2025-05-14 我们离真正的具身智能大模型还有多远？

作者：李鑫    出品：具身智能大讲堂

今年2月Figure AI发布Helix VLA大模型引发行业深度关注，我们不由得思考一个问题，我们离真正的具身智能大模型还有多远？

1► 具身智能大模型（VLA）的基本概念

具身智能大模型，即Vision-Language-Action（VLA）大模型，是一种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的先进技术。这种模型的核心在于其集成了视觉、语言理解和动作执行的能力，使得机器人能够像人一样，在接收到指令后，理解环境，做出决策，并执行相应的动作。

VLA大模型的出现，标志着机器人技术从简单的自动化操作向更高级的智能化操作迈进。传统的机器人往往只能执行预设的、固定的任务，而VLA大模型则赋予了机器人更多的灵活性和自主性，使其能够在复杂多变的环境中做出合理的决策。

2► VLA大模型的分层与端到端模式

在VLA大模型的发展过程中，业界形成了两种主要的技术路径：分层模式和端到端模式。

（一）分层模式

分层模式将VLA大模型的执行过程分为三个独立的步骤：接收并理解语音和图像输入、根据接收的信息做推理决策、根据决策生成动作指令并控制机器人运动。这三个步骤分别由不同的模型完成，形成了一个相对独立但相互协作的系统。

分层模式的优点在于其结构清晰，每个模型可以独立地进行优化和升级，从而提高了系统的可扩展性和可维护性。然而，这种模式的缺点也显而易见，即不同模型之间的接口和数据传递可能会成为系统的瓶颈，导致整体性能的提升受到限制。

（二）端到端模式

与分层模式不同，端到端模式将VLA大模型的执行过程集成在一个单一的模型中。这个模型能够同时处理语音和图像输入、进行推理决策，并生成动作指令控制机器人运动。

端到端模式的优点在于其反应速度快、易于实现智能涌现，并且能够通过规模化训练来降低系统的整体成本。然而，这种模式的实现难度较高，需要大量的训练数据和复杂的算法支持。此外，由于目前机器人实际单一场景的训练数据量有限，且数据获取难度极高，因此端到端模式在短期内难以实现商业化落地。

3► 训练端到端大模型的难点

尽管端到端模式优势明显，但目前训练出好用的端到端大模型仍面临很多挑战。

（一）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。这种数据量的不足，严重限制了机器人模型的学习能力和泛化能力。

（二）数据获取难度极高

机器人训练数据的获取难度远高于互联网上的语料数据。目前，主要有三种数据获取模式：真实数据遥操采集、虚拟生成数据和真人数据映射。然而，这三种模式都存在各自的局限性。

真实数据遥操采集：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。

虚拟生成数据：虽然可以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问题。即虚拟仿真数据训练出的机器人在实际环境中表现不佳，特别是在涉及柔性物体的场景中。

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），但目前还处于早期阶段，技术尚不成熟。此外，真人数据映射也面临着数据毒性和泛化性不足的问题。

（三）机器人本体方案未收敛导致数据难以复用

由于目前市场上存在多种不同的机器人本体方案，不同方案之间的数据难以复用。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。这种数据不通用性，进一步加剧了机器人训练数据的稀缺性。

4► 目前产业界的解决方案

面对上述难点，产业内的头部企业正在积极探索解决方案，以希望在未来实现真正的端到端具身智能大模型。

（一）努力收集数据，实现单一场景下的泛化

目前，各家企业都在自己的方案上努力收集数据，试图在单一场景下实现一定程度的泛化。通过不断积累和优化数据，逐步提高机器人模型的学习能力和适应能力。

这种策略虽然短期内难以实现端到端大模型的全面落地，但可以为未来的技术突破奠定坚实的基础。

（二）预训练+后训练（强化学习）的模式

Deepseek范式通过预训练+后训练（强化学习）的模式，并导入高质量数据，来降低大模型的算力和数据量需求。虽然目前这种范式对具身智能大模型来说基本要素还不具备，但学界和工业界都在积极探索这一方向。通过模仿学习达成0-1的突破，再通过强化学习实现1-10的提升，逐步逼近真正的端到端具身智能大模型。

（三）Figure Helix大模型的启示

Figure发布的Helix大模型采用了一种准分层架构，结合开源的VLM大模型和Transformer架构的动作策略快系统，实现任务的执行能力。

虽然Helix还存在一些局限性，如纯模仿学习、无法处理突发情况等，但其成功之处在于能够快速适应市场需求，并在数据量有限的情况下达到较好的泛化水平。这为未来的具身智能大模型发展提供了一定的启发。

5► 结语与未来：

目前产业内普遍认为，我们离真正的具身智能大模型还有一定的距离。但随着技术的不断进步和数据的不断积累，这一距离正在逐步缩小。未来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。