具身智能竞赛为啥从身体转向大脑？

具身智能：从身体到大脑的转变

身体能力的提升与局限

在过去两三年间，机器人本体取得了显著进步，能够实现行走、跳跃等动作，工业场景中的机械臂也具备了高精度的操作能力。在实际人机协作场景中，机器人的短板逐渐显现。工业产线中，预先编程的机器人面对任务和工件的变化时，缺乏灵活性；日常场景里，语音交互存在噪音环境下识别率低、复杂指令处理链路长等问题。

大脑：具身智能的新焦点

具身智能行业正将重点从“身体”转向“大脑”。目前多数机器人采用“一机一脑”模式，更换场景或任务时需重新采集数据和训练。行业主流的大脑技术路线分为“视觉—语言—动作”（VLA）和“视觉—动作”（VA）两派。VLA路线成熟但预测能力不足，VA模型则补充了动态建模功能，不过行业对技术路径尚未形成定论。

大脑技术路线的探索与比较

VLA路线：成熟与不足

VLA路线的机器人把看到的多模态内容转化为文字，再通过理解文字转化成动作执行。其优势在于多模态理解语言精准，推理算力需求较少，商用成本较低。它在预测方面存在欠缺，例如难以预料杯子放在桌子边缘可能掉落的情况，不利于机器人在真实世界中的操作。

VA路线：直接与补充

VA路线的机器人直接理解多模态内容并预判下一步动作，省去了文字转换环节。蚂蚁灵波发布并迭代的VA模型，补充了动态建模功能，让模型对未来有一定的预判能力。但VA是否是具身大脑的终点尚无定论，未来可能会出现结合VA和VLA的更好模型。

数据短缺：行业规模化的瓶颈

真机数据：昂贵与匮乏

真机数据采集价格昂贵，但能贴近真实场景。上海觅蜂科技推出无本体采集硬件MEgo系列，可实现“随行即采”。真机数据也存在问题，如机械臂每次抓取有磨损，数据成本高，且长尾场景数据极度匮乏，具身模型可能因小概率事件受限。

仿真数据：便宜与局限

仿真数据成本低，但泛化性差，与物理世界存在差距。上海松应科技引入混合体系，包含10%真机数据、80%仿真合成数据和10%微调数据，有效降低了成本，提升了模拟环境到现实世界的迁移成功率。

相关问答

具身智能行业为什么要从身体转向大脑？

目前多数机器人“一机一脑”，更换场景或任务需重新采集数据训练，成本高。行业希望开发通用可迭代的具身大脑，提升机器人灵活性和适应性。

VLA路线有什么优缺点？

优点是多模态理解语言精准，推理算力需求少，商用成本低；缺点是预测能力欠缺，不利于机器人在真实世界干活。

VA路线相比VLA路线有哪些改进？

VA路线省去文字转换环节，蚂蚁灵波的VA模型补充了动态建模功能，让模型对未来有一定预判能力。

数据短缺对具身智能行业有什么影响？

数据短缺是行业规模化的最大瓶颈之一，限制了具身智能模型的训练和应用，真机数据采集成本高且长尾场景数据匮乏。

松应科技的混合体系是如何解决数据问题的？

松应科技的混合体系包含10%真机数据、80%仿真合成数据和10%微调数据，降低了仿真合成数据成本，提升了迁移成功率。

未来具身大脑的技术路线可能会怎样发展？

未来可能会出现结合VA和VLA的更好模型，但具体如何结合仍在探索中，两三年内可能会出现新的具身大脑架构。