飛象網訊 12月13日，“2026中國信通院深度觀察報告會”在北京舉辦。中國信息通信研究院副總工程師許志遠針對具身智能發表了自身觀點和見解。

在他看來，當前具身智能已經取得認知智能與物理智能的雙線突破，但模型路線、數據范式以及最佳機器人形態仍未定型，大規模落地仍處于早期階段，其未來方向仍在持續競爭與快速演化中。

具身智能取得階段性突破

仍需關注三大核心焦點問題

許志遠詳細介紹了具身智能當前實際進展及需要重點關注的內容。他表示，當前具身智能的確取得了階段性突破。一方面，機器人的“認知智能”實現明顯躍升（即“大腦”能力），大模型使機器人能夠完成傳統機器人難以處理的復雜任務，具備“可感知、可思考、可交互”的智能特征。另一方面，“物理智能”加速突破：基于強化學習，人形機器人在復雜地形行走、高難度舞蹈等動態任務上表現顯著提升；基于模仿學習與大模型范式，上肢操作能力快速增強，已能執行切黃瓜、倒水、疊衣服等精細操作。

“然而，盡管技術突破不斷，具身智能的大規模落地仍處于早期階段”， 許志遠指出：“當前行業仍面臨三個核心焦點問題。”

具體而言，一是模型路線之爭：大模型范式是否適用于機器人？雖然大模型在語言、圖像、視頻領域取得巨大成功，但“同樣的范式能否直接遷移到機器人控制”仍未被證明。業界正在探索多種途徑。

二是數據訓練范式之爭：哪類數據才是機器人智能提升的關鍵？數據仍然是限制機器人能力躍升的核心瓶頸。目前機器人模型主要依賴三類數據：真機數據：質量最高但采集昂貴、規模有限；合成/仿真數據：規模大、成本低，但逼真度與物理一致性有差距；人類第一視角視頻數據：自然、豐富，但動作標注與映射存在挑戰。當前尚無結論表明機器人領域是否會像 NLP、CV 一樣遵循 Scaling Law——即“更多數據一定帶來更強能力”。因此，數據范式仍在快速演化，混合數據、多模態數據、世界模型生成數據等方向均在探索中。

三是形態路線之爭：人形機器人是否是“真需求”？具身智能的落地呈現出兩大派系：① 人形堅守派（Tesla、Figure AI 等），這些企業堅持全人形路線，原因包括：人形最契合人類社會現有環境與工具體系；人形形態最利于學習人類動作、利用人類數據；長期看具備最大通用性。特斯拉和 Figure AI 因此持續投入大量資源，力圖構建“通用勞動機器人”。② 折中派（大量國內企業）。國內今年涌現出多款“輪-臂式復合機器人”，其特點是：輪式底盤更可靠、成本更低、部署更簡單；動作可控性強，更適合集成到商業場景快速落地。這種路徑更強調“工程可落地性”，旨在在短期內形成可規模化的商業應用。

在 VLA 基礎上引入世界模型

有望成為提升機器人大模型能力的重要路徑

據許志遠介紹，目前，利用大模型提升機器人的泛化能力已成為業界共識，但如何有效地將大模型應用于機器人系統，仍存在多條技術路徑，行業也在持續探索中。

第一條路徑是采用大語言模型（LLM）對人類指令進行語義理解與任務分解，這是賦予機器人高層智能的關鍵能力，谷歌的 SayCan 是早期代表性工作。第二條路徑是在 LLM 的基礎上引入視覺，使模型具備語言與視覺跨模態融合能力，通過視覺語言模型（VLM）進行機器人控制。借助視覺信息，模型不僅能分析環境的空間關系和物體屬性，也能更好支撐高層任務規劃。谷歌的 PaLM-E 展示了跨模態推理在機器人控制中的潛力。第三條路徑是在 VLM 的基礎上進一步加入動作生成能力，形成視覺-語言-動作模型（VLA）。這類模型以視覺圖像和語言指令為輸入，直接輸出機器人控制指令。VLA 路線自 2024 年底以來受到高度關注。各家廠商在模型架構、模塊設計和動作生成方式上不斷優化，例如美國的 Figure AI、PI，以及國內的智元、銀河通用等均聚焦于這一方向。

許志遠強調，目前，許多 VLA 模型采用 MoE 架構，以 VLM 作為骨干網絡，動作層常使用自回歸預測、擴散模型或流匹配等生成方式。同時，在 VLM 與動作預測之間通常加入隱向量用于信息傳遞，以兼顧復雜任務推理與實時控制需求。VLA 在復雜、多步驟、多樣化任務上展示出一定適應性。“然而，我們也觀察到，盡管 VLA 在結構上不斷演進，其實際落地效果仍未達到預期。原因在于物理世界具有高度多樣性與不確定性，而當前可獲取的機器人數據量級有限、覆蓋場景不足，使得 VLA 難以充分學習并泛化到真實環境中。”

展望未來，在 VLA 的基礎上引入 世界模型（World Model），借助其對物理世界的理解、預測與推演能力，有望成為進一步提升機器人大模型能力的重要發展路徑。

重視利用合成數據和視頻數據

滿足機器人模型訓練需求

“機器人的真機數據雖然質量最高，但人工采集的成本極高，高質量樣本更是稀缺，遠遠無法滿足模型的訓練需求。因此，業界開始越來越重視合成數據和視頻數據的利用。” 許志遠指出。

一方面，業界開始采用混合數據訓練模式：先利用合成數據或視頻數據進行模型預訓練，再用真機數據進行微調。例如，銀河通用使用 10 億幀合成數據完成抓取模型的預訓練；英偉達 GROOT N1 模型中，合成、視頻和真機數據分別占 25%、31% 和 44%。“我們發現，主流方案的非真機數據占比通常在80%~99%，但是哪個比例對于機器人性能提升更加有效仍需產業界來不斷試錯驗證。”

另一方面，今年以來，使用人類第一視角拍攝的視頻數據成為破解數據瓶頸的一類重要方案。具體做法是讓操作員佩戴頭戴式攝像設備，在不影響日常工作的前提下記錄其操作過程，為模型訓練提供高質量的人類示范數據。6 月份有消息稱，馬斯克將延續自動駕駛“全視頻學習”的路線，未來的訓練將主要依賴來自人類第一視角的視頻數據。Figure AI也在9月份發布了Go-Big項目，目標就是構建全球最大、最多樣化的視頻預訓練數據集。國內清華大學、地平線、智元機器人等也在做相關路線的探索。