《具身智能发展报告（2025 年）》核心解读

本报告由中国信息通信研究院与清华大学电子工程系联合发布，系统梳理了 2024-2025 年全球具身智能产业的发展现状、技术突破、应用场景及未来趋势，明确具身智能作为 “与物理实体融合的人工智能”，已成为国家未来产业重点培育方向，正推动生产生活方式与社会智能的深层次变革。

一、全球具身智能总体发展态势

1. 概念与内涵：从 “AI + 机器人” 到 “智能闭环”

具身智能的核心是构建“感知 - 认知 - 决策 - 执行” 的闭环智能系统，区别于传统开环系统（依赖人类知识注入），其核心三要素包括：

·具身本体：物理载体，如人形机器人、四足机器人、自动驾驶汽车（合称“智三样”）、无人机等，正从单系统向复合系统升级；

·智能内核：依托大模型（LLM/VLM/VLA）、世界模型与多模态技术，实现认知与行动统一；

·环境交互：以“第一人称视角” 与物理世界动态交互，自适应学习。

国际电信联盟（ITU）进一步明确其三大核心能力：

·认知能力：从“看见”（感知）到 “看懂”（理解空间关系、物体属性）；

·协作能力：从“单机执行” 到 “人机 / 多机协同”（突破单机资源限制）；

·学习能力：从“干前学”（预训练）到 “干中学”（动态适应不可预测场景）。

2. 全球关注度：科技前沿与市场潜力双爆发

·政策与资本聚焦：2025 年中国《政府工作报告》首次将其列入未来产业清单；全球科技巨头（英伟达、特斯拉、OpenAI 等）密集布局，Figure AI、智元机器人等企业估值突破百亿元。

·市场规模可期：据 Grand View Research 预测，到 2030 年 “智三样”（人形机器人、自动驾驶汽车、无人机）累计市场规模将达3398.4 亿美元。

·技术路线分化：全球人形机器人企业分三类路径：

3. 发展阶段：资本热与落地难的 “早期矛盾”

·融资活跃但商用初级：截至 2025 年 12 月，中国具身智能与机器人领域投资 744 起，融资 735.43 亿元，但产品仍以 “科研试验” 为主，未实现规模化落地。

·三大“非共识” 争议：

1.路径争议：“感知 - 认知 - 决策 - 执行” 闭环中，数据与模型孰重孰轻？

2.本体争议：通用终极形态（如人形）vs 场景专用构型（如轮臂机器人）？

3.数据争议：真实数据与仿真 / 合成数据的选择、处理与混合训练方案？

·核心瓶颈：“数据 - 模型 - 本体 - 场景” 闭环未打通，面临商业模式模糊、量产成本高、标准缺失等问题。

二、技术创新：数据驱动下的软硬融合突破

具身智能技术围绕“数据 - 模型 - 本体 - 云边端协同” 四大要素展开，形成多路径探索格局。

1. 算法技术：多路线并行，VLA 与世界模型成焦点

·技术演进脉络：从传统机器人“基于模型控制”（MPC/WBC）→ 强化学习 / 模仿学习 → 2025 年 “大模型 + 机器人” 爆发，视觉语言动作模型（VLA）、世界模型成为核心方向。

·四大技术路径：

·现存短板：VLA 泛化性有限（跨场景 / 本体性能衰减）、长程任务成功率低（如 “整理垃圾” 成功率仅 20%-40%）、软硬协同难（多时间尺度控制不匹配）。

2. 数据技术：高质量数据成 “核心原料”，采集方案分化

·数据类型与特点：

·核心挑战：需百万 - 千万小时高质量数据支撑物理智能涌现，但真实数据采集成本高（依赖专家示教、场景搭建），仿真数据与现实差距大，跨平台数据难整合。

3. 本体技术：多元形态 + 核心部件创新

·本体形态多样化：覆盖人形、四足 / 多足、轮臂复合、仿生（蛇形、蝠鲼）、微型集群等，底层硬件（感知、动力、能源）技术可复用。

·关键部件突破：

o一体化关节：宇树关节模组体积缩小至传统 1/3，散热效率提升 50%；

o灵巧手：灵心巧手 Linker Hand（42 自由度）、帕西尼 DexH13（1956 颗触觉传感器）；

o材料：碳纤维、PEEK（聚醚醚酮）等轻量化材料广泛应用（如特斯拉 Optimus Gen2）。

·量产瓶颈：本体物理局限性（高自由度控制难、寿命短）、标准化不足（设计 / 接口不统一）、成本高（全尺寸人形机器人数十万元）。

4. 云边端协同：支撑现实应用落地

·架构分工：

o云侧：提供大规模算力（数据服务、仿真训练），如华为云 CloudRobo；

o边侧：实时数据处理（如工厂机器人动态环境适应）；

o端侧：高算力芯片（英伟达 Jetson Thor 2070 TFLOPS）、低能耗控制。

·挑战：接口兼容性差（模型 - 硬件异构）、端侧算力有限（运行 7B 参数模型性能衰减）、通信不稳定（带宽 / 延迟影响协同）。

三、产品与应用：场景驱动下的谱系扩张

具身智能产品分为机器人、智能运载装备、新型智能产品三大类，呈现“热点突出、场景细分” 特征。

1. 机器人：最 “热门” 载体，人形与四足成焦点

·人形机器人：

o进展：双足机器人（特斯拉 Optimus、Figure 03）实现 “收盘子 - 洗碗 - 充电” 长链条动作；轮式人形机器人（智元精灵 G2、千寻墨子 Moz1）因成本低（比双足低 10 倍）、续航长（高 2 倍），率先进入工业 / 商业试点（如智元与富临精工合作近百台产线机器人）。

o瓶颈：“不能用”（作业精度 / 泛化性不足）、“不愿用”（成本高）、“不敢用”（安全 / 隐私风险）。

·四足机器狗：

o能力升级：浙江黑豹（10.3 米 / 秒奔跑破纪录）、宇树 A2（37kg 承重 100kg）；

o应用落地：电力巡检（云深处绝影 X30 实现 1000 小时无故障）、应急救援（长沙消防有毒环境侦察）、消费市场（可以科技 Loona 半年销售额 400 万美元）。

2. 智能运载装备：落地 “最快” 载体

·自动驾驶汽车：L3 量产（华为 ADS 4、广汽 / 吉利 2025 年上市）与 L4 Robotaxi 并行（百度萝卜快跑全球 22 城运营，每周全无人订单 25 万）；

·无人机 /eVTOL：美团无人机香港外卖配送效率提升 7 倍，亿航智能 eVTOL 实现 82.9 公里城际海鲜运输；

·瓶颈：法规滞后（事故责任划分难）、高质量场景数据稀缺、极端天气感知可靠性不足。

3. 新型智能产品：“前沿” 探索方向

·变形移动装置：瑞士 GOAT（扁平 - 球体变形，支持驾驶 / 游泳）；

·集群微型机器人：香港中文大学研发（靶向给药、细胞操作）；

·智能外骨骼：上肢（负重助力）、下肢（康复行走），但成本高（数十万元）、续航短（2 小时充电用 15 分钟）、舒适度差（金属框架笨重）。

四、产业生态：从分散到体系化的初步构建

1. 产业链格局：四大板块 + 区域集中

·产业链构成：行业应用（147 家）、产品服务（167 家）、技术服务（74 家）、基础设施（157 家），企业主要分布于北京（93 家）、广东（78 家）、上海（50 家），占比近 50%。

·细分热点：

o行业应用：工业（29%）、家庭（17%）、应急（15%）为主；

o产品服务：人形机器人（32%）、四足机器人（15%）、协作机器人（13%）；

o技术服务：算法模型（43%）、系统集成（33%）；

o基础设施：执行系统（36%）、工具平台（22%）。

2. 训练场：数据采集核心载体，效用待验证

·建设现状：国内已建成 30 余家训练场，总面积超 10 万平方米（如北京人形机器人训练中心、天津帕西尼超级数据工厂），覆盖家庭、工业、康养等场景，支持多品牌本体入驻。

·挑战：场景覆盖广度不足、跨训练场数据难共享、商业模式不明确（企业多自建数据工厂，第三方数据产品需求有限）。

3. 标准与安全：产业健康发展的 “刚需保障”

·标准体系建设：工信部 AI 标委会下设具身智能工作组（WG6），推进智能化分级、基准测试、数据质量、训练场评估等标准研制，解决 “要素不共享、评价不统一、安全无规范” 问题。

·安全风险突出：

o模型安全：易受对抗攻击（如 BADROBOT 范式诱导危险行为）、跨场景性能衰减；

o本体安全：物理伤害风险（如 Digit 机器人展会摔倒），需强化紧急制动、倾倒控制；

o信息安全：传感器（摄像头 / 麦克风）引发隐私泄露，需构建 “硬件加密 - 数据脱敏 - 通信防护” 体系。

五、未来展望：三大核心发展方向

1. 技术架构：从 “模块堆叠” 到 “多模态认知融合”

·认知层面：突破多模态（视觉 / 触觉 / 语言）深度融合，构建世界模型驱动的认知引擎；

·学习层面：实现“场景记忆 + 主动探索”，提升跨场景 / 本体迁移能力（小时级实训上岗）；

·协作层面：优化软硬通信协议，实现多机协同与人机协作新模式。

2. 应用场景：从 “演示” 到 “实用”，形成 “梳子型” 结构

·短期（1-3 年）：突破工业制造、物流仓储、医疗康养等场景，成为生产工具；

·中期（3-5 年）：实现规模化量产，重构生产关系，推动人机协同高效化；

·长期（5-10 年）：普及至国民经济 20 个门类，孕育万亿级市场，形成 “底层通用技术 + 垂直场景应用” 的 “梳子型” 产业结构。

3. 安全伦理：从 “合规” 到 “前瞻治理”

·安全模式：从被动响应转向主动预防，将安全伦理内化为系统属性；

·治理体系：建立全生命周期管理（研发 - 认证 - 部署 - 追溯）与伦理审查制度；

·社会共识：明确具身智能“工具属性”，制定以人为本的设计规范，确保与人类价值观对齐。

总结

2025 年具身智能进入 “技术突破 + 资本热捧” 的关键期，虽面临数据、模型、本体、标准等多重挑战，但作为迈向通用人工智能的核心路径，其在工业、服务、消费等领域的颠覆性潜力已明确。未来需通过技术协同、场景深化、安全治理三方发力，推动产业从 “科研试验” 真正走向 “进厂入户”，成为驱动社会智能跃升的核心引擎。