芯耀
与非AI
255
PART 01、大模型对机器人路线的影响
如果把人形机器人拆开来看，它从来就不是一个单一的技术问题，而是一套层层叠加、彼此制约的系统。机器人控制系统架构图如图 1 所示。
图1 机器人控制系统架构图
本体：是机器人的 “身体”，主要模块包括电机、减速器、传感器、电池。
小脑：运动控制。负责站稳、走路、抓取。这一层不关心 “为什么要做”，只关心 “怎么做”。我国产业界（宇树科技、黑芝麻、地平线等）普遍用 “小脑” 来称呼这一层。
大脑：也是最近两年变化最大的一层。它负责看懂场景、理解指令、拆解任务、做出决策，以及跟人对话。Figure AI 的 System 2、Tesla Optimus 的 FSD 神经网络、国内宇树科技和智元机器人的具身大模型，承担的都是 “大脑” 的角色。
大脑目前主流两条路线：一条是 VLA（视觉–语言–动作），强调端到端，即画面、文字指令等信息的直接输入、中间不经过多个模型的复杂处理流程（无独立人工设计子模块、无离散中间表征、全链路可联合求导训练）就实现动作输出，代表性模型包括 RT-2、GR00T N1、π0.5；另一条是世界模型（WMA），不让网络直接输出动作，而是先学习一个物理世界的内部模型，在 “脑子里” 完成模拟，再决定如何行动，代表性探索包括 NVIDIA Cosmos、前 Meta 的 LeCun 团队。VLA 在 2024 年至 2025 年声量最大，但到了 2026 年，世界模型路线也在快速追赶。宇树科技 IPO 招股书已经把 WMA、VLA 和双系统架构（复杂模型做大脑、简单模型做小脑）并列为三大技术路线。虽然谁赢还没定论，但这不影响我们的判断 —— 不管哪条路线赢，它们替代的都是大脑，而不是小脑。
需要说明的是，“大脑 + 小脑” 的二分法是产业界的习惯用语，不是严格的学术分类。Figure AI 实际部署的是两层架构（System 2/System 1），学术界最常见的经典框架是三层架构（感知 — 规划 — 行动）。
在很长一段时间里，人形机器人的进展，几乎全部集中在下方两层。
从 20 世纪末到 21 世纪 10 年代中期，日本、韩国、美国的人形机器人项目，无论是 ASIMO、HRP、HUBO，还是后来的 Atlas，核心突破都围绕着一个问题展开：如何让 “身体” 更像人 —— 更稳的双足步态、更轻的结构、更高功率密度的执行器。这些进展并不虚假，它们解决了真实而艰难的工程问题。但如果向上看，会发现一个几乎停滞的区域：在策略生成层和决策层，所有机器人都被困在同一个时代。
在大模型出现之前，人形机器人的 “决策”，本质上仍是一种高度原始的工程产物。即便在当时最先进的系统中，“决策” 往往意味着状态机、任务树和规则引擎。机器人能做什么，完全取决于工程师提前写了多少分支；它 “理解” 的世界，来自人为定义的标签、阈值和条件判断。这种方式在实验室或高度结构化的环境中尚且可行，但一旦进入真实世界，复杂度就会迅速失控。
谷歌是最早意识到这一问题的机构之一。在 20 世纪 10 年代中期，Google X、Google Brain 和后来的 DeepMind 团队，开始反复讨论一个看似简单却极其致命的问题：如果机器人每一个动作都要靠人工规则串联，那它永远无法适应真实世界。
于是，一条新的技术路线逐渐浮现 —— 不再把 “感知 — 决策 — 行动” 拆成彼此独立的模块，而是试图在同一个学习系统中，让它们共同发生。
2016 年之后，谷歌在操控领域陆续开展了一系列工作：用深度学习完成端到端抓取、用强化学习让机械臂在杂乱环境中自我试错、让机器人在大量失败中自行调整策略。这些实验后来汇聚成一条清晰的方向：机器人不必先 “理解完世界”，再决定行动，而是可以在行动中不断修正理解。
但在那个阶段，这条路线仍然有着明确的边界。这些系统并不是 “大语言模型”，而是以任务为中心的控制模型。它们解决的是 “在给定目标下，如何把视觉信号转化为动作”，而不是 “理解目标本身”。模型规模有限，能力高度任务化，且几乎不具备语言理解能力。你可以教它 “抓红色方块”，却无法告诉它 “把桌子收拾一下”。它会动，但并不知道自己在 “做什么”。
策略生成层在这一时期同样受限。
谷歌在 2022 年前后公开的 RT-1（Robotics Transformer 1），是这一阶段的代表性工作。RT-1 并不是大语言模型，而是一个从视觉直接预测动作的策略模型：输入是图像和任务标签，输出是具体的机械臂动作序列。RT-1 机器人在大规模场景中将语言转化为现实动作的原理如图 2 所示。
图2 RT-1机器人在大规模场景中将语言转化为现实动作的原理
例如，当听到用户的简单指令如 “帮我拿起桌子上的一瓶水” 时，EfficientNet 会接收图像信息，然后FiLM层把语言指令与图像结合，输出Token到 Tokenlearner，并由其提取关键 Token 输送给 Transformer，最后由 Transformer 输出具体动作 Token 序列，如关节旋转几度、电机如何运行等。
它已经可以让机器人在真实环境中完成数百种操作，其通过机器人远程操作演示训练数据，总共包含 13 万条动作轨迹，涵盖 700 多个任务目标。但前提是 —— 这些任务都被明确标注、反复示范过。模型并不理解 “目的”，只是在统计意义上学会了 “在这种画面下，最可能的下一步动作是什么”。
换句话说，在大模型出现之前，人形机器人在 “会不会动” 这件事上已经走了一定的距离，但在 “知不知道自己在干什么” 这件事上，几乎没有实质性进展。
真正的转折，发生在 2022 年之后。决策层第一次有了可以承载 “任务理解” 的模型形态。ChatGPT 的出现，标志着一种新的技术形态成熟：以 Transformer 架构为基础的大语言模型，第一次在通用语义理解和推理层面展现出可迁移能力。它并不是为机器人而生，却第一次为 “机器理解人类意图” 提供了现实可用的工具。
对人形机器人而言，这意味着 “大脑” 第一次有可能脱离手工规则，变成一个可泛化、可迁移的系统。机器人不再需要工程师为每一个任务写脚本，而是可以通过语言理解 “你想让我做什么”。
谷歌是最早把这一变化系统性引入机器人领域的团队之一。2023 年，谷歌提出 PaLM-E，如图 3 所示。这里需要明确一点：PaLM-E 本质上是一个多模态大语言模型，它并不直接输出电机控制信号，也不是用来 “走路” 的模型。它的角色非常清晰 —— 处在决策层。PaLM-E 将语言、视觉输入和机器人状态嵌入到同一个语义空间中，用来回答一个问题：在当前环境和指令下 “我应该做什么”。
图3 PaLM-E：一种具身化的多模态语言模型
在公开视频中，机器人可以理解诸如 “把那个更适合早餐的东西拿过来” 这样的模糊指令 —— 这在此前几乎不可想象。这里的突破，不在于动作是否精准，而在于机器人第一次能在语义层面做推理：什么是 “早餐”，什么是 “更适合”，什么是 “拿过来”。
这是决策层的质变。与此同时，策略生成层也发生了变化。
2023 年，谷歌发布 RT-2。与 RT-1 不同，RT-2 并不是单纯的 “视觉 — 动作”模型，而是将大语言模型的表示能力注入动作生成中。RT-2 仍然负责 “怎么动”，但它开始从语言中获得抽象概念，并把这些概念迁移到动作决策上。例如，机器人从未被明确教过 “捡垃圾”，但在理解 “把不需要的东西丢掉” 之后，能够在新场景中完成这一动作。RT-2：“视觉–语言–动作” 模型将网络知识迁移至机器人控制如图 4 所示。
图4 RT-2：“视觉—语言—动作”模型将网络知识迁移至机器人控制
这一步，标志着策略生成层的角色发生改变。它不再只是 “从画面到动作的映射器”，而开始成为 “从语义到动作的桥梁”：上层的大语言模型负责理解意图，下层的策略模型负责把意图转化为可执行的动作序列。
对人形机器人来说，这一点尤为关键。因为人形机器人面对的不是工业流水线，而是人类世界。而人类世界的指令，本身就是模糊的、不完整的、带有上下文的。只有当策略层能够理解语言中的意图，动作才有可能真正泛化。
这也解释了为什么在 2022 年 —2024 年间，越来越多的人形机器人公司开始公开谈论 “大模型”。Figure 明确将通用模型作为机器人智能核心；1X、Agility 等公司，也在不同程度上把语言理解和视觉决策纳入系统设计之中。它们讨论的，并不是 “让模型直接控制关节”，而是 “让模型承担决策与意图理解”。
值得注意的是，这一轮变化并没有推翻原有结构。本体依然重要，小脑依然关键，行为组织层依然存在。大语言模型并没有替机器人走路、抓东西，而是重新定义了 “为什么要做这些动作”。换句话说，大模型没有让人形机器人变得更强壮，而是让它第一次 “像在思考”。也正因此，大模型对人形机器人的影响，并不是平均分布在所有层级，而是高度集中在决策层和策略生成层 —— 它们第一次把此前碎片化的能力，组织成一个可理解、可迁移的整体。
在此之前，人形机器人是一堆能力的集合；在此之后，它开始具备 “任务意识”。如果回头看人形机器人过去几十年的曲折历史，会发现一个讽刺的事实：真正阻碍它走进现实世界的，从来不是腿不够稳，而是脑不够用。而大模型的出现，第一次让这个问题，出现了一个可以被工程化对待的答案。
PART 02、新一轮风口形成
如果说上一节里，大模型第一次为人形机器人补上了 “能理解任务” 的能力，那么紧接着出现的问题就变得异常具体了：谁来真正负责 “想清楚要干什么”，以及 “把这个想法变成一连串可执行动作”？
到 2024 年前后，这个问题开始在产业和资本层面同时浮出水面。摩根士丹利在 2026 年初发布的 “2026 Outlook-Humanoids” 报告里，用了一句相当克制，却意味深长的判断：行业的关注焦点，正在从 2024 年的人形机器人 “原型机之争”，转向 2025 年对 “机器人大脑” 的集中押注。换句话说，当 “能站起来、能走路、能展示动作” 的阶段性目标完成之后，真正决定路线分化的，开始变成机器人内部的智能结构。
这一转向，并不是抽象讨论，而是被现实一点点逼出来的。在 2025 年第四季度的财报电话会上，马斯克罕见地把 Optimus 面临的难点说得非常直白：第一，是打造一只具备人手自由度和灵活性的机械手；第二，是 “现实世界 AI”；第三，才是规模化生产。他甚至用一个近乎残酷的比喻来形容没有 AI 的人形机器人 ——“没有 AI 芯片的 Optimus 只是个道具，就像《绿野仙踪》里的锡人，甚至更糟，锡人至少还会走路。没有 AI 芯片，Optimus 连坐在那里都做不到。”
这句话在行业里被反复转述，并不是因为它夸张，而是因为它精准点出了一个共识正在形成的事实：身体的瓶颈已经足够清晰，而真正限制上限的，是 “脑”。也正是在这个阶段，“具身模型” 开始从一个学术术语，变成被反复提及的产业关键词。
这里的 “具身模型”，并不是指某一套统一答案，而是一类新的技术押注方向：试图用可学习的模型，去承担过去由规则、脚本和工程经验堆叠出来的智能结构。它们大致落在两个相互咬合的层面上 —— 决策层的大脑模型，以及连接语言、视觉与动作的策略生成模型（VLA）。
在美国，这条路线最具代表性的公司之一是 Skild AI。Skild AI 成立于 2023 年，创始团队中既有来自自动驾驶和机器人领域的工程师，也有长期从事基础模型研究的研究者。与传统机器人公司不同，Skild AI 并没有急着展示一个完整的人形本体，而是反复强调一个目标：打造一个 “可以迁移到不同机器人身体上的通用智能内核”。在他们的设想中，身体是可更换的，而智能应当是可复用的。这种思路，本质上就是把 “脑” 从 “身体” 中剥离出来，单独作为一个可持续进化的对象。
类似的判断，也出现在 Pi（Physical Intelligence）的叙事中。Pi 的创始团队里，既有曾参与 OpenAI 早期机器人项目的研究者，也有在谷歌、特斯拉体系中做过大规模系统的工程师背景。他们反复强调的一点是：现实世界的智能，并不是多做几个任务就能堆出来的，而是需要一个能够跨任务、跨场景迁移的决策结构。这也是为什么，他们将大量精力放在 “长时序决策”“错误恢复”“任务中断与重规划” 等问题上 —— 这些都是典型的 “脑层问题”，而非控制层技巧。
与此同时，在中国，类似的探索几乎同步展开。
中国机器人大脑的技术路线，正在从单一的 VLA 模型，走向 VLA 与世界模型的融合。前者负责把视觉、语言和动作连接起来，后者负责理解物理世界如何变化；二者共同构成机器人从 “想清楚” 到 “做出来” 的关键链路。
在 2026 年的智源大会上，智源研究院（全称为北京智源人工智能研究院）披露了正在研发中的悟界・RoboBrain Orca。它以 “预测下一个物理状态” 为核心来构建具身大脑，融合大量 Ego-centric 交互数据，强化世界模型的具身表征，从而提升下游少样本学习和跨场景泛化能力。
在这一方向上，银河通用的路径具有很强的代表性。银河通用的核心技术底座，是全栈自研的具身大模型 “银河星脑 AstraBrain”。它将 “大脑 — 小脑 — 神经控制” 融入端到端框架，让机器人在感知、决策与执行之间形成紧密闭环。2026 年，银河通用推出 AstraBrain WAM 0.5（World-Action Model，世界 — 动作模型），将 VLA 与世界模型统一于同一架构，使机器人在理解物理世界规律的同时，生成可执行的行动策略。同时发布的 AstraBrain-WBC 0.5，则面向人形机器人全身实时运动控制。该模型基于大规模人类动作数据训练，在运动控制领域验证了类似 GPT 的 Scaling Law，并实现未见动作的零样本泛化执行。
星动纪元则走向了另一条更偏系统架构的道路。他们提出的 ERA-42 模型，从一开始就采用了 “慢思考、快执行” 的双系统结构，把高层规划与低层控制分离开来。高层模型负责推理、拆解任务，低层模型负责高频执行与闭环控制。这种分工，试图在一个统一框架下，同时容纳 “像人一样思考” 和 “像机器一样反应”。他们进一步把世界模型引入其中，让模型不仅能行动，还能预测未来状态，这一步，明显指向了更长期的泛化能力。
星海图、千寻智能等团队，则进一步在架构层面探索 “推理与动作如何在同一个模型中共存”。千寻智能自研的 Spirit v1.6 采用 VLA 与世界模型深度一体化的融合架构，打通了环境感知、动作决策与时序世界状态推演的核心技术链路。这种一体化的设计逻辑回应了一个关键命题：智能不只是具备独立推理能力，更要实现思考与行动的高效协同。星海图新一代具身基础模型 G0.5，依托其最新的 VLA（视觉 — 语言 — 行动）模型架构设计：让同一个模型、同一套权重，同时完成推理与行动，让机器人拥有 “行动中的思考能力”。
值得注意的是，这股风口并不只发生在 “做模型的公司” 身上。人形机器人关键技术企业及代表模型如图 5 所示。
像宇树这样硬件出身的企业，也正在被这股力量重新塑形。根据多位行业人士的说法，宇树内部已经成立专门团队，开始系统性地推进模型层面的研发，并积极寻找能够在智能结构上深度契合的合作方。这种转向，本身就是风口最真实的注脚：当硬件能力逐渐趋同，真正拉开差距的，只能是 “脑” 和 “策略”。
图5 人形机器人关键技术企业及代表模型
回头看这一轮变化，会发现一个清晰的脉络：风口并不是 “人形机器人”，而是 “人形机器人里的智能层”。它不再奖励谁的样机更像人，而是奖励谁能构建出一个可迁移、可扩展、可持续学习的具身模型。
如果说上一轮浪潮拼的是 “能不能站起来”，那么这一轮风口拼的，是 “机器人是否真的知道自己在干什么”。而这，恰恰也是决定人形机器人能否走出展示台，进入真实世界的分水岭。
以上内容节选自《人形机器人简史》作者：周小燕 周文斌 胡熙坤
本书是一部兼具科技史视角与产业观察的人形机器人发展全景著作。书中以时间为线索，从人类最早关于“机械生命”的幻想出发，穿越自动机械时代、工业机器人时代与人工智能时代，系统梳理人形机器人近百年的技术演进、产业变迁与全球竞逐。
在人形机器人重新成为世界科技焦点的今天，本书试图回答一个贯穿历史的问题：为什么人类总会周期性地重新爱上“造一个像人的机器”？回望过去，人形机器人曾多次迎来技术发展与资本投入的高潮，却又一次次因成本、性能与商业化落地的失衡而陷入沉寂。从实验室里的理想主义，到产业化中的现实约束，历史似乎总在循环。而在大模型与具身智能快速发展的今天，这场循环究竟会被打破，还是会重演，也成为本书试图讨论的核心命题之一。
书中不仅关注关节、电机、感知、控制与智能系统如何一步步拼接出“机器身体”，也关注技术背后的国家战略、资本逻辑与产业分工变化，呈现人形机器人如何从科幻想象逐渐走向现实世界。这不仅是一部关于人形机器人的历史，更是一部关于人类如何不断复制自身、延伸自身，并重新想象未来文明形态的时代记录。本书适合人工智能爱好者、机器人爱好者，以及相关从业人员阅读。
撰 稿 人：李杉
责任编辑：张淑谦
审 核 人：曹新宇
