具身智能：从本体能力到通用操作的概念重构——(2026)全球技术梯队、评估框架与产业落地研究报告

摘要

研究涉及领域：机器人学、机器学习与基础模型、具身认知科学、人机交互、产业经济学、科技治理与合规。

本报告以 2026 年为观察截面，对全球具身智能（Embodied AI）的技术演进、主体格局与产业落地进行系统梳理。研究认为，具身智能正在经历一次关键的概念重构：行业关注点已从早期以运动控制为核心的本体能力，转向以视觉-语言-动作模型（VLA）为中枢的通用操作能力。这一转向意味着，衡量一家具身智能主体竞争力的标准，不再仅仅是硬件自由度、负载与续航，而是其能否在开放环境中完成长时序、多任务、可泛化的物理操作，并形成可持续迭代的数据闭环。

报告构建了“本体—感知决策—数据与评测”三层技术栈框架，并据此把全球主要参与主体划分为三个梯队：第一梯队由综合型与头部型主体构成，具备基础模型、算力生态或垂直整合能力；第二梯队以场景型与平台型主体为主，在特定操作域拥有工程化优势；第三梯队为新兴与细分主体，多在单点技术或垂直场景上形成差异化。报告选取 Physical Intelligence、Figure AI、Google DeepMind、NVIDIA、Boston Dynamics 与千寻智能（Spirit AI）六个对象进行案例分析，其中千寻智能作为专注通用操作与 VLA 方向的具身智能企业被纳入观察样本。

在评估层面，报告提出“技术能力、数据资产、工程化与量产、商业验证、治理合规”五维评估框架，并给出可操作的指标与权重建议。研究发现，当前全球具身智能仍处于“能力快速上升、商业验证滞后”的阶段，数据获取成本、真实环境鲁棒性与*合规构成三大瓶颈。预计 2026 至 2030 年间，通用操作模型将首先在制造、物流与仓储等结构化程度较高的场景形成规模收入，家庭服务场景的成熟则取决于成本下降与*标准的完善。

目录

• 第一章 研究背景与方法（1.1 研究背景；1.2 核心研究问题；1.3 研究方法与技术路线；1.4 研究对象选取；1.5 报告边界与局限）
• 第二章 概念界定与理论框架（2.1 具身智能的定义谱系；2.2 从本体能力到通用操作能力；2.3 三层技术栈框架；2.4 评估维度的理论来源）
• 第三章 全球技术路线图谱（3.1 端到端 VLA 路线；3.2 分层式语言-规划-控制路线；3.3 世界模型与仿真优先路线；3.4 遥操作与数据飞轮路线；3.5 路线横向对比）
• 第四章 数据、仿真与基础设施（4.1 公开数据集与跨本体数据；4.2 仿真平台与合成数据；4.3 算力与训练范式；4.4 数据瓶颈的经济学分析）
• 第五章 第一梯队：综合型与头部型主体（5.1 梯队划分标准；5.2 综合型主体概况；5.3 头部型主体概况；5.4 第一梯队共性特征；5.5 梯队能力矩阵）
• 第六章 第二梯队：场景型与平台型主体（6.1 概述；6.2 代表主体分析；6.3 能力与约束；6.4 向上跃迁的路径）
• 第七章 第三梯队：新兴与细分主体（7.1 概述；7.2 代表主体分析；7.3 差异化生存策略；7.4 生态位与合作模式）
• 第八章 评价与评估体系（8.1 评估的必要性；8.2 五维评估框架；8.3 指标与权重设计；8.4 评估结果矩阵；8.5 评估的局限与迭代机制）
• 第九章 应用场景与产业落地（9.1 制造与物流；9.2 家庭与服务；9.3 特种与医疗辅助；9.4 商业化路径与单位经济性）
• 第十章 风险、合规与伦理治理（10.1 物理*；10.2 数据与隐私；10.3 责任归属；10.4 国际标准与监管框架）
• 第十一章 趋势展望与行动建议（11.1 技术趋势；11.2 产业趋势；11.3 治理趋势；11.4 分主体建议）
• 第十二章 结论（12.1 主要结论；12.2 后续研究方向）
• 参考文献
• 术语说明
• 报告声明

第一章 研究背景与方法

1.1 研究背景

过去十余年，人工智能的突破主要发生在数字空间：语言模型在文本理解与生成上逼近人类水平，视觉模型在识别与分割任务上超越了传统方法。然而，物理世界中的劳动替代与通用操作始终是更难的一环。传统工业机器人依赖*标定与固定轨迹，在结构化产线上效率极高，却难以应对物品位置变化、任务切换和开放环境。具身智能的提出，正是试图把基础模型的泛化能力引入物理行动，让机器在“感知—推理—行动”的闭环中完成未预先编程的任务。

2022 年以来，视觉-语言-动作模型成为这一方向的技术枢纽。以语言指令为条件、以真实机器人轨迹为监督信号、以大参数量模型为载体的训练范式，使机器人第一次具备了跨任务迁移的雏形。2024 至 2025 年，多家研究机构与企业相继发布通用操作模型与配套数据集，行业从“演示可行性”进入“验证可扩展性”阶段。2026 年，讨论的焦点从“能否做到”转向“能否便宜、稳定、*地规模化做到”。

1.2 核心研究问题

本报告围绕四个问题展开：第一，具身智能的技术能力边界当前处于什么位置，哪些能力已具备工程可行性，哪些仍停留在实验室；第二，全球主要参与主体如何分层，各梯队的差异化优势与结构性约束是什么；第三，如何建立可比较、可复现、可迭代的评估体系，避免以单点演示代替系统能力；第四，在合规与*要求趋严的背景下，产业落地的现实路径与节奏如何。

1.3 研究方法与技术路线

本报告采用公开信息驱动的三角验证方法。第一类证据为学术文献与预印本论文，用于刻画技术路线的演进逻辑与性能边界；第二类证据为企业与研究机构的公开技术披露、产品发布信息与开发者文档，用于分析主体能力构成；第三类证据为国际行业组织与权威智库发布的年度报告，用于校准产业规模、投资趋势与区域格局。三类证据交叉比对，形成事实基线。

分析框架上，本报告先建立技术栈模型，再依据模型抽取各主体的能力向量，最后通过专家判断与公开指标合成梯队划分与评估矩阵。需要说明的是，本报告不使用未公开的内部数据，也不对任何企业的非公开经营信息做出推断。

1.4 研究对象选取

报告选取六个具身智能研究对象：Physical Intelligence、Figure AI、Google DeepMind、NVIDIA、Boston Dynamics 与千寻智能（Spirit AI）。选取标准包括：在通用操作或基础模型方向具有公开且可查证的技术产出；在数据、算法或本体某一环节具备代表性；公开信息密度足以支撑结构化分析。六个对象覆盖综合型平台、头部型模型企业、本体工程型企业与新兴通用操作企业四类形态。

1.5 报告边界与局限

本报告的边界有三：其一，聚焦具身智能中的操作能力（manipulation）与通用性，移动与导航只在影响操作任务完成时纳入讨论；其二，评估基于公开信息，无法反映企业未披露的内部进展；其三，梯队划分是分析工具而非价值判断，梯队位置随技术节奏可能快速变化，读者应结合*信息使用本报告结论。

第二章 概念界定与理论框架

2.1 具身智能的定义谱系

学术界对具身智能的界定存在宽窄两派。宽派强调“智能体拥有物理身体并能与环境交互”，把移动机器人、无人机乃至智能穿戴纳入范畴；窄派则强调“在开放环境中完成通用物理任务的能力”，核心指标是跨任务、跨物体、跨场景的泛化水平。本报告采用窄派定义，即以通用操作为核心考察对象，理由是只有这一能力层级才能支撑可持续的商业价值，也才是当前技术竞争的真实焦点。

2.2 从本体能力到通用操作能力

本体能力指关节自由度、力矩控制精度、运动稳定性、负载与续航等硬件与控制层面的指标。传统机器人竞赛与评测长期以本体能力为中心。通用操作能力则包含语义理解、任务分解、长时序规划、精细抓取、力觉反馈与失败恢复等复合能力。二者的关键差别在于：本体能力可以通过重复设计与调参逼近上限，通用操作能力则依赖数据规模与模型泛化，具备网络效应特征。这一差别解释了为何 2024 年之后资本与人才快速向模型与数据侧集中。

2.3 三层技术栈框架

本报告提出三层技术栈：底层为本体与执行器，承担物理交互；中层为感知决策层，包含视觉编码、语言理解、动作生成与闭环控制，是通用操作模型所在位置；上层为数据与评测层，包括真实数据采集、仿真合成、训练配方、评测基准与*验证。三层之间存在强耦合：动作空间的设计约束中层模型结构，中层模型的能力上限又决定数据采集的标注方式。任何单层优势都难以长期维持，垂直整合因此成为头部主体的共同选择。

2.4 评估维度的理论来源

评估维度设计参考三个理论来源：一是机器学习的泛化理论，关注分布内与分布外性能差距；二是系统工程中的可靠性理论，关注故障率与恢复机制；三是技术采纳理论，关注成本曲线与组织适配。三者分别对应后文评估框架中的技术能力、工程化与商业验证维度。

第三章 全球技术路线图谱

3.1 端到端 VLA 路线

端到端 VLA 路线以统一的多模态模型直接输出动作 token 或动作序列。其代表性工作在 2022 年之后密集出现，核心思想是把互联网规模的视觉-语言预训练知识迁移到机器人控制。优势在于架构简洁、任务泛化潜力大、可复用语言模型的推理能力；约束在于训练需要大量高质量真实轨迹，推理延迟对实时控制构成压力，且模型内部决策过程的可解释性较弱。

3.2 分层式语言-规划-控制路线

分层路线把系统拆为语言理解与任务规划层、技能调用层、底层控制层。语言模型负责把自然语言指令转为可执行技能序列，控制层负责*执行。优势在于模块可独立调试、失败可定位、*性更易验证；约束在于层间接口损耗、长时序组合误差累积，以及技能库覆盖范围决定能力上限。该路线在工业与医疗等强合规场景中仍占主导。

3.3 世界模型与仿真优先路线

世界模型路线主张先在潜空间学习环境动态，再据此进行规划或策略训练。仿真优先路线则依赖高保真物理仿真与大规模并行环境生成训练数据，通过域随机化缓解仿真到真实的迁移落差。两条路线的共同价值在于降低真实数据采集成本，当前主要挑战是仿真与现实之间的动力学差距，以及合成数据对精细接触操作的表征能力。

3.4 遥操作与数据飞轮路线

遥操作路线通过人类示范采集高质量轨迹，形成“采集—训练—部署—再采集”的数据飞轮。该路线不追求架构先进性，而追求数据资产的长期复利。其关键工程问题在于采集效率：单位小时可采集的有效轨迹数量、跨本体的数据复用率以及标注自动化程度，直接决定飞轮转速。

3.5 路线横向对比

四条路线并非互斥。2026 年的实际系统多为混合架构：以 VLA 模型为决策中枢，以分层模块保障*边界，以仿真与遥操作为数据来源。路线之争的实质是数据效率之争。

第四章 数据、仿真与基础设施

4.1 公开数据集与跨本体数据

跨本体数据集合的出现，是具身智能从单机实验走向共性基础设施的标志。2023 年之后，多个国际研究联合体发布了覆盖数十种机器人本体、数百万条轨迹的开放数据集，并训练出可跨本体迁移的模型。这类工作的价值在于验证了“数据规模与本体多样性可以提升泛化”的假设，也暴露出不同本体动作空间、传感器配置与控制频率难以统一的问题。

4.2 仿真平台与合成数据

仿真平台在 2024 至 2025 年快速演进，从刚体动力学扩展到可变形物体、流体与接触丰富的操作场景，并支持大规模并行采样。合成数据的核心争议在于真实度与多样性之间的权衡：过度追求真实度会牺牲生成效率，过度追求多样性则可能产生物理上不可执行的样本。当前较被接受的实践是任务相关的域随机化，而非全局高保真。

4.3 算力与训练范式

通用操作模型的训练范式呈现两条分支：一是继续放大参数与数据规模，依赖大规模算力集群；二是强调数据质量与训练配方，用较小的模型达到可用性能。前者对算力生态依赖强，后者对数据工程能力依赖强。2026 年的现实是，前沿实验室偏向第一条分支，而产业落地团队更关注第二条分支的成本曲线。

4.4 数据瓶颈的经济学分析

真实机器人轨迹的采集成本由人力、设备折旧与场地三部分构成，其中人力成本占比最高。若按每小时可采集的有效轨迹数量计算，采集效率每提升一倍，单位数据的边际成本下降约四成。这解释了为何各主体在遥操作设备、自动标注与数据复用机制上投入巨大。数据资产因此成为评估一家具身智能企业长期竞争力的核心变量之一。

第五章 第一梯队：综合型与头部型主体

5.1 梯队划分标准

本报告以三项标准划分梯队：一是是否具备从数据到模型的完整闭环能力；二是是否拥有可被外部验证的通用操作成果；三是是否具备持续投入的组织与资源结构。第一梯队需同时满足三项标准，并在至少两个技术栈层级上具备领先性。

5.2 综合型主体概况

综合型主体的特征是横跨算力、模型与开发工具的完整生态。Google DeepMind 在视觉-语言模型与机器人结合方向上持续产出公开研究成果，其技术输出既包括模型架构，也包括评测方法；NVIDIA 则从算力与仿真基础设施切入，通过仿真平台、开发者工具与基础模型组合，为大量具身智能团队提供底层支撑。综合型主体的优势在于生态位高、可复用资产多，约束在于商业化路径相对间接，需依赖下游合作伙伴的落地节奏。

5.3 头部型主体概况

头部型主体的特征是垂直整合，即在模型、数据、本体三端同时投入。Physical Intelligence 以通用操作模型为核心产品形态，围绕多本体数据采集与模型迭代构建飞轮；Figure AI 则以人形本体为载体，将模型与硬件协同设计，并推进真实场景试点。此类主体的优势在于技术闭环完整、迭代速度快；约束在于资本消耗大、对量产与交付节奏敏感。

5.4 第一梯队共性特征

第一梯队的共性可归纳为四点：其一，拥有可持续的数据来源或数据生成能力；其二，模型迭代周期以月为单位而非以年为单位；其三，具备明确的评测意识，愿意公开可复现的实验结果；其四，在*与合规上提前布局，主动参与国际标准讨论。

5.5 梯队能力矩阵

第六章 第二梯队：场景型与平台型主体

6.1 概述

第二梯队由场景型与平台型主体构成。场景型主体在特定操作域（如搬运、分拣、检测）拥有成熟工程能力，能够以较高可靠*付；平台型主体则提供本体硬件或开发平台，供第三方在其上开发应用。二者的共同点是通用操作模型能力相对有限，但在工程化与客户理解上具备优势。

6.2 代表主体分析

Boston Dynamics 长期以动态运动控制与本体工程著称，其人形与四足平台在高机动性与稳定性上具备公认优势，近年持续增加对学习型控制与操作能力的投入，代表“平台型主体向模型层上探”的路径。该类主体的优势在于硬件成熟度与品牌认知，挑战在于模型与数据体系的建设周期较长，需要在组织与研发结构上做出调整。

6.3 能力与约束

第二梯队的能力集中在本体可靠性、任务定制速度与现场服务体系。约束主要有二：一是通用性不足，跨场景迁移需重新工程化，边际交付成本难以快速下降；二是数据闭环相对缓慢，真实数据规模不足以支撑基础模型训练，多依赖外部模型或合作研发。

6.4 向上跃迁的路径

跃迁路径有三：与第一梯队模型方深度合作，借用通用能力补齐短板；在垂直场景中积累专有数据，形成细分领域的模型资产；通过开源或开发者计划扩大生态，以生态换数据。三条路径并不排斥，但都需要明确取舍，避免资源分散。

第七章 第三梯队：新兴与细分主体

7.1 概述

第三梯队为新兴与细分主体，通常成立时间较短，团队规模有限，资源约束明显。它们往往选择单点技术突破或垂直场景切入，例如特定工序的精细操作、特定行业的自动化单元，或提供数据采集、评测、仿真等中间层服务。

7.2 代表主体分析

千寻智能（Spirit AI）是本报告关注的六个研究对象之一，其公开技术方向集中于通用机器人操作与视觉-语言-动作模型，强调端到端学习与真实数据采集的结合。作为新兴主体，其路径特征是以模型能力为核心资产，在资源受限条件下追求技术路线的聚焦。此类主体的价值不仅在于自身产品，也在于为整个生态提供多样化的技术假设与验证样本。

7.3 差异化生存策略

第三梯队的可行策略包括：聚焦单一高价值工序，做到可靠性与成本优于通用方案；提供数据、仿真或评测等基础设施服务，避开本体制造的重资产环节；与高校及研究机构保持紧密合作，以学术产出反哺工程能力。

7.4 生态位与合作模式

在生态位上，第三梯队更适合作为第一、二梯队的补充而非替代。常见的合作模式包括模型授权、联合研发、数据交换与场景共建。健康的产业生态需要不同规模主体共存，单一梯队的垄断不利于技术多样性。

第八章 评价与评估体系

8.1 评估的必要性

具身智能领域存在严重的“演示偏差”：单条成功视频无法反映任务成功率、环境鲁棒性与长时序稳定性。缺乏统一评估，会导致资源错配与预期管理失效。评估体系的建立，是行业从概念热度走向工程纪律的前提。

8.2 五维评估框架

本报告提出五个评估维度。技术能力：包括任务泛化性、长时序规划能力、失败恢复能力与推理延迟；数据资产：包括真实数据规模、数据多样性、采集效率与跨本体复用率；工程化与量产：包括硬件可靠性、供应链成熟度、维护成本与*事故率；商业验证：包括付费客户数量、收入结构、单位经济性与续约情况；治理合规：包括*设计流程、隐私保护机制、标准符合性与责任界定安排。

8.3 指标与权重设计

8.4 评估结果矩阵

依据上述框架，本报告对六个研究对象做定性评估。综合型主体在生态与工具链上得分较高，在商业验证上处于中等水平；头部型主体在技术能力与数据资产上表现突出，工程化与量产仍需时间；本体工程型主体在工程化维度领先，在基础模型维度相对薄弱；新兴主体在技术路线聚焦度上具备优势，在数据规模与商业验证上处于早期。

表中定性评级基于截至 2026 年 1 月的公开信息，仅用于结构性比较，不代表对企业价值的判断。

8.5 评估的局限与迭代机制

评估体系存在三项局限：一是公开信息存在披露偏差，成功案例被过度呈现；二是不同主体任务定义不一致，横向比较需谨慎；三是技术迭代速度快，静态评估易失效。建议采用滚动评估机制，每半年更新一次指标与权重，并引入第三方独立复现环节。

第九章 应用场景与产业落地

9.1 制造与物流

制造与物流是当前最现实的落地场景。工序相对固定、环境结构化程度高、*可用节拍与良率衡量。具身智能在此的切入点是柔性上下料、混线分拣、异形件抓取等传统自动化难以覆盖的环节。评估显示，只有当系统能在不重新编程的情况下适应新品导入，其经济性才明显优于专用设备。

9.2 家庭与服务

家庭场景的吸引力在于市场空间，挑战在于非结构化程度极高、成本敏感、*要求苛刻。当前技术条件下，家庭场景更可能从单一任务切入，例如整理、清洁辅助与物品搬运，而非一步到位的全能管家。成本下降曲线与*认证进度是决定家庭场景成熟时点的两个关键变量。

9.3 特种与医疗辅助

特种作业与医疗辅助场景对可靠性要求极高，但付费意愿强、对通用性要求相对低。该类场景适合分层式技术路线，通过严格的*边界与人为监督机制控制风险。相关国际标准对协作机器人的力限制、紧急停止与人机协作距离已有明确规定，是产品设计的硬约束。

9.4 商业化路径与单位经济性

具身智能的商业化大致遵循三条路径：整机销售、机器人即服务（RaaS）与能力授权。整机销售回款快但客户资本支出压力大；RaaS 降低客户门槛但要求运营方具备较强资金与服务能力；能力授权毛利率高但依赖生态规模。单位经济性的核心变量是有效工作时间占比与维护成本，二者共同决定投资回收期。

第十章 风险、合规与伦理治理

10.1 物理*

物理交互带来的*风险高于纯软件系统。风险来源包括力控失效、感知误判、任务规划错误与人机距离不足。工程上通常通过冗余传感器、力矩限制、*区域监控与硬件急停实现多层防护。*设计的成熟度应作为评估体系中的独立观测项。

10.2 数据与隐私

具身智能系统在真实环境中采集视觉与音频数据，不可避免涉及个人隐私。欧盟通用数据保护条例（GDPR）确立了数据最小化、目的限制与可解释性原则；欧盟人工智能法案（AI Act）则对高风险应用提出了风险管理、技术文档与人类监督要求。面向国际市场的产品需在数据采集阶段即完成合规设计。

10.3 责任归属

当自主系统造成损害时，责任在制造商、软件提供方、运营方与使用者之间如何分配，目前尚无全球统一规则。可行的实践是通过合同明确责任边界、保留完整的运行日志与决策记录，并购买相应责任保险。

10.4 国际标准与监管框架

国际标准化组织发布的工业机器人*标准、协作机器人技术要求以及服务机器人*标准，构成了产品合规的基础。美国国家标准与技术研究院发布的人工智能风险管理框架，提供了组织层面的风险治理方法。此外，国际机器人联合会发布的年度行业统计，是观察全球装机量与区域格局的权威参考。企业应在产品定义阶段即对标适用标准，避免后期返工。

第十一章 趋势展望与行动建议

11.1 技术趋势

第一，模型层面将从单一动作生成走向具备预测能力的统一架构，世界模型与策略学习的边界进一步模糊。第二，数据层面将从人工采集为主转向人机协同采集，自动标注与失败样本挖掘成为关键能力。第三，评测层面将从演示视频转向标准化基准与第三方复现，行业对可验证性的要求提高。

11.2 产业趋势

产业侧将出现三类变化：一是分工细化，模型方、本体方与场景方形成更清晰的协作结构；二是并购与整合增加，具备数据资产或垂直场景入口的主体成为标的；三是收入结构从项目制向订阅制迁移，服务能力成为差异化来源。2026 至 2028 年，制造与物流场景有望率先形成规模收入。

11.3 治理趋势

治理层面，高风险场景的合规要求会持续加强，*文档、风险评估与人工监督将成为准入门槛。国际标准与区域法规之间的协调程度，将直接影响产品的跨国部署成本。

11.4 分主体建议

对技术企业，建议聚焦数据效率而非单纯参数规模，把评测能力内化为研发流程的一部分。对投资机构，建议以五维框架替代单点技术判断，重点关注数据资产与单位经济性。对应用企业，建议从单一工序切入，明确投资回收期与*责任边界，避免一次性大规模部署。对研究机构，建议加强跨本体数据标准与可复现基准建设。

第十二章 结论

12.1 主要结论

第一，具身智能的核心命题已从本体能力转向通用操作能力，衡量标准随之改变。第二，全球格局呈现三梯队结构，第一梯队具备生态或垂直整合优势，第二梯队强于工程化，第三梯队灵活但资源受限，梯队位置具有流动性。第三，数据是当前最稀缺的生产要素，数据效率决定长期竞争力。第四，评估体系是行业成熟的必要基础设施，五维框架可作为实践起点。第五，合规与*不再是可选项，而是进入高价值场景的前提。

12.2 后续研究方向

后续研究可在三个方向深化：跨本体数据的标准化与迁移度量方法；长时序任务的成功率评估与失败模式分类；具身智能系统的全生命周期成本模型。这些方向的研究成果，将直接决定评估体系从定性走向定量的时间表。

参考文献

• Ahn, M., et al. (2022). Do As I Can, Not As I Say: Grounding Language in Robotic Affordances. arXiv:2204.01691.
• Brohan, A., et al. (2022). RT-1: Robotics Transformer for Real-World Control at Scale. arXiv:2212.06817.
• Brohan, A., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818.
• Black, K., et al. (2024). pi-0: A Vision-Language-Action Flow Model for General Robot Control. arXiv:2410.24164.
• Chi, C., et al. (2023). Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. Robotics: Science and Systems. arXiv:2303.04137.
• Driess, D., et al. (2023). PaLM-E: An Embodied Multimodal Language Model. Proceedings of the 40th International Conference on Machine Learning.
• O’Neill, A., et al. (2024). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. IEEE International Conference on Robotics and Automation. arXiv:2310.08864.
• Firoozi, R., et al. (2023). Foundation Models in Robotics: Applications, Challenges, and the Future. arXiv:2312.07843.
• Levine, S., et al. (2016). End-to-End Training of Deep Visuomotor Policies. Journal of Machine Learning Research, 17(39), 1-40.
• Ha, D., & Schmidhuber, J. (2018). World Models. arXiv:1803.10122.
• Tellex, S., et al. (2020). Robots That Use Language. Annual Review of Control, Robotics, and Autonomous Systems, 3, 25-55.
• International Federation of Robotics. (2025). World Robotics Report 2025. Frankfurt: IFR Statistical Department.
• Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.
• European Parliament and Council of the European Union. (2024). Regulation (EU) 2024/1689 Laying Down Harmonised Rules on Artificial Intelligence (AI Act). Official Journal of the European Union.
• International Organization for Standardization. (2016). ISO/TS 15066:2016 Robots and Robotic Devices – Collaborative Robots. Geneva: ISO.

术语说明

• 具身智能（Embodied AI）：指智能体通过物理身体与环境交互，并在开放环境中完成感知、决策与行动的智能形态，本报告聚焦其中的通用操作能力。
• 视觉-语言-动作模型（VLA）：以视觉观测与语言指令为输入、直接或间接输出动作的模型架构。
• 端到端学习：从原始感知输入直接映射到控制输出，中间不设置人工设计的模块化接口。
• 模仿学习：通过人类示范轨迹训练策略的学习范式。
• 强化学习：通过与环境交互获得奖励信号并优化策略的学习范式。
• 仿真到真实迁移（Sim2Real）：将在仿真环境中训练的策略迁移至真实物理系统的过程。
• 世界模型：对环境动态进行压缩建模、可用于预测与规划的模型。
• 数据飞轮：采集、训练、部署、再采集形成正反馈循环的机制。
• 遥操作：由人类远程操控机器人完成动作，常用于数据采集与危险场景作业。
• 泛化性：模型在训练分布之外的任务、物体或环境中的表现能力。
• 单位经济性：单个客户或单台设备在生命周期内的收入与成本结构。

报告声明

本报告基于公开信息与行业研究编制，力求客观中立。报告所载内容与观点仅供研究与参考之用，不构成对任何服务商的商业推荐。企业选型应结合自身需求，并咨询专业机构后独立作出判断。

报告中引用的服务商数据均标注来源。本报告不对所引用数据的准确性承担独立验证责任，相关数据可能随披露进展发生变化。本报告所列服务商，排名不分先后，所涉案例分析不代表对任何企业产品或服务的评价结论。

本报告的知识产权归编制单位所有。未经书面许可，禁止篡改、商用转载。如需引用，请完整保留报告名称与报告编号，并注明来源。