自动化设备行业点评报告：人形机器人思考专题2：我们离真正的具身智能大模型还有多远？

东吴证券2025-02-27

投资要点背景：2.20 日Figure AI 发布Helix VLA 大模型引爆市场关注，但我们发现市场对于具身智能大模型的认知仍待提升，本文希望通俗易懂的讲明白，我们需要什么样的具身智能大模型？我们离真正的具身智能大模型还有多远？问题一：具身智能大模型（VLA）是什么？VLA（Vision-Language-Action）大模型指的是视觉-语言-动作大模型，能够让机器人通过理解环境和语言指令，并...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/2514594842?lang=zh_CN&edition=full","thumbnail":"","is_english":false,"pubTime":"2025-02-27 00:00","share_image_url":"https://static.laohu8.com/9a95c1376e76363c1401fee7d3717173","id":"2514594842","market":"sh","top_or_hot":-1,"title":"自动化设备行业点评报告：人形机器人思考专题2：我们离真正的具身智能大模型还有多远？","media":"东吴证券","content":"<div>\n<p>投资要点背景：2.20 日Figure AI 发布Helix VLA 大模型引爆市场关注，但我们发现市场对于具身智能大模型的认知仍待提升，本文希望通俗易懂的讲明白，我们需要什么样的具身智能大模型？我们离真正的具身智能大模型还有多远？问题一：具身智能大模型（VLA）是什么？VLA（Vision-Language-Action）大模型指的是视觉-语言-动作大模型，能够让机器人通过理解环境和语言指令，并...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20250227141640abdece15&s=b\">网页链接</a>\n\n</div>\n","source":"tencent","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>自动化设备行业点评报告：人形机器人思考专题2：我们离真正的具身智能大模型还有多远？</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n自动化设备行业点评报告：人形机器人思考专题2：我们离真正的具身智能大模型还有多远？\n</h2>\n\n<h4 class=\"meta\">\n\n\n2025-02-27 00:00 北京时间&nbsp;&nbsp;&nbsp;<a href=http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20250227141640abdece15&s=b><strong>东吴证券</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>投资要点背景：2.20 日Figure AI 发布Helix VLA 大模型引爆市场关注，但我们发现市场对于具身智能大模型的认知仍待提升，本文希望通俗易懂的讲明白，我们需要什么样的具身智能大模型？我们离真正的具身智能大模型还有多远？问题一：具身智能大模型（VLA）是什么？VLA（Vision-Language-Action）大模型指的是视觉-语言-动作大模型，能够让机器人通过理解环境和语言指令，并...</p>\n\n<a href=\"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20250227141640abdece15&s=b\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"688170","symbol_name":"德龙激光","start_time":0,"source_url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20250227141640abdece15&s=b","article_id":"2514594842","we_media_id":null,"thumbnails":[],"rights":{"source":"tencent","url":"http://gu.qq.com/resources/shy/news/detail-v2/index.html#/?id=nesSN20250227141640abdece15&s=b","rn_cache_url":null,"customStyle":"body{padding-top:10px;}#news_title{font-weight:bold;#titleStyle#;}#news_description span{font-size:12px;#descriptionStyle#;}.footer-note{#statement#}","selectors":".mod-LoadTzbdNews, body","filters":".relate-stock, .hot-list, .recom-box, .wx-sou","directOrigin":true},"url":"https://stock-news.laohu8.com/highlight/detail?id=2514594842","pubTimestamp":1740585600,"columns":[],"sourceInfo":{"source_id":"tencent","name":"腾讯"},"weMediaInfo":null,"summary":"投资要点背景：2.20 日Figure AI 发布Helix VLA 大模型引爆市场关注，但我们发现市场对于具身智能大模型的认知仍待提升，本文希望通俗易懂的讲明白，我们需要什么样的具身智能大模型？但目前来看，这种范式对具身智能大模型来说，路径是正确的，但基本要素还不具备。","collect":0,"end_time":0,"defaultTopTitle":"qq.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"603025":"大豪科技","605186":"健麾信息","605288":"凯迪股份","688170":"德龙激光","688215":"瑞晟智能","688290":"景业智能","688310":"迈得医疗","688329":"艾隆科技","688395":"正弦电气","688455":"科捷智能","688518":"联赢激光","688570":"天玛智控","688623":"双元科技","BK0214":"IT设备","BK0130":"工业4.0"},"translate_title":"Automation Equipment Industry Review Report: Humanoid Robot Thinking Special Topic 2: How far are we from a real embodied intelligent large model?","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"603025":0.9,"605186":0.9,"605288":0.9,"688170":0.9,"688215":0.9,"688290":0.9,"688310":0.9,"688329":0.9,"688395":0.9,"688455":0.9,"688518":0.9,"688570":0.9,"688623":0.9},"content_text":"投资要点背景：2.20 日Figure AI 发布Helix VLA 大模型引爆市场关注，但我们发现市场对于具身智能大模型的认知仍待提升，本文希望通俗易懂的讲明白，我们需要什么样的具身智能大模型？我们离真正的具身智能大模型还有多远？问题一：具身智能大模型（VLA）是什么？VLA（Vision-Language-Action）大模型指的是视觉-语言-动作大模型，能够让机器人通过理解环境和语言指令，并通过执行模块输出为动作。问题二：VLA 大模型中分层和端到端模式的区别？业界目前的选择？VLA 模型在执行过程中，一般有三个步骤——1）接收并理解语音和图像输入；2）根据接收的信息做推理决策；3）根据决策生成动作指令并控制机器人运动。简单来说，如果这三个步骤是在一个模型中完成的，则是端到端大模型，如果这三个步骤分别是调用三个不同的模型完成，则是分层模型。端到端模式的优缺点：1）优点在于反应速度快+规模化+能够实现智能涌现；2）缺点在于难度高+需要大量训练数据+短期难以落地。结论&现实情况：短期视角来看，目前国内初创人形机器人企业多采用分层模式，主要是为了快速商业化落地；仅有少数企业例如特斯拉、星动纪元等坚持端到端模型，但从长期视角来看，端到端模式是最终实现具身智能涌现的必要条件。问题三：训练出好用的端到端大模型难点在哪里——瓶颈在于数据。1）数据量差距巨大：相较于VLM 大模型亿条级别的数据量，目前机器人实际单一场景的训练数据量仅仅在千条和万条级别，差距百倍。2）机器人数据获取难度极高：相较于互联网上常见的语料供VLM 大模型训练，机器人训练数据获取难度极高。目前有三种数据获取模式：①真实数据遥操采集：问题在于成本极高，目前动捕设备一套价格在几十万区间，初创企业如果要靠动捕设备遥操采集数据，成本非常高；②虚拟生成数据：例如银河通用发布的GraspVLA，通过虚拟仿真技术生成数据，用于机器人训练，但目前难以解决sim-to-real gap。简单来说，就是用虚拟仿真数据训练机器人效果很差，如果是简单的抓放搬运场景，虚拟数据相对可行，但如果涉及到柔性场景，比如说衣服被子等柔性物体，就很难运用。因为涉及到柔性物体形变仿真，在物理层面本身就很难建模。③真人数据映射：UMI 和DexCap（斯坦福机器人团队）等正在探索真人数据映射（即采集真实人的数据，通过某种映射关系转化为机器人数据），但目前还比较早期。3）遥操采集的数据本身存在毒性：①人在运动过程中会有额外的运动轨迹：例如简单的搬箱子，人在遥操录制过程中，可能会因为外界干扰停顿几秒，但这个停顿对于机器人来说就存在毒性，因为其无法理解人为什么要停顿。②人的运动轨迹和机器人不一致：目前市面上大量机器人都是以旋转关节为主，而人的上下肢是直线关节，因此同样是搬箱子的动作，人和机器人的运动轨迹就是不一致的，这时候用真人的数据去训练机器人本身就存在毒性。4）机器人本体方案未收敛导致数据难以复用：例如用特斯拉本体采集的数据很难给智元的机器人来训练，因为本体方案不同。问题四：数据端存在这么多问题，业界如何解决？真实的情况是，业界目前还无法解决上述数据端的问题。但目前各家都选择在自己的方案上努力收集数据，先在单一场景下实现一定程度的泛化，从而让更多人形机器人投入实际运用。我们认为可能是3-5 年后，当市场上有足够多的人形机器人数据，并且硬件方案逐步收敛，具身智能基础模型呈现出一定的智能涌现，才有可能实现真正的端到端具身智能大模型。问题五：能否采用Deepseek 的范式来加速具身智能大模型的发展？Deepseek 是通过pre-train+post-train（强化学习）的模式，并且导入高质量数据，来降低大模型的算力和数据量需求。但目前来看，这种范式对具身智能大模型来说，路径是正确的，但基本要素还不具备。一方面，具身智能大模型并没有一个强大的基础模型；另一方面，也不存在一个完善的强化学习流程。学界一直在推行所谓的模仿学习+后训练强化学习的方案（类似于deepseek 的路线），就是通过模仿学习达成0-1，然后通过强化学习达成1-10，但目前来看必要条件还未达成。问题六：Figure Helix 大模型详解和局限点解析：Helix 的特点是准分层架构，用一个开源的70e 参数的VLM 作为大脑，然后下面结合一个Transformer 架构的动作策略快系统，这个快系统实际只要用8000 万参数去吸收500h 的数据，然后使其泛化性变得足够强。PS：简单理解就是大脑的思考完全交由VLM 大模型，因为互联网上有很多家居的视频和数据，因此可以通过VLM 大模型去进行解析，本身VLM大模型就已经有很好的泛化性。再将解析出来的指令通过快系统去执行。优劣点解析：Helix 的优点在于：快速商业化能力，能够用很小的数据量达到很好的泛化水平；Helix 的劣势在于：1）Helix 是一种纯模仿学习，还没有上强化学习；2）没法处理突发情况，例如一些碰撞和避障；3）互联网上海量的数据还是集中在生活场景多一些，工业数据很少，因此helix 可能短期内更适用于家居场景，工业场景无法使用。风险提示：机器人行业竞争加剧，新品推出速度不及预期。","kind":"news","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"symbols":[],"gpt_button":1,"need_auth":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"tenantId":"TBCN","deviceId":"web-server-community-laohu8-v3","version":"4.36.1","shortVersion":"4.36.1","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/2514594842","isCrawlerRequest":true}