在科技日新月異的今天，人工智能與機器人技術正以前所未有的速度交融發展。2023年以來，以大模型為核心的人工智能技術和以具身智能為特征的機器人技術，共同構成了科技進步的兩大支柱。將人工智能算法，尤其是大模型技術，應用于提升機器人的智能水平，已成為一種必然趨勢。
在此背景下，“機器人學習”與“具身大腦”這兩個概念迅速升溫，成為業界熱議的焦點。通過與多位行業專家的交流，我們了解到，“具身大腦”的定義并非一成不變，它泛指任何將人工智能算法與機器人技術相結合，以提升機器人在交互、感知與控制方面能力的技術體系。
當前，國內專注于機器人模型研發的廠商大致可以分為兩大派別：身體控制派和交互感知派。而從技術源頭上看，這些廠商又可細分為視覺感知派、強化學習派和語言模型派等多個流派。然而，在解決機器人大腦問題上，各技術流派之間存在著路徑差異和觀點分歧。
在過去的一年里，研究基礎模型出身的大模型派在機器人領域的落地實踐尤為艱難。除了激烈的市場競爭外，更關鍵的是，端側模型在機器人終端的落地還面臨著芯片開發的挑戰，這導致機器人廠商、大模型廠商與芯片廠商之間形成了一種復雜的三角關系。
這種三角關系目前正處于一種負向增強的反饋循環中。首先，端側模型在機器人上的應用需要適配特定的芯片，但芯片的迭代往往基于市場需求。由于機器人尚未從專業級產品轉變為消費級產品，其出貨量遠低于手機、PC等硬件設備，因此適配機器人端側模型的芯片遲遲未能推出。其次，機器人消費市場的擴大高度依賴于智能水平的提升，即AI模型的迭代，而AI模型的升級又需要大量真實世界的高質量數據，這些數據需要通過機器人與用戶進行交互來獲取。然而，目前具身VLA（一種機器人大腦模型）的實際效果還遠未達到消費級可用的精度和準確率要求，導致機器人的智能水平迭代緩慢，出貨量進一步減少，這又反過來影響了芯片的研發和出貨成本。
在這段三角關系中，模型廠商、芯片廠商和機器人廠商都期待著對方能主動打破僵局。然而，現實卻陷入了僵局，難以自拔。大模型在機器人終端的落地是端側AI發展的一個縮影，至少在短期內，將大模型商業化寄托于機器人領域可能會面臨重重困難。
盡管如此，大模型在提升機器人智能水平方面仍然扮演著至關重要的角色。它們主要作為“大腦”存在，負責泛化與規劃能力。然而，在目前的實際應用中，大模型更多地是幫助機器人進行簡單的任務理解與拆分。機器人仍然在執行逐個任務，更多停留在交互層面，尚未展現出學習能力的顯著增強和多模態任務的實現。機器人在執行任務時更多地依賴短期動作規劃，而很少用到大模型的長期規劃能力。
為了提升機器人的智能水平，大模型廠商正在積極探索各種方法。例如，面壁智能正致力于讓機器人能夠完成更加多樣、復雜且多步操作的任務，以提高執行準確率和泛化性。而RockAI則選擇將文本、語音、視頻以及機體參數進行整體對齊，然后一起輸入給大模型進行處理。然而，這些努力仍然處于初級階段，大模型的泛化、規劃、糾錯等能力在機器人側的應用還相對初步。
數據不足是當前大模型在機器人領域應用面臨的最大挑戰之一。由于機器人尚未實現量產，無法從專業級轉變為消費級產品，因此難以獲取大量的、多元化的預訓練數據。這導致模型廠商在提升模型泛化性方面遇到了困難。不同形態的機器人對大模型有不同的要求，而短時間內實現設備泛化也面臨著諸多挑戰。
除了數據問題外，算力也是制約機器人端模型發展的關鍵瓶頸之一。目前，國內研究基礎大模型的主力軍雖然也在發力“端側小模型”，但起步較晚、技術進展緩慢。云端大模型雖然參數規模龐大、能力強大，但無法在機器人本體上離線部署。而端側小模型雖然能夠在機器人上運行，但在任務泛化、智能理解等方面仍無法與云端大模型相提并論。因此，如何在保持大模型能力的同時實現高效部署是當前亟待解決的問題之一。
為了應對這些挑戰，不少大模型廠商正在積極探索解決方案。例如，一些廠商通過端云協作的方式實現大小模型的協同訓練和部署。他們首先在云端訓練大模型，然后通過知識蒸餾、模型量化等方法得到一個小模型，再將其部署在終端上。這種做法既能保持大模型的能力，又能實現更高效的部署。還有一些廠商通過優化推理框架、適配不同芯片等方式來提高模型在終端上的運行效率。
然而，這些努力仍然需要機器人廠商、芯片廠商和大模型廠商之間的緊密合作。只有三方共同努力、互相支持，才能打破當前的僵局，推動機器人技術向前發展。
值得注意的是，雖然當前機器人領域面臨著諸多挑戰和困難，但業界對未來仍然充滿信心。隨著技術的不斷進步和市場的逐步擴大，相信在不久的將來，機器人技術一定能夠取得更大的突破和進展。
在探索機器人技術的過程中，不少業內人士也提出了寶貴的建議和意見。他們認為，要推動機器人技術的發展，需要注重技術創新和人才培養。同時，還需要加強產業鏈上下游之間的合作與協同，共同推動整個行業的健康發展。
還有一些專家指出，當前機器人領域的研究還存在一些盲點和不足之處。例如，對于機器人的本體構型、肢體參數等方面的研究還不夠深入；對于如何更好地利用仿真數據進行模型訓練等問題也需要進一步探索。
盡管如此，隨著技術的不斷進步和市場的逐步擴大，相信這些問題都將得到逐步解決。未來，機器人技術一定能夠在更多領域得到廣泛應用，為人類社會的發展和進步做出更大的貢獻。
