通用大模型冲击下，具身智能自研路线为何陷入两难

一、现象：具身智能团队为什么开始重新评估自研路线

最近一段时间，业内关于具身智能公司调整算法团队的消息开始增多。一些原本以自研机器人基础模型为核心的团队，正在重新评估明年是否继续维持大规模预训练投入。直接触发因素并不复杂：新一代通用大模型在机器人任务中的表现，超出了不少团队的预期。

过去，很多具身智能团队默认的研发路径是自建数据闭环，采集机器人操作数据，训练专用的视觉语言动作模型。这条路径的假设很清晰：机器人任务足够特殊，通用模型很难直接理解物理交互、关节动作和操作约束，因此必须依靠自研模型进行专门优化。

但当通用大模型开始在机器人评测中展现出较强的上下文学习、三维场景理解和任务分解能力时，这个假设受到了挑战。一些团队发现，在原本只有几十分的评测任务上，引入通用大模型的方案后，成绩可以提升到五六十分，甚至更高。更关键的是，这种提升并不总是依赖大规模机器人数据后训练，而是通过提示词设计、任务拆解和工具调用实现。

这种变化带来的冲击，不只是技术层面的，更是投入产出层面的。如果一个团队投入大量GPU资源、采集成本和算法人力才能获得的模型能力，通用模型通过工程化适配就能部分达到，那么自研路线的必要性就必然会被重新讨论。

二、真正让团队感到压力的三项能力

从近期公开评测和行业讨论来看，通用大模型之所以对具身智能产生明显影响，主要不是因为它在某一项机器人任务上做到了极致，而是因为它同时展现出了几个过去具身模型需要分别攻关的能力。

1. 上下文学习能力

过去，具身模型要完成新任务，通常需要重新采集数据、重新训练或至少进行任务级微调。不同物体、不同摆放位置、不同操作顺序，都可能成为泛化障碍。

而通用大模型展现出的上下文学习能力，使得模型可以在没有针对该任务进行额外训练的情况下，根据提示信息和环境描述完成操作推理。例如，给出物体位置、当前机械臂状态和目标描述，模型可以理解任务并给出动作序列建议。

这种能力并不意味着通用模型已经具备完整的机器人控制能力，但它改变了问题拆解方式：原本需要模型在参数层面“记住”的任务知识，现在可以部分转移到提示词和上下文信息中。

2. 三维场景理解与空间推理

另一个让具身团队意外的能力是三维理解。过去的机器人模型往往需要单独处理深度图、点云或体素信息，训练专门的3D编码模块。而新一代通用模型在评测中表现出对物体位置、遮挡关系、空间布局和操作路径的较强理解能力。

例如，在需要判断“物体A是否在物体B后方”或“机械臂从哪个方向抓取更合理”的任务中，通用模型可以通过视觉输入和自然语言描述完成推理，而不需要专门的3D重建模块参与训练。

这直接削弱了过去将“3D理解”作为自研模型核心壁垒的论证。如果一个通用模型已经具备可用的空间推理能力，那么自研团队就需要证明，他们训练的专用3D模块能够在真实机器人场景中提供显著超出通用模型的价值。

3. 任务分解与工具调用

机器人操作任务通常需要多步决策。过去，这类任务通常依赖分层强化学习或专用任务规划模块。而现在，通用大模型可以被用作高层任务规划器：将“把杯子放进抽屉”拆解为移动到杯子位置、抓取、移动到抽屉、放置等子任务，并调用已有的低层控制策略完成执行。

这种“通用大模型做高层规划、专业控制模块做底层执行”的结构，正在成为越来越多机器人系统的默认选择。对于很多团队来说，这也意味着自研模型的价值空间被进一步压缩到执行层和控制层，而这两层恰恰是通用大模型目前尚未完全覆盖的部分。

三、自研模型与通用模型适配方案的真实差距

要判断自研路线是否仍然成立，不能只看通用模型的评分提升，还要理解两类方案在能力结构上的差异。

自研原生具身模型的核心优势在于：

• 对特定机器人本体的运动学约束理解更充分；
• 可以针对高频控制任务进行端到端优化；
• 数据闭环可以沉淀私有场景知识；
• 在低时延、离线、数据安全等场景下更可控。

而基于通用模型的适配方案，其优势主要在于：

• 不需要从零训练大规模参数模型；
• 对任务描述的泛化能力更强；
• 可以快速迭代提示词和工具链；
• 适合任务种类多、单一任务数据量少的场景。

从当前行业实践来看，两者的差距并不像榜单分数显示的那么线性。通用模型方案在标准化评测中提升明显，但在真实机器人部署中，仍然面临执行稳定性、控制频率、长链路误差累积等问题。榜单分数提升到60分，并不意味着机器人已经可以稳定完成真实任务，但它足以影响技术决策，因为很多团队从未达到过60分。

因此，真正的问题不是“通用模型是否已经取代自研模型”，而是“自研模型能否在下一阶段继续证明增量价值”。如果一个自研团队花了大量资源，结果只能在高难度任务上比通用适配方案高几个点，那么这个投入在商业上就很难成立。

四、不只是技术问题：研发预算与投入逻辑正在改变

这轮冲击之所以让很多团队感到焦虑，是因为它同时作用于技术和预算两个层面。

从技术上看，通用大模型的迭代速度明显快于具身智能行业此前的预期。一个版本刚完成评测，下一个版本已经进入讨论范围。这种节奏让具身团队很难围绕某个固定模型版本制定长期研发计划。

从预算上看，如果通用模型能够覆盖部分规划、理解和任务泛化能力，那么团队原本计划投入在预训练、数据采集和模型结构探索上的资源，就需要重新分配。尤其对于资金并不充裕的创业公司来说，继续维持大规模自研模型团队的风险正在上升。

一些团队已经开始调整策略：不再把自研模型作为唯一主线，而是采用“通用模型适配为主、自研模块作为补充”的方式。比如，保留小规模模型团队负责特定机器人本体的控制模型，而将任务规划、视觉理解和指令解析等能力交给通用大模型完成。

这种调整并不意味着自研模型完全失去价值，而是意味着它必须回答一个更现实的问题：在通用模型能力持续提升的背景下，哪些能力必须留在本地模型内？哪些能力可以通过工程手段接入通用模型获得？

五、可执行的应对思路

对于仍在犹豫是否继续自研的团队，可以从以下几个角度做出判断。

1. 重新划分能力边界

建议团队将机器人系统能力拆分为感知、规划、控制、交互四层。对每一层分别评估：通用模型当前能做到什么程度？自研模型能提供多少额外价值？哪些能力是部署环境中不可替代的？

通常来说，控制层对实时性和本体约束的要求最高，短期内最不容易被通用模型替代。规划层和交互层则更容易通过通用模型获得能力提升。感知层相对复杂，需要结合具体传感器和任务判断。

2. 建立双轨评估机制

在引入通用模型方案的同时，保留一个轻量级自研基线，进行持续对比评测。评测不能只看榜单分数，还要纳入真实机器人执行成功率、时延、失败模式、数据安全等维度。

如果自研基线在关键场景中能够持续提供明显优势，那么继续投入是合理的。如果优势主要停留在评测分数上，而真实部署差异不大，就需要认真考虑预算收缩。

3. 将资源向数据闭环和场景知识倾斜

通用模型擅长泛化，但未必了解特定场景下的隐性约束。团队可以把更多资源投入到高质量场景数据采集、任务知识沉淀和工具链建设上，而不是一味追求模型参数规模。

对于企业用户来说，真正有壁垒的往往不是模型本身，而是对特定业务流程、操作规范和异常情况的深入理解。这些知识可以通过提示词模板、任务库和规则配置的方式与通用模型结合。

4. 接受混合架构作为中期方案

在通用模型与自研模型之间做非此即彼的选择，可能并不适合大多数团队。更务实的方式是构建混合架构：通用大模型负责高层理解和任务规划，自研小模型负责机器人本体的低层控制和关键安全约束。

这种架构的好处是既可以利用通用大模型的能力迭代，又能够保持对机器人执行层的控制力。同时，它也为未来通用模型能力进一步下探到控制层预留了迁移空间。

六、结语

通用大模型对具身智能行业的冲击，本质上不是“自研路线是否还有价值”的简单判断题，而是对整个行业能力分工的一次重新洗牌。过去被认为必须由专用模型解决的问题，现在有一部分可以通过通用能力和工程适配完成。

对于技术决策者来说，最重要的不是恐慌性转向，也不是固守原有路线，而是建立一套能够持续比较、快速迭代的评估体系，把资源投向那些真正无法被通用能力覆盖的环节。

具身智能仍然需要大量工程实践、场景积累和控制优化，这些工作不会因为通用模型的出现而消失。只是它们的位置正在发生变化：从模型预训练的核心地带，逐步转向系统集成、场景适配和真实部署的深水区。