具身智能前瞻系列深度報(bào)告：從線蟲轉(zhuǎn)向復(fù)盤至行動導(dǎo)航，旗幟鮮明看好物理AI.pdf

具身智能前瞻系列深度報(bào)告：從線蟲轉(zhuǎn)向復(fù)盤至行動導(dǎo)航，旗幟鮮明看好物理AI。從生物智能五階段映射具身智能，模擬、規(guī)劃能力是當(dāng)前缺失環(huán)節(jié)。具身智能發(fā)展至今，從物理形態(tài)到大腦機(jī)理，機(jī) 器人無一不在以“仿生”的脈絡(luò)發(fā)展演繹。我們認(rèn)為，雖然目前人形機(jī)器人的產(chǎn)業(yè)發(fā)展階段尚處早期，但市場往往會 高估原子層面的變化，而低估比特層面的變化——具身智能模型側(cè)的發(fā)展日新月異，因而我們試圖在本篇報(bào)告中詳細(xì) 梳理生物智能五階段的變化，并逐階段地映射產(chǎn)業(yè)界的產(chǎn)品形態(tài)與模型算法。生物體億萬斯年的演化歷程，蘊(yùn)含著解 讀目前具身智能發(fā)展階段的鑰匙，我們認(rèn)為，當(dāng)前具身智能真正缺乏的是第三階段的生物智能——模擬學(xué)習(xí)的能力， 而物理 AI 正是構(gòu)建模擬學(xué)習(xí)的核心。

復(fù)盤智能駕駛模型算法演繹歷史，世界模型≈空間智能+物理 AI。正如“線蟲學(xué)會轉(zhuǎn)向”是生物智能的起點(diǎn)，“行動導(dǎo) 航”也是“具身智能”的起點(diǎn)，因而理解智能駕駛算法模型的演繹，對于理解機(jī)器人具身智能模型的發(fā)展階段及卡點(diǎn)， 具有奠基性意義。同時(shí)由于具身智能產(chǎn)業(yè)尚處初期，業(yè)內(nèi)眾多明星創(chuàng)業(yè)公司的核心創(chuàng)始團(tuán)隊(duì)均有過長期智能駕駛行業(yè) 的從業(yè)經(jīng)驗(yàn)，因而核心人才的遷移也必然伴隨核心算法、思想的遷移。通過梳理復(fù)盤以特斯拉 FSD 為代表的智駕算法 模型的演繹歷史，我們可以得出幾個(gè)結(jié)論：1）BEV 架構(gòu)實(shí)現(xiàn)了 2D 圖像到 3D 空間的擴(kuò)展，使得模型具備了初級空間 智能的能力（這一點(diǎn)在理想、華為等車企身上更多是通過激光雷達(dá)實(shí)現(xiàn)的）；2）傳統(tǒng)端到端算法的實(shí)質(zhì)是一個(gè)無模型 的強(qiáng)化學(xué)習(xí)，是快思考的系統(tǒng) 1；3）現(xiàn)階段智駕中頻繁出現(xiàn)的 VLM、VLA 實(shí)質(zhì)是一個(gè)基于模型的強(qiáng)化學(xué)習(xí)，是慢思 考的系統(tǒng) 2；4）是否應(yīng)用基于模型的強(qiáng)化學(xué)習(xí)，對于智能駕駛而言也許僅僅是一個(gè)“好用”與“可用”之間的區(qū)別， 而對于一臺通用人形機(jī)器人而言，則會直接導(dǎo)致“可用”與“不可用”的區(qū)別，而建立系統(tǒng) 2 的關(guān)鍵正在于模擬與規(guī) 劃的能力，也即物理 AI 的仿真能力。2025 年 CES 上，英偉達(dá)發(fā)布 Cosmos 世界模型平臺，我們認(rèn)為，世界模型≈空 間智能+物理 AI，也就是需要讓模型具備理解、生成 3D 幾何關(guān)系、距離等空間信息的能力，同時(shí)需要讓模型在 3D空 間中符合真實(shí)世界物理規(guī)律地與其他物體之間發(fā)生交互。

空間智能：讓模型理解 3D 空間中不同物體之間的幾何比例關(guān)系與位置距離信息。由于互聯(lián)網(wǎng)中并不直接存在海量的 3D 數(shù)據(jù)，因而現(xiàn)階段的 LLM 與 VLM 仍然局限于對于文字、圖像&視頻等信息的生成與理解，而如果希望實(shí)現(xiàn)對于 3D 空間數(shù)據(jù)的 Scale up，目前而言有真實(shí)數(shù)據(jù)采集與仿真合成數(shù)據(jù)兩條路線。通過真實(shí)數(shù)據(jù)采集獲取的 3D 空間數(shù)據(jù)雖 然質(zhì)量更高，但數(shù)據(jù)成本其實(shí)是房租+人力，規(guī)模效應(yīng)不強(qiáng)，較難降本且極為耗時(shí)。而通過 Real2Sim2Real 方式獲得 的仿真合成數(shù)據(jù)的成本，則是 GPU 的仿真計(jì)算與渲染成本，降本路徑服從摩爾定律，且原始數(shù)據(jù)一般取材于真實(shí)物理 空間，數(shù)據(jù)質(zhì)量并不低，是一條更有性價(jià)比且可以極大縮短數(shù)據(jù)采集時(shí)間的路徑。

物理 AI：解決機(jī)器人與物理世界交互的最后一環(huán)。對于具身智能機(jī)器人而言，最后一個(gè)核心環(huán)節(jié)是嵌入模型的機(jī)器人 需要與外部世界的物體發(fā)生真實(shí)的物理交互。這件事對于掃地機(jī)、割草機(jī)、智能駕駛汽車而言都不必須，原因是廣義 的行動導(dǎo)航（或者智能駕駛）天然是反物理交互的，智能汽車唯一與外界的高頻物理交互是輪胎與地面的摩擦，除此 之外可能發(fā)生的物理交互都是智駕模型竭力避免出現(xiàn)的（如追尾、撞人、剮蹭等），而機(jī)器人無論是家用服務(wù)場景還 是工廠內(nèi)的勞動力替代場景，都需要高頻與外部環(huán)境進(jìn)行交互，包括抓取水杯、搬運(yùn)箱子等。而一旦涉及到物理交互， 就會存在力反饋信息，需要服從合格的物理定律，否則將會產(chǎn)生嚴(yán)重的人身傷害及財(cái)產(chǎn)損失。物理 AI 正是在這樣的背 景之下誕生，要去回應(yīng)當(dāng)前機(jī)器人產(chǎn)業(yè)“缺數(shù)據(jù)”的難題。