大模型直驱机器人：具身智能范式演进与量产路径

一、范式之变：从分层控制到“大模型即策略”

过去两年，具身智能的主流技术路线是分层架构：一个“大脑”负责理解指令、拆解任务、规划步骤，一个“小脑”负责把抽象动作翻译成关节级控制信号。这种 System 2 + System 1 的分工，本质上沿用了经典机器人学的规划—控制分离思路，优点是各层可独立优化，缺点是层间接口成为信息瓶颈——大脑不知道小脑的执行误差，小脑不理解大脑的语义意图，长行程任务中的误差会逐级累积。

近期引发广泛测评的一类新范式，可以概括为“LLM as Policy”：不再显式拆分大脑与小脑，而是让通用大语言模型直接接收视觉观测与机器人状态，输出可执行的末端执行器动作序列。其输入是上下文与图文混合信息，输出是动作 token，训练信号来自大规模多模态语料与机器人轨迹数据的联合对齐。

这一范式的工程含义值得展开：

• 接口极简。传统分层架构需要定义任务描述、子目标、动作原语等多级中间表示，而 LLM as Policy 把“感知—决策—动作”压缩进同一个自回归生成过程，中间表示由模型隐式学习，减少了人工设计的协议层。
• 语义先验复用。通用大模型在海量图文数据上获得的物体属性、空间关系、常识因果知识，可以直接迁移到操作任务中，显著降低新任务的语言指令理解成本。
• 上下文即编程。任务切换不再需要重新训练或改写控制程序，通过调整提示上下文与示例即可改变行为，这对多品种、小批量的应用场景尤为友好。

需要冷静看待的是，多家测评反馈呈现出一致的能力画像：语义泛化和长行程规划表现突出，但在高精度物理接触任务上存在明显短板。原因并不难理解——自回归生成的离散动作 token 在时间分辨率与力控精度上，天然弱于专门的连续控制器；视觉观测的延迟与噪声也会在闭环中被放大。因此当前更合理的定位是：大模型负责“做什么、按什么顺序做”的高层策略，精密装配、柔顺抓取等环节仍需要专用控制模块兜底。混合架构（大模型策略 + 底层力控/视觉伺服）大概率会在相当长时间内共存。

对开发者而言，可以关注以下可落地的工程要点：

# 伪代码：LLM-as-Policy 的推理闭环骨架
obs = capture_rgbd() + read_joint_state()
context = build_prompt(task_desc, obs_summary, few_shot_examples)
action_tokens = policy_llm.generate(context)      # 输出末端执行器动作序列
trajectory = decode_action(action_tokens)          # 动作解码与平滑
safe_traj = low_level_controller.refine(trajectory) # 底层力控/避障兜底
execute(safe_traj)

这条链路上，动作解码的平滑性、底层兜底策略的切换阈值、观测摘要的信息压缩率，都是决定实际可用性的关键参数，需要结合具体任务反复标定。

二、量产节奏：产能规划透明化与交付斜率观察

人形机器人的产业化讨论，长期受困于“演示视频很惊艳、量产时间很模糊”。近期某头部厂商在季度业绩沟通中给出了较明确的产能路径：单周产能爬坡至两万台约需一年，并计划在 2027 年底启动新一代机型的对外销售。这类表述的价值不在于具体数字，而在于它把“是否启动生产”这一二元问题，转化为“爬坡曲线有多陡”的连续问题。

从制造业常识出发，周产能两万台意味着年化约百万台级别，这对供应链是极大考验：执行器、减速器、丝杠、传感器等环节的良率与一致性，任何一环的瓶颈都会拖慢整条曲线。因此评估量产进展时，建议关注三个可观测指标：

1. 产能爬坡的月度斜率，而非某个时点的绝对值；
2. 对外交付的起始时间与首批规模，这决定了商业化验证的样本量；
3. 单机成本的变化趋势，成本曲线决定应用场景能否从展示走向规模部署。

需要提醒的是，产能规划与商业订单之间存在时间差，交付斜率在下游放量前仍存在不确定性。对技术团队而言，更有意义的动作是提前对齐接口标准与测试规范，为可能的规模部署做好集成准备。

三、数据采集：从“数据集对齐”到“闭环时序资产”

具身智能的瓶颈正在从模型结构转向数据供给。行业近期出现的一个积极信号是，地方层面开始发布人形机器人数据集的管理规范，推动训练数据的格式、标注、质量对齐。这对解决当前数据孤岛问题有直接帮助。

更值得技术团队重视的是数据形态的变化。LLM as Policy 范式要求的数据，与传统的静态抓取数据集有本质差异：

• 闭环时序交互链。模型需要看到“观测—动作—新观测”的完整因果链，而不是孤立的（图像，动作）配对。这意味着采集系统必须同步记录多模态观测、动作指令与执行结果的时间戳。
• 失败样本同样重要。恢复行为、纠错轨迹、边界条件下的失败案例，是提升策略鲁棒性的关键素材。只采集成功演示的数据集，会让模型在分布外场景下迅速失效。
• 数据资产化。当数据采集从项目制走向规模化，数据本身成为可管理、可复用、可估值的资产，配套的版本管理、质量评级、隐私合规流程都需要工程化。

对计划建设采集能力的企业，一个务实的路径是：先定义统一的数据 schema（观测字段、动作空间、时序对齐规则、元信息标注），再建设采集设备与回放验证工具链，最后才是规模扩张。schema 先行可以避免后期大规模返工。

四、工程落地的几点建议

综合以上三条线索，具身智能当前处于“范式验证向工程化过渡”的阶段。给开发者与企业的建议如下：

• 架构上采用混合策略。用大模型承担语义理解与长行程规划，用专用控制器保障精度与安全，两者通过明确的动作接口解耦，便于独立迭代。
• 评估上建立分场景基准。把任务按“语义复杂度”和“物理精度要求”两个维度分类，分别设定验收标准，避免用单一演示效果判断系统能力。
• 数据上尽早标准化。闭环时序数据、失败回流、版本管理三件事越早做，后续模型迭代的边际成本越低。
• 集成上关注接口与仿真。在硬件到位前，用仿真环境验证策略与数据管线，缩短实机调试周期。

具身智能的竞争，正在从“模型能不能做”转向“系统能不能稳定交付”。范式突破提供了上限，而工程细节决定了下限。