐波减速器等国产化程度高，不仅具备规模化生产与价格优势，还向国外整机企业送样测试。而在六维力传感器、行星滚珠丝杠、空心杯电机等曾由外资主导的领域，近2～3年国内产品性能也持续提升。

表1：具身智能硬件核心零部件国产化现状

核心零部件	国产化程度	技术水平	主要挑战
无框力矩电机	高	接近国际领先水平	性价比优化
谐波减速器	高	达到国际先进水平	寿命与一致性
六维力传感器	中	持续提升	精度与稳定性
行星滚珠丝杠	中低	快速追赶	材料与工艺
空心杯电机	中低	技术突破中	功率密度

3 关键技术进步：驱动产业发展的核心引擎

3.1 VLA模型：视觉-语言-行动的整合突破

VLA（视觉-语言-行动）模型已成为具身智能领域的核心技术框架，它能够直接根据视觉输入和语言指令输出动作控制信号。2025年，多家企业和研究机构在这一领域取得了显著进展。

北京人形机器人创新中心开源的Pelican-VL 1.0模型，是迄今为止"最大规模的开源具身多模态大模型"，在具身智能领域的性能超越GPT-5同类模型15.79%，与Google gemini系列模型相比提升19.25%。该模型采用全新的DPPO（刻意训练）训练范式，是全球首创的具身多模态大模型后训练自进化算法框架。

Physical Intelligence公司则通过Recap（基于优势条件策略的经验与纠错强化学习）方法，显著提升了VLA模型的性能。该方法结合了纠正式指导与强化学习，使机器人能够从自身行为中学习并改进。在咖啡制作任务中，经过Recap训练的π*0.6模型将吞吐量提高了一倍以上，并将失败率降低2倍或更多。

3.2 训练方法创新：数据效率大幅提升

具身智能的传统训练方法面临数据稀缺、成本高昂的挑战。近年来，仿真到现实（Sim-to-Real）技术和数据生成方法的发展，显著降低了训练对真实数据的依赖。

银河通用机器人采用Sim to Real数据生成技术，在仿真器中合成百亿级数据，通过随机生成场景参数训练模型，克服"视觉鸿沟"和"物理鸿沟"。基于"基础大模型+后训练"模式，仅需少量真实数据（一人/天采集量）即可快速适配新任务，且能举一反三。

北京大学与BeingBeyond联合团队的DemoHLM框架则实现了仅需1次仿真环境中的人类演示，即可自动生成海量训练数据，将训练成本从"数百小时真实遥操作"降至"小时级仿真演示"。其核心创新在于轨迹转换与分段：将演示轨迹拆解为"移动、预操作、操作"三阶段，并通过坐标系转换实现泛化。

# 伪代码：DemoHLM数据生成流程
class DemoHLMDataGenerator:
    def __init__(self, simulation_env):
        self.simulation_env = simulation_env
        
    def collect_human_demo(self, task):
        # 使用Apple Vision Pro捕获人类动作
        human_trajectory = capture_human_motion()
        return human_trajectory
        
    def segment_trajectory(self, trajectory):
        # 将轨迹分段：移动、预操作、操作
        locomotion_phase = trajectory[0:locomotion_end]
        pre_manipulation_phase = trajectory[locomotion_end:pre_manipulation_end] 
        manipulation_phase = trajectory[pre_manipulation_end:]
        
        return locomotion_phase, pre_manipulation_phase, manipulation_phase
        
    def coordinate_transform(self, phase, phase_type):
        if phase_type == "pre_manipulation":
            # 预操作阶段采用物体中心坐标系
            return self.object_centric_transform(phase)
        elif phase_type == "manipulation":
            # 操作阶段切换为本体感知坐标系
            return self.body_centric_transform(phase)
            
    def generate_synthetic_data(self, demo_trajectory, num_samples):
        synthetic_data = []
        
        for i in range(num_samples):
            # 随机初始化机器人与物体位姿
            initial_state = self.randomize_initial_conditions()
            
            # 调整各阶段指令并replay
            transformed_trajectory = self.replay_trajectory(demo_trajectory, initial_state)
            synthetic_data.append(transformed_trajectory)
            
        return synthetic_data

3.3 神经符号AI：结合学习与推理的混合方法

英特尔中国研究院的王志刚研究员提出了神经符号具身智能框架，将神经网络（数据驱动学习）与符号逻辑（规则驱动推理）融合。该混合方法利用神经网络实现感知与模式识别，通过符号逻辑确保规划可靠性与可验证性。

在移动单臂机器人拆卸电动汽车废旧电池包螺栓的案例中，使用PDDL（规划域定义语言）定义动作原语、每个动作原语的前置条件与执行效果，先通过神经网络生成初始任务规划以提升效率，再用符号逻辑验证计划正确性。这一方法使任务成功率从纯神经网络方案的**<80%** 提升至一次成功率95.7%、经重规划验证后可以达到100%。

4 应用场景分析：从工业到家庭的多元落地

具身智能的应用场景正在不断扩展，从工业制造到商业服务，再到家庭环境，呈现出"由点及面"的扩散态势。

4.1 工业制造场景

在工业场景中，具身智能已展现硬核实力。广州里工实业的人形机器人"里掂D1"，能在航空航天制造中完成毫米级精密操作，使自动化效率提升35%，不良品率下降66%。这类技术已覆盖广东24.3% 的汽车企业、18.4% 的电子信息企业。

智平方(AI²Robotics)公司则与惠科(HKC)达成战略合作，未来三年将在惠科全球生产基地累计部署"超过1000台"具身智能机器人。同时，该公司还拿到"奔驰的全球供应商资质"，机器人已进驻汽车工厂执行"上下料、物流转运"等全场景验证。

4.2 商业服务场景

在商业服务领域，银河通用机器人瞄准了无人药店的垂直场景，其机器人已在北京"开了7家无人药店"，“可以24小时在无人药店里捡药，对接骑手”。在"人形机器人运动会"医药分拣赛中，该公司的机器人可从8个货架、数百种药品中精准抓取并放入药篮，备赛周期仅一周。

智平方的爱宝机器人已于2025年第三季度进入"国内一线城市的机场"，在"虹桥机场"帮助旅客"收纳行李车"，展示了在复杂公共环境中服务的能力。

4.3 居家生活场景

居家服务是具身智能的终极目标之一，但也是技术挑战最大的领域之一。工信部与民政部已联合开展智能养老机器人试点，成果将通过全国养老服务信息平台推广，未来家庭可能出现能自主照顾老人、处理家务的服务机器人。

Physical Intelligence公司的π*0.6模型已能让机器人在办公室环境中自动制作拿铁、美式和意式咖啡，展示了在复杂日常任务中的可靠性。该公司还展示了机器人连续数小时不间断地折叠各种衣物的能力。

表2：具身智能主要应用场景与技术需求

应用场景	典型任务	技术需求	成熟度
工业制造	工件分拣、精密装配、物料搬运	毫米级操作精度、高可靠性	高
物流仓储	货物拣选、搬运、库存管理	物体识别、路径规划、抓取能力	中高
商业服务	导览、接待、药品分拣	自然交互、多任务处理	中
居家服务	清洁、物品递送、简单烹饪	复杂环境适应、多步任务规划	低中
医疗养老	老人监护、康复辅助	精细操作、安全交互、情感感知	低

5 产业格局与生态系统

5.1 龙头企业与技术路线

2025年，中国具身智能领域已形成多家龙头企业竞争的格局，主要集中在VLA技术路线的研发与落地。

智平方(AI²Robotics) 是全球最早专注VLA大模型研发的创业公司之一，其原创研发的GOVLA大模型实现了"全域全身"控制，“首次提出统一输出全身控制和移动轨迹”。该公司的RoboMamba大模型在多项"未见任务"的泛化能力上"大幅超越谷歌RT系列"，并"成功入选全球人工智能顶会NeurIPS 2024"。

小鹏汽车定位为"物理AI世界的出行探索者"，发布了第二代VLA大模型，其特点是"创新性去掉语言转译环节，实现视觉信号到动作指令的端到端直接生成"。该技术体系由720亿参数的基座模型支撑，能够"跨域驱动汽车、Robotaxi、机器人、飞行汽车等多类具身智能载体"。

银河通用专注于人形机器人硬件和具身智能大模型，推出了自主研发的端到端导航大模型TrackVLA和面向零售场景的VLA大模型GroceryVLA。其技术范式是将"大脑"(任务)与"小脑"(控制)模型分离。

5.2 资本布局与政策支持

资本市场对具身智能领域保持高度关注。2025年以来，“市场成交了多笔上亿元人民币的融资”。6月，银河通用机器人有限公司宣布完成了新一轮11亿元人民币融资；深圳市优必选科技股份有限公司9月斩获全球单笔最大金额订单，截至11月仅Walker系列人形机器人就已获得超8亿元订单。

从整体看，2025年前7个月我国具身智能融资超271亿元。首正泽富创新投资的吕清维认为，现在的市场泡沫属于结构性的短期泡沫，是科技发展周期中常见的"短期错配"。如果企业能在两三年内，把订单、交付、回款、复购跑通，估值就能被基本面填平，消化泡沫。

政策层面，2025年政府工作报告明确将具身智能列为重点培育的未来产业，并被纳入"十五五"规划。北京、上海等城市正打造千亿级产业集群，技术成本将随规模化应用持续下降。

5.3 标准化与评测体系

随着技术发展，具身智能的标准化工作也在积极推进。2024年10月国家地方共建人形机器人创新中心联合行业内企业和机构，在上海发布了《人形机器人分类分级应用指南》团体标准和《具身智能智能化发展阶段分级指南》团体标准。

北京人形机器人创新中心有限公司牵头制定的团标《人形机器人智能化分级》从感知、决策、执行、协作四个维度建立了四维五级评价体系，给出了通用安全底线，明确了不同等级机器人的能力要求和适用场景。

中国人工智能产业发展联盟已推出具身智能基准测试，旨在解决测试场景分散、任务碎片化且评价准则不统一等行业痛点。不过，在张蔚敏看来，具身智能基准测试标准体系建设数据规模仍有限，质量也不高，测试难以客观反映具身智能的实际能力。

表3：具身智能产业主要参与者与技术路线

企业/机构	技术特点	核心产品	应用场景
智平方	全域全身控制、GOVLA模型	爱宝机器人	半导体、汽车制造、生物科技
小鹏汽车	端到端VLA、跨域驱动	IRON人形机器人	出行、机器人、飞行汽车
银河通用	大脑小脑分离、Sim-to-Real	GroceryVLA	无人药店、零售场景
千寻智能	全身力控、VLA与硬件绑定	Moz1人形机器人	高附加值工业场景
北京人形	Pelican-VL多模态模型	天工机器人	工业制造、特种作业

6 挑战与限制：技术落地的瓶颈

尽管具身智能取得了显著进展，但在技术和落地上仍面临多重挑战。

6.1 泛化能力不足

泛化能力是指大模型在学习已知任务后，将能力迁移到未知但相似任务中的特性。当前，提升泛化能力面临数据与训练策略的双重挑战。

数据方面，大模型训练所需真实数据获取难度大，而易获取的仿真数据与真实世界有偏差。以训练一个烹饪机器人为例，需要按照烹饪流程进行任务分解，现实中每个环节均需采集大量数据。

训练策略方面，传统强化学习框架存在双重依赖困境：策略优化高度依赖训练环境中奖励函数的精确设计，且当部署到新环境时，策略可能因奖励信号失配而失效。清华大学交叉信息研究院助理教授高阳指出，在连续动作空间中，手动设计奖励函数需调节数百个超参数，且难以覆盖极端天气下的车辆失控等长尾场景。

6.2 软硬件集成难题

软硬件深度集成面临难题，阻碍大模型认知智能向物理指令的有效转化。在自动驾驶等实时性和可靠性要求高的场景，需要云端通信的高效率和本体侧芯片强推理能力。

硬件精度不足会影响与软件的紧密耦合。“移动空间定位要达到厘米级，手眼协调的操作空间精度需达到毫米级，只有满足高精度标准，具身智能的动作控制算法才能与产品硬件形态实现稳定、精准的耦合”。

此外，动态环境数据的高维特性，传统算法难以处理。“挑战在于如何开发出高效、可靠的软件系统，软件不仅要能够高效地处理和解释由硬件传感器收集的数据，还要能够与硬件平台紧密集成”。

6.3 触觉融合与多模态挑战

机器人从"看得见"走向"摸得着、懂力度、会适应"任重道远。VLA大模型整合了视觉、语言、动作三种模态，如果再加上触觉则困难重重。

他山科技CEO马扬指出：“当视觉数据跟触觉数据加在一起，要考虑的有效数据元素过多，模型体量增大，难度也必然提升”。他山科技正在研究机器人剥小龙虾任务，这种看似非常简单的精细动作，实则需要大量的训练和学习。

6.4 安全与伦理问题

由于具身智能具备认知智能，又与物理世界直接交互，面临系列安全与伦理挑战。在安全监管方面，因机器人能与现实世界直接进行互动，误用会产生直接的物理后果，其安全问题涉及模型安全、本体安全和信息安全等。

“亟待建立相关监管标准和规范，明确机器人在各个应用场景中的边界和限制”。此外，法律与伦理规范建设也需要深入研究，当具身智能产品与人类伦理发生冲突时，如何规范、合理地开发AI技术成为重要课题。

7 未来发展趋势与展望

7.1 短期趋势（1-3年）

在短期内，具身智能预计将在特定垂直场景实现规模化落地。觅途咨询·具身智能研究院执行院长王淼预测，2025年，宇树科技等头部企业进入小批量测试生产阶段；2026年人形机器人市场将迎来量产元年，上游硬件市场将随之爆发。

瑞银证券中国工业分析师王斐丽认为，具身智能需要一个标准分层，有标准就可以实现技术对齐，加速产品落地。参照自动驾驶在封闭场景和开放场景中不同等级的应用，加速人形机器人等分级应用是可行路径。

在技术层面，部分场景乐观估计三五年就能在技术上实现突破。赵明国表示：“机器人在某些特殊场景下能自主完成动作，比如足球比赛，但到了别的场景就不会了”。

7.2 中期趋势（3-5年）

中期来看，具身智能将实现更多场景的渗透和跨场景泛化能力。基于"基础大模型+后训练"模式，通过海量仿真数据预训练后，仅需少量真实数据即可快速适配新任务。

智平方创始人郭彦东提出的"正反金字塔"数据观将逐步实现，通过大规模部署，让"高价值的真实场景作业数据"成为模型迭代的关键，实现"越用越聪明"。

在硬件方面，基于当前增长趋势，预计2035年中国核心硬件市场将达千亿级规模。上游核心零部件"卡脖子"难题将逐渐攻克，国产化率持续提升，产品性能接近国际领先水平。

7.3 长期愿景（5年以上）

长期来看，具身智能的终极形态可能是"一脑多身"，即在中央大脑的统一调度下实现通用性与专用性二者切换。随着标准化接口、模块化设计、开源生态等的发展，不同形态的机器人可以共享智能系统。

Pelican-VL 1.0的开源代表了基础软件平台的发展方向，以"开放型大脑"的方式，让各厂商基于它快速开发特定场景下的应用方案，大大降低开发成本和难度。

在产业层面，中国具身智能产业市场规模有望在2030年达到4000亿元、在2035年突破万亿元。随着政策支持和消费电子、汽车制造等场景落地加速，形成产业良性发展生态，具身智能有望加快商业化进程。

8 结论：机遇与挑战并存的发展新阶段

具身智能作为产业变革中极具潜力、活力、想象力的方向之一，代表着人工智能由"脑"及"身"交融共进的发展路径。当前，我国具身智能领域技术突破迅速、政策支持力度很大，国内涌现多个达到国际先进水平的通用大模型；以人形机器人为代表，整机技术实现突破，多模态感知、大脑-小脑模型等关键技术取得进展。

然而，我们也要清醒地认识到，当前具身智能在技术和落地上仍处于早期阶段，多数具身智能产品应用场景集中在科研、教育以及部分工业环境的简单任务。在泛化能力、软硬件结合、标准与规范等方面仍存在重重挑战。

从"数字智能"迈向"物理智能"的征程中，我们需要在技术研发、产业生态、标准规范、安全保障等多个维度持续努力，才能实现具身智能的真正成熟与广泛应用，最终构建起"数实共生"的新质生产力体系，推动实体经济释放"乘数效应"。

参考资料

1. 具身智能冷思考 - 《瞭望》新闻周刊
2. 具身智能机器人的大模型与应用研发 - CCF TF
3. 从"聊天"到"干活"：具身智能究竟会怎样改变我们的生活？ - 科普中国
4. VLA技术定格局！2025中国具身大模型5大龙头 - 中国发展网
5. 真机RL，最强VLA模型π*0.6来了，机器人在办公室开起咖啡厅 - 36氪
6. When AI Takes on Physical Form: Experts Explore Embodied Intelligence Wave - 上海市政府
7. 全球最强性能，北京人形开源天工"视觉语言大脑" - 北京亦庄
8. 由"脑"及"身"的互融共进 - 中国社会科学网
9. 何时摆脱遥控器 - 《瞭望》新闻周刊
10. 仅演示一次机器人即会干活！北大&BeingBeyond联合团队凭"分层小脑+仿真分身"让G1零样本上岗 - 36氪