通用大模型冲击具身智能：自研模型预算该如何重估

近年来，具身智能行业的竞争重点，正从“能否训练出一个专用模型”，逐步转向“如何让通用智能能力稳定落地到真实机器人系统”。

这一变化带来的冲击，并不只是某个模型在评测榜单上取得更高分，而是整个研发范式正在发生调整：过去需要团队长期积累数据、设计模型结构、进行任务后训练，才能获得的部分能力，正在被通用多模态大模型以更低的定制成本提供出来。

因此，很多企业开始重新审视一个问题：如果通用模型已经具备较强的视觉理解、语言推理、空间判断和任务规划能力，企业是否还需要投入大量预算，自研完整的具身基础模型？

答案并不是简单的“需要”或“不需要”。真正需要调整的，是自研的边界、投入方式和评价标准。

一、具身智能受到的冲击，本质上是范式冲击

传统具身模型通常围绕特定机器人形态、任务集合和数据分布进行训练。研发团队需要采集大量图像、深度信息、关节状态、动作轨迹和语言指令，再通过监督训练、模仿学习或强化学习，让模型逐步学会从环境感知到动作执行的映射关系。

这种路线的优势是可控、可优化，适合解决边界清晰、重复性高的任务。但它也存在明显局限：

1. 数据采集成本高
   真实机器人数据获取速度慢，场景覆盖有限，异常情况更难收集。不同机械结构、传感器组合和控制接口之间，数据还往往难以直接复用。

2. 泛化能力受限
   在训练环境中表现良好的模型，遇到光照变化、物体替换、遮挡、空间布局改变或任务指令变化时，性能可能明显下降。

3. 能力建设周期长
   每增加一种任务，往往都需要补充数据、调整训练流程并重新验证。模型能力容易被局限在既定任务集合中。

4. 工程链条复杂
   从数据标注、训练集群到仿真环境、部署框架和安全控制，每个环节都需要专门团队维护。

通用多模态模型的出现，改变了这一成本结构。它们通常已经在大规模视觉、语言和知识数据上完成预训练，并具备一定的上下文学习能力。面对新的机器人任务时，系统可以通过自然语言、少量示范或结构化提示，快速组织已有知识，而不是从零开始训练。

这意味着，具身智能企业过去通过持续扩大数据和训练规模获得的部分收益，可能被通用模型直接“吸收”。

二、最值得关注的三类迁移能力

通用模型对具身系统的影响，主要集中在以下三类能力。

1. 上下文学习能力

上下文学习指的是模型不需要改变参数，仅根据当前输入中的任务描述、环境信息和示范案例，就能完成新的任务推断。

在机器人系统中，这种能力可以表现为：

• 根据自然语言理解任务目标；
• 根据少量示范判断动作顺序；
• 根据当前场景调整执行策略；
• 根据失败反馈修正后续行为；
• 将相似任务中的经验迁移到新对象或新环境。

过去，工程师可能需要针对每类任务分别构建训练数据和策略模型。现在，系统可以先通过上下文提供任务约束，再由模型生成规划结果，显著降低新任务接入的门槛。

但需要注意，上下文学习并不等于模型真正掌握了稳定的控制能力。它更擅长高层语义理解、任务分解和策略建议，而低层的轨迹控制、力反馈处理与实时避障，仍然需要专门模块配合。

2. 跨模态空间理解能力

具身系统必须理解“物体在哪里”“目标之间如何关联”“当前动作会带来什么结果”。这不仅是图像识别问题，还涉及三维空间关系、遮挡推理、运动预测和动作后果判断。

通用模型如果能够同时处理图像、文本、深度信息和历史状态，就有机会承担以下工作：

• 识别场景中的关键目标；
• 理解物体的相对位置；
• 判断抓取、推动或搬运的可行性；
• 结合语言描述定位目标；
• 根据环境变化重新规划路径。

这类能力对于开放环境尤其重要。因为真实场景中的物体类别、摆放方式和干扰因素通常不可预先穷举，单纯依赖固定标签和规则很难覆盖全部情况。

3. 任务分解与工具调用能力

复杂机器人任务往往不是单个动作，而是多个步骤的组合。例如，系统需要先识别目标，再选择工具，随后规划路径，执行操作，最后验证结果。

通用模型可以作为高层任务编排器，将自然语言目标拆解为多个可执行步骤，并调用视觉模块、定位模块、运动规划模块和控制模块完成闭环。

一种典型架构可以表示为：

用户指令
  ↓
任务理解与约束提取
  ↓
场景感知与状态估计
  ↓
任务分解与动作规划
  ↓
调用运动控制、视觉定位等专用模块
  ↓
执行结果验证
  ↓
失败重试或重新规划

这种架构的关键，不是让通用模型直接输出所有关节控制量，而是让它承担“理解、规划、协调和反思”的职责，把高层智能与低层控制解耦。

三、为什么评测分数提升，仍不能直接等同于商业落地

在一些公开评测中，通用模型接入机器人系统后，往往能够快速提升任务完成率。这说明其泛化能力具有实际价值，但评测结果不能直接替代生产环境验证。

企业在判断模型是否可用时，至少要关注以下指标：

1. 成功率之外的稳定性

单次完成任务并不代表系统可靠。还需要观察多次重复执行时的方差、失败类型和恢复能力。

例如，一个模型可能在大多数场景下完成任务，但偶尔出现无法解释的危险动作。对于工业、仓储、家庭等场景而言，这种不确定性可能比平均成功率更重要。

2. 延迟与实时性

高层规划允许一定延迟，但避障、抓取和碰撞控制通常要求更快响应。企业需要明确哪些环节可以调用远程模型，哪些环节必须在本地完成。

常见做法是：

• 高层任务规划使用通用模型；
• 视觉预处理和状态估计采用本地模型；
• 安全边界、急停和底层控制由确定性模块负责；
• 在网络异常时保留降级策略。

3. 长任务链中的误差累积

任务步骤越多，前一步的错误越可能影响后续执行。因此，系统必须具备状态校验和阶段性验收机制，而不能让模型连续生成一长串动作后一次性执行。

4. 对异常情况的处理能力

真实环境中经常会出现目标丢失、物体滑落、路径被遮挡、机械臂未到达预定位置等情况。优秀的具身系统不仅要会“做对”，还要知道什么时候“做错了”，并能够安全停止或重新规划。

四、自研模型不应再追求“大而全”

在通用模型能力快速提升的背景下，具身企业继续从头训练一个覆盖所有场景的基础模型，往往需要承担巨大的数据、算力和人才成本。更现实的方向，是重新定义自研的重点。

第一，优先建设数据闭环

企业最有价值的资产，通常不是模型参数本身，而是与真实业务相关的高质量数据闭环，包括：

• 任务指令与场景状态；
• 机器人动作轨迹；
• 成功与失败样本；
• 人工纠正记录；
• 异常恢复过程；
• 不同环境下的性能变化。

这些数据能够用于评估模型、改进提示策略、训练专用模块，并形成持续迭代能力。

第二，聚焦行业专用能力

通用模型擅长广泛理解，但未必了解某个行业的细节。企业可以把研发资源投入到以下方向：

• 特定物体和工件的精细识别；
• 特定机械结构的动作适配；
• 高精度定位与力控；
• 工业安全约束；
• 复杂工艺流程建模；
• 低延迟本地推理；
• 数据隐私与离线运行。

这些能力与业务现场高度相关，也是通用模型难以直接替代的部分。

第三，建立模型路由与组合机制

并非所有任务都需要调用最大规模的模型。系统可以根据任务难度、延迟要求和风险等级选择不同策略：

• 简单识别任务使用轻量模型；
• 复杂规划任务调用高能力模型；
• 高风险动作由规则和专用控制器接管；
• 网络不可用时切换到本地模型；
• 对结果不确定的任务增加人工确认。

这种模型组合方式，通常比单纯追求一个“万能模型”更具工程可行性。

五、预算规划应从“训练预算”转向“系统预算”

企业如果仍然只按照训练卡数、模型参数量和算法岗位数量制定预算，可能会误判未来投入重点。

更合理的预算结构应包括：

1. 数据基础设施：采集、清洗、标注、版本管理和质量评估；
2. 仿真与测试环境：覆盖不同场景、障碍物和异常状态；
3. 模型调用与推理资源：包括本地部署、远程推理和缓存策略；
4. 机器人系统集成：传感器、控制器、通信链路和执行器适配；
5. 安全与评测体系：风险分级、回放测试、压力测试和故障演练；
6. 数据闭环团队：算法、机器人、控制、测试和业务专家协同；
7. 专用能力研发：围绕企业核心工艺形成差异化技术壁垒。

这并不意味着算法岗位会消失，而是岗位结构会发生变化。单纯负责重复性训练和参数调优的工作可能减少，但数据工程、模型评测、系统架构、机器人控制、安全验证和场景落地的重要性会明显提升。

六、具身智能的真正竞争点正在改变

未来的竞争，不一定是“谁训练出了最大的模型”，而更可能是以下几种能力的综合比较：

• 谁拥有更高质量、更贴近真实任务的数据；
• 谁能让模型在真实机器人上稳定运行；
• 谁能更快发现并定位失败原因；
• 谁能建立从执行到反馈的闭环；
• 谁能在成本、延迟和安全之间取得平衡；
• 谁能把通用能力转化为可复制的行业方案。

因此，通用大模型对具身行业的冲击，更像是一次重新分工。高层认知、语言理解和任务规划会越来越通用，底层执行、行业知识、数据闭环和安全控制则会越来越专业化。

对于企业而言，最稳妥的策略不是盲目停止自研，也不是继续投入巨额资源重复建设通用能力，而是先拆解系统能力边界，判断哪些能力可以复用，哪些能力必须掌握，哪些能力需要通过数据和工程长期积累。

当模型从“核心产品”转变为“系统组件”之后，具身智能的研发重点也将从训练单一模型，转向构建一个能够感知、规划、执行、验证并持续改进的完整智能系统。只有在这一层面形成能力，企业才能避免被单一模型迭代牵动预算，也才能在技术路线不断变化的环境中保持长期竞争力。