在近期举办的世界人工智能大会上，“具身智能”成为全场焦点，超过200家企业齐聚一堂，共同探讨这一新兴领域的技术突破与产业应用。与传统的数字AI不同，具身智能强调机器人与物理世界的真实交互，其核心挑战在于如何让机器人像人类一样感知环境、理解指令并自主行动。这一概念被形象地比喻为“薛定谔的猫”——在门未打开前，机器人的感知系统无法确认猫的存在，而人类却能凭借经验预判结果。
当前，机器人硬件技术已取得显著进展，但行业焦点正从“身体”转向“大脑”。多数机器人仍依赖“一机一脑”模式，场景变化时需重新采集数据甚至从头训练，通用性和适应性成为瓶颈。业内普遍认为，具身智能的突破关键在于开发一套可迭代、跨场景的通用大脑。然而，这一领域的技术路线尚未统一，主要分为两大阵营：一是“视觉—语言—动作”（VLA）路线，通过将多模态信息转化为文字指令再执行动作；二是“视觉—动作”（VA）路线，直接理解环境并预判动作，省略中间环节。
VLA路线因技术成熟、商用成本低而成为主流，但其语言模型在动态预测方面存在局限。例如，机器人可能无法预判杯子从桌边滑落的场景，而人类却能轻松识别风险。为弥补这一缺陷，蚂蚁灵波团队推出VA模型升级版，引入动态建模功能，使机器人能对未来事件进行预判。其最新发布的“全栈大脑2.0”整合了六款模型，覆盖感知、预测到执行的全链路。其中，视觉基座模型和空间感知模型负责识别环境边界与距离，具身基座模型处理指令与动作生成，世界模型学习环境随时间的变化规律，而VA模型则将预测与行动无缝衔接，实现“边推演、边行动”的实时决策。
尽管VA路线展现出潜力，但行业对技术终局仍存分歧。蚂蚁灵波首席科学家沈宇军指出，VLA与VA并非非此即彼的关系，未来可能通过融合形成更优模型，但具体路径仍在探索中。智元联合创始人彭志辉也表示，技术路线尚未收敛，两三年内可能出现新架构，难以预判最终答案。
数据短缺是具身智能规模化应用的另一大障碍。与传统大语言模型依赖互联网文本不同，具身智能需要抓取、搬运等真实交互数据，而传统数据服务商难以满足需求。真机数据采集成本高昂且场景覆盖有限，仿真数据虽便宜但泛化性不足。为破解这一难题，上海觅蜂科技推出无本体采集硬件MEgo系列，通过头戴与腕部设备实现“随行即采”，普通人即可完成高质量数据采集。该设备采用二指夹爪与视觉导航融合定位，轨迹精度达1毫米，多模态数据同步误差小于亚毫秒，大幅降低采集门槛。觅蜂计划今年实现千万小时级数据产能，2030年冲刺百亿小时，以填补产业数据缺口。
然而，真机数据仍面临长尾场景覆盖不足的问题。例如，金属高光反射、异形件跌落等小概率事件难以通过真实采集获取，导致模型在极端场景下表现不佳。上海松应科技采用混合数据策略，结合10%真机数据、80%仿真数据和10%微调数据，将单条有效交互成本从2元降至0.2元以下，同时使模拟环境到现实世界的迁移成功率提升至85%，长尾场景覆盖率达99%。松应还将物理AI操作系统ORCA OS应用于“陆空全域协同”场景，让人形机器人、四足机器人和无人机在同一数字工厂中完成巡检、搬运等任务，推动具身智能从单体向群体演进。
为加速技术迭代，开源生态成为行业共识。蚂蚁灵波宣布新一代具身基座模型LingBot-VLA 2.0全面开源，预训练数据集包含5万小时多机型真机数据和1万小时人类操作数据，觅蜂科技为模型训练提供了大量标准化数据。智元则推出AIMA开源生态技术体系，涵盖操作系统、内容创作平台和交互智能体构建平台，并启动20亿元生态发展计划支持开发者。本体与模型的合作也在深化，傅利叶与极佳视界联合开发“具身操作大脑”，将应用场景拓展至康养、医疗和生产等领域。蚂蚁灵波的最新模型已适配20余种机器人构型，覆盖单臂、双臂、双足和轮式等形态，显著降低开发者的试错成本。
