机器人行业深度报告：以正合、以奇胜！-260226（47页）.pdf

1、以正合以奇胜！战略定位：全球主要国家及地区在机器人行业的政策行业三大卡点硬件机器人的机会远大于新能源车人形机器人新能源汽车门槛更低增速更陡大脑和小脑的分工大脑（感知-规划），负责人机交互工作，并统筹完成任务的接收、理解、决策与规划全流程；大模型具体落地上述核心环节，实现任务接收、需求理解、行动决策，以及对任务的规划与步骤分解。小脑（决策-控制），负责把任务转化为动作，控制运动包括状态分析、全身运动控制、轨迹优化等环节；动作规划明确任务执行的路径与操作规划，运控算法则具体把控手部伸展、抓取位置、关节控制等运动执行细节。(divcenter)图表：大脑和小脑的分工(/divcenter)大脑：算法

2、大模型、算力、数据特斯拉：FSDV14MoE大模型+Grok_3协同为算法核心，Dojo3自研超算+Cortex通用集群+xAIColosss三引擎并行，AI5/Al6/Al7芯片覆盖车/机器人/太空端侧训推，形成“数据-模型-算力-芯片”全闭环谷歌：谷歌机器人大模型迭代至GeminiRobotics1.5，一种多形态视觉-语言-动作(VLA）模型，以及GeminiRobotics-ER1.5，一种最先进的具身推理（ER）模型。该模型具有几大创新点：首先，GeminiRobotics1.5具有新颖的架构和运动迁移（MT）机制，使其能够从异构、多形态的机器人数据中学习，从而使VLA更加通用。其次

3、，GeminiRobotics_1.5将动作与多层次的内部自然语言推理过程交错进行。这使机器人能够“先思考后行动”，显著提升其分解和执行复杂多步骤任务的能力，同时也让机器人的行为对用户更具可解释性。第三，GeminiRobotics-ER1.5在具身推理方面建立了新的最先进水平，即在机器人关键能力的推理方面，如视觉和空间理解、任务规划及进度估计。据+小脑运控和硬件耦合：机器人运动和操作的数据模态更复杂，需要从头开始定义数据，还要在真实环境里长期、大规模采集。大脑：算法大模型、算力、数据数据：根据2024年Coatue的报告，具身智能训练数据较为短缺。各类模型的数据集存在本质差异，彼此完全不同：

4、以视频为标记的模型，最大数据集规模达2.6B（十亿级），如全球通用大模型Runway；大语言模型是现阶段数据集规模最大的模型类别，其中发展最成熟的大语言模型，数据集体量已达15Ttokens（万亿级）；而现阶段机器人模型的数据集规模仅为2.4M（百万级），距离实现机器人通用模型的目标还相去甚远。解决数据不够的办法是：第一，模型端，用更高效的模型，把稀缺的数据高效利用；第二，训练端，用仿真训练、模拟训练，改变假设、背景、参数，创造数据。中国人形机器人创新发展报告2025的信息，机器人智能化能力的主要原因是数据不足，提升具身智能算法的核心依然在于数据。最佳的数据取得方式是通过机器人本体进行采集的，

5、但获取成本高限制了其数量。通过人类示教、真机作业采集等方式，获取物理世界中的多模态交互数据。国内人形国创中心的具身智能训练场，依托百台机器人和多样场景，积累异构虚实通用数据集，支撑模仿学习与技能训练。仿真合成数据一首先，大语言模型根据简短的任务描述和任务需求来生成相应任务的仿真场景代码搭建，还提供一套自动化的流程来验证仿真环境的可行性，并进行迭代修正。其次，大语言模型能根据不同任务生成的仿真环境构建一个高质量大模型生成的任务库，用于在构建新任务时进行检索和反馈优化。最后，根据任务搭建的流程，大语言模型可以采集大量专家数据，在现有模仿学习架构的基础上训练模仿学习策略。GenSim框架可以用于根据

6、目标任务来搭建仿真环境并产生目标任务的数据，也可以利用大模型的能力进行探索来产生新颖的任务和数据。GenSim的不足之处是仅面向Ravens仿真器中的机械臂抓取任务。除了通过提升仿真器本身的性能外，还可以通过少量实采数据结合虚实对齐(VirtualRealityAlignment，VRA）算法来实现。同时，互联网也存在大量人类操作的视频，且数量庞大，参考大模型训练经验，若能合理利用，也是提升机器人智能的重要途径。需要团队具备扎实的数据清洗能力和底层数据基础设施。小脑：小脑模型、IMU、MCU编码器、执行器末端的传感器IMU惯性测量单元：通常放在机器人腰部等位置，协调机器人的运动，保持平衡。是一