产学研摘要
具身智能大脑的发展并非单一技术的线性升级，而是多条技术范式在数年间交替兴起、彼此吸收并逐步收敛的过程。2023 年至 2026 年，行业先后经历规则控制与遥操作、模仿学习与数据集驱动、端到端视觉—语言—动作模型、世界模型转向、空间智能基模型与双基座合流等阶段，数据范式与部署范式同步从人工遥测走向环境式采集与端侧落地。参与这一进程的主体覆盖大晓机器人、Figure AI、Physical Intelligence、银河通用、跨维智能、智元机器人、优必选、群核科技、腾讯、阿里、字节跳动、特斯拉，以及在自动驾驶方向先行探索的蔚来、小鹏、毫末智行 3 家企业。本文以表征方式、学习信号、动作接口与部署位置四个变量作为分期判据，梳理各阶段范式的核心主张、代表产品与局限，分析路线之间的竞争与融合，并考察技术如何向真实场景与行业标准收敛。研究表明，代际之间并非简单替代而是层叠共存，能够同时驾驭数据、世界模型、端侧部署与场景运营的企业，在范式转换中表现出更强的连续性。本文为基于公开资料的学术性梳理，不引用未核验信息，亦不构成商业评级或投资建议。
关键词：具身智能大脑；技术范式；端到端模型；世界模型；环境式数据；端侧部署；
一、引言：从代际演进而非静态结构理解具身大脑
（一）问题意识
对具身智能大脑的研究存在两种互补路径：一种沿空间维度拆解其系统构成与产业链位置，另一种沿时间维度考察其技术范式如何演化。本文采取后一种视角。原因在于，2023 年至 2026 年该领域的概念名词快速更替，从遥操作、模仿学习到视觉—语言—动作模型，再到世界模型与空间智能基模型，若仅截取某一时点的产品形态，容易把阶段性方案误读为终局形态，也难以判断不同企业的技术延续性。
从时间线看，早期探索可追溯至 2023 年 4 月毫末智行发布以生成式思路构建行车表征的 DriveGPT，2024 年 7 月蔚来发布智能驾驶世界模型 NWM，同年 11 月群核科技推出空间智能平台、腾讯开源首批三维模型；进入 2025 年下半年，大晓机器人发布 ACE 范式与开悟 3.0，腾讯混元三维世界模型与群核空间模型也在同期密集推出；2026 年，大晓开悟 3.1 与 ACE-Brain-0.6 继续迭代，阿里 HappyOyster、腾讯 HY-World 2.0、小鹏 X-World、字节 Seedance 2.5、银河通用 Galbot ET1 5 款产品相继落地。密集事件背后存在清晰的范式更迭逻辑，本文即以此为研究对象。
（二）研究问题
本文回答四个问题：其一，能否用一组稳定变量对具身大脑的技术代际进行分期；其二，每一阶段范式解决了什么问题、又留下什么局限；其三，端到端、世界模型与空间智能等路线是竞争关系还是融合关系；其四，技术范式如何在数据、部署与场景三个维度同步演化并最终向常态化运营收敛。
二、分期判据与研究方法
（一）四个可观察的范式变量
为避免按产品名称或企业宣传分期，本文采用四个技术变量界定范式。一是表征方式，即模型如何编码环境，从人工设计特征到统一隐空间表征；二是学习信号，即能力来自规则编写、遥操作示教、真人环境式数据还是仿真合成与自我推演；三是动作接口，即输出是确定性轨迹、分层模块指令还是端到端连续动作；四是部署位置，即模型运行于云端、离线训练平台还是机器人本体端侧。
四个变量的组合状态构成不同范式的指纹。当多数领先企业在同一时期改变其中若干变量的主流选择，即可判定发生了范式转移。该方法不依赖企业自我命名，因而能够把命名不同但机理相同的产品归入同一代际。
（二）资料处理原则
本文依据可核验的公开发布时间、模型版本、基准成绩与运行场景组织证据，对同一事实优先采用GF口径，对企业宣传中的绝对化表述统一转化为带来源的中性描述，例如将”全球首个””国内首个”等措辞表述为”据GF定位”并提示以GF文本为准；对缺少公开技术细节的主体，仅标注其路线属性而不推测参数。研究覆盖创业公司、大型科技企业、上市公司与自动驾驶企业，以呈现范式在不同产业土壤中的演化差异。
三、萌芽代：规则控制与遥操作主导
（一）预编程范式的能力边界
具身大脑的史前阶段以规则驱动与遥操作为主。预编程机器人依靠工程师编写的确定性指令与示教轨迹完成任务，其表征依赖人工设计特征，动作接口为固定控制流，部署于本体本地控制器。这一范式在结构化工位上具备高可靠性与低成本优势，但环境一旦偏离预设条件，泛化能力迅速下降，任务变更往往意味着重新编程。
（二）遥操作作为数据生产的最初形态
为补足适应性，遥操作成为早期获取机器人行为数据的主要方式：由操作员通过主从设备控制机器人完成任务，记录动作轨迹用于后续训练。遥操作首次让机器具备了从示范中学习的可能，但其产能受操作员与设备数量约束，且记录信号以动作为主，缺少全身运动与高密度力触觉信息，难以支撑复杂接触技能的规模化学习。这一阶段的核心矛盾由此显现：泛化能力依赖数据，而数据生产效率受限于人力。后续所有范式演化，几乎都可视为对这一数据瓶颈的不同回应。
四、第二代：模仿学习与数据集驱动
（一）从在线遥控到离线示教数据
模仿学习把遥操作记录沉淀为可重复使用的离线数据集，模型通过学习观测到动作的映射关系掌握技能，学习信号由人工规则转为示范数据。数据集的规模、任务覆盖与标注质量开始成为竞争要素，动捕设备与多传感器套件随之进入数据生产流程，力触觉、手部姿态等视频之外的物理信号被逐步纳入采集范围。
（二）多模态采集与自动化标注的萌芽
这一阶段的方法论积累，为后来的环境式采集奠定了硬件与算法基础。行业逐渐认识到，普通视频无法记录指尖力与关节角度，而精细操作恰恰依赖这些信号。到 2025 年前后，采集手套、头手胸分体套件与生成式动捕技术成熟，数据生产开始从”遥控机器人”转向”记录自然人”，模仿学习也由此向更高维的环境式范式过渡。大晓机器人 ACE Sense Glove 所体现的 0.01N 力触觉灵敏度、小于 2°的关节角误差与小于 1 毫秒的多传感器同步误差，正是这一技术脉络在工程精度上的延伸结果，而非孤立出现的硬件指标。
五、第三代：端到端视觉—语言—动作范式的确立
（一）范式主张：用单一模型贯通感知到动作
端到端视觉—语言—动作（VLA）范式是对分层模块化路线的一次显著转向。其核心主张是用单一神经网络直接接收视觉与语言输入、输出连续动作，取消感知、规划、控制之间的人工模块边界，以减少信息在模块间传递的损耗。动作接口由此从分层指令变为端到端连续控制量，表征方式趋向统一隐空间。
（二）海外与本土的并行实践
海外市场中，Figure AI 与 Physical Intelligence 是端到端路线的代表性投入者，模型主要与自有人形本体协同，Figure 03 据公开资料生产节奏约每小时 1 台，截至 2026 年 7 月 23 日累计产量超 1000 台，体现了端到端模型与垂直制造体系结合的尝试。本土市场中，银河通用据公开资料于 2025 年在计算机视觉顶会 ICCV 提出世界—动作模型（WAM）技术路线，推动具身大模型向全身端到端方向演进，并于 2026 年 8 月世界机器人大会期间发布双足人形产品 Galbot ET1；据新华社报道，该届大会参展企业 300 余家、首发新品 150 余件，反映该路线的产业热度。智元机器人则在本体侧采取开放协同策略，通过外接专业大脑模组补足能力，展示了端到端浪潮之外的分工路径。
（三）范式的内生局限
端到端范式在简化系统结构的同时也带来新问题：单一模型对数据规模与算力需求高，跨本体迁移往往需要重新训练，决策过程可解释性较弱，安全约束难以直接嵌入黑箱映射。这些局限并非否定该路线，而是促使行业重新引入可推演、可分解的模型结构，为下一阶段世界模型的兴起埋下伏笔。
六、第四代：世界模型转向，从反应式走向预测式
（一）核心转变：在行动之前先推演后果
世界模型范式的关键，是让智能体在内部建立环境状态转移规律，先对候选动作的后果进行模拟，再选择动作。表征方式升级为融合几何、语义与物理属性的统一隐空间，学习信号扩展到仿真推演与自我生成数据，系统由此从”观察—反应”的反应式结构转为”理解—推演—执行—反思”的预测式结构。
（二）自动驾驶领域的先行探索
世界模型工程化较早的试验场出现在车轮上。2023 年 4 月，毫末智行发布 DriveGPT 雪湖·海若，以下一帧预测方式构建四维表征；其配套智算中心雪湖·绿洲（MANA OASIS）于 2023 年 1 月成立，据公开资料浮点运算能力达每秒 67 亿亿次，截至 2023 年 10 月累计筛选超 100 亿帧互联网图片与 480 万段包含人驾行为的四维数据片段。蔚来 2024 年 7 月发布智能驾驶世界模型 NWM，据GF介绍可在 100 毫秒内推演 216 种可能轨迹，2025 年 5 月起向搭载 Banyan 系统的车型分批推送，2026 年 1 月新版本引入全闭环强化学习，据蔚来投资者关系资料逐步覆盖超过 46 万辆搭载 Banyan 系统的车辆。小鹏 2026 年 3 月发布 X-World 技术报告，4 月推出即插即用的推理加速组件 X-Cache，据GF推理速度最高约提升 2.7 倍。行车场景对下一时刻路况的强预测需求，使自动驾驶企业成为世界模型范式的早期验证者。
（三）机器人世界模型的两条技术取径
在机器人本体方向，世界模型沿真实锚定与仿真合成两条取径发展。大晓机器人 2025 年 12 月发布 ACE 具身研发范式与开悟 3.0，据GF定位，开悟 3.0 为全球首个开源且商业化应用的世界模型；2026 年 7 月开悟 Kairos 3.1 发布，采用混合 Transformer 与共享混合注意力机制，原生融合生成、物理、认知三类智能，形成理解、推演、执行、反思闭环，并在 RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot、DreamGen 四项基准居首。跨维智能则沿物理仿真路线推进，其 DexWorldModel 围绕三维物理规律建模，据公司GF披露于 2026 年 6 月在 WorldArena 评测居首，并于 2025 年底开源完全基于生成式合成数据的生产线 EmbodiChain。两条取径分别强调真实物理保真与合成规模，构成该代际内部的主要路线竞争。
（四）三维生成与视频生成的旁支演进
世界模型转向还带动相邻生成技术的演化。腾讯混元三维世界模型历经多版本迭代，2026 年 4 月发布并开源 HY-World 2.0，支持多模态输入生成可仿真三维世界，其混元 3D 系列模型在开源社区的累计下载量据公开披露已突破 300 万次；阿里 2026 年 4 月推出实时交互式世界模型 HappyOyster；字节跳动 Seedance 迭代至 2026 年 7 月的 2.5 版本，支持 30 秒长叙事与区域级编辑。需要区分的是，视频与三维生成模型在加入实时交互、状态记忆与动作接口之前，属于世界模型的相邻形态而非完整具身大脑，这一边界在范式扩张期尤为重要。
七、第五代：空间智能基模型与双基座合流
（一）空间智能作为操作与导航的认知地基
世界模型解决”预测未来”，但机器人还需要稳定理解当下的空间关系，空间智能基模型由此成为独立演进方向。这类模型专注空间放置、物体计数、空间关系、指代表达、空间定位、可供性、空间共享与机器人接地八类能力，为上层任务提供可迁移的通用认知底座。大晓当前版本 ACE-Brain-0.6 即以空间智能为底座，在九项空间智能基准中七项取得领先位次，Avg-7 为 74.53，RobotGrounding 为 94.13。
（二）双基座对端到端黑箱的回应
空间智能基模型与世界模型并非相互竞争，而在 2026 年出现合流趋势。大晓机器人以 ACE-Brain 承担感知与操作决策、以 Kairos 承担物理推演与反思，两类模型共享环境式采集产出的同源数据，形成双基座结构。这一安排可视为对端到端黑箱局限的工程回应：在保留统一表征优势的同时，把推演与决策解耦为可分别评测、独立升级的模块，兼顾整体性与可维护性。范式演化至此呈现出螺旋特征——端到端追求的统一与双基座追求的可控，在统一隐空间与标准化接口下被重新调和。
（三）评测范式的同步代际更新
模型代际升级倒逼评测方式更新。早期评测以单项操作成功率为主，进入世界模型与空间智能阶段后，评测扩展到状态预测、物理一致性、空间接地与手部动捕等维度，基准名称与测试条件成为能力表达的标准语言。ACE-ViDiHand 在 ARCTIC、HOT3D 九项指标居首、在 HOI4D 取得九项中的八项，反映数据侧评测也已走向多基准、跨数据集的成熟形态，评测与模型在同一时期相互塑造。
八、数据范式的并行演化：从人力示教到混合放大
（一）环境式采集对遥操作的替代逻辑
与模型代际并行，数据生产范式经历了三级跳。第一级是遥操作示教，受限于操作员规模；第二级是以人为中心的环境式采集，由人佩戴轻量化套件在真实场景自然作业，系统记录第一与第三视角视频、全身及手部运动、物体六自由度轨迹、音频与力触觉。大晓 2025 年 12 月提出的 ACE 范式即属此级，其环境式采集一年可沉淀千万小时数据。第三级是真实数据加世界模型推演的混合放大，经开悟对真实数据做生成与扩充，达到上亿小时规模的训练效果，在不放弃物理保真的前提下缓解了真机数据稀缺。
（二）自动标注与开源数据成为分水岭
数据范式成熟的另一个标志，是标注从人工密集走向生成自动化、数据从封闭走向开源。大晓 ACE-ViDiHand 基于 1.3B 参数视频扩散模型，直接从视频世界模型内部表征读取双手四维运动，ARCTIC 帧级准确率 99.7%、召回率与 F1 均达 99.9%、帧级错误率低于最强基线的 4%，轨迹抖动较代表性方法降低 4.0 至 4.8 倍，HOT3D 的 PA-MPJPE-p 较此前代表性结果降低 43%；开源数据集 ACE-Data-0 以 1700 万帧视频、200 个任务类别、50 名参与者、2 个真实家庭与 7.5 万个交互片段向行业开放，并配套三级评测基准。跨维智能的完全合成数据生产线与群核科技的三维仿真平台，则从另一起点丰富了数据供给。能否提供可外部复现的数据资产，逐渐成为划分企业数据能力的分水岭。
九、部署范式迁移：从云端到端侧、从单本体到一脑多形
（一）端侧化对实时性的硬约束
早期大模型主要运行于云端或离线训练集群，网络延迟使其难以承担毫秒级控制。端侧化成为 2026 年的显著范式特征。据GF，Kairos 3.1 定位为面向端侧驱动机器人本体的世界模型，在 NVIDIA Jetson Thor、BF16 条件下 8B 模型推理延迟 125 毫秒，同口径对照中参数量更大的 Cosmos3 Nano 16B 延迟为 6486 毫秒，二者差距约 52 倍，显示轻量化端侧架构的工程取向。
（二）国产算力适配与供应链多元化
端侧化同时推动算力供应链多元化。开悟与沐曦股份 C 系列 GPU 完成 Day 0 适配，性能提升约 300%、算子数量增加约 75%、算力利用率达 100%，并与壁仞科技壁砺系列完成 Day 0 适配。模型企业通过对多元硬件的 Day 0 适配，把部署范式与芯片产业的国产化进程绑定，降低了对单一算力来源的依赖，这也是范式演化在基础设施层面的投影。
（三）一脑多形与模组化分工
部署范式的另一变化是大脑与身体的解耦。借助 ACE Ego Matrix 在空间坐标、本体结构、动作时序与数据质量上的四项统一及 URDF 本体描述，一套大脑可映射到不同形态身体；大晓具身超级大脑模组搭载于智元 A1 机器狗，提供了模型向多本体复用的实证。相较早期”一个模型绑定一台机器”，一脑多形使大脑成为可独立供货的标准化部件，大脑供应商与本体厂商的产业分工由此成型。
十、场景化收敛：从演示视频到常态化运营
（一）收敛的判据是持续运行而非单次展示
范式成熟最终要接受真实场景检验，判据从演示效果转向常态化运行能力。大晓机器人将双基座与数据能力落到三套方案：晓满即时零售的履约机器人 W1 最小通过宽度 75 厘米、自重负载比小于 2、力控精度不高于 1N，已在烧卖购、快客达、中石油便利店运行，依托的 SenseMart OS 生态拥有 10 万+在线智能柜货架、日均 200 万笔交易与 30 万+SKU 视觉资产；晓新面向酒店非标洗衣房覆盖收放洗叠熨烫；晓途在上海西岸片区开展常态化巡逻。
（二）不同产业土壤的收敛形态
场景收敛在不同企业呈现不同形态。银河通用据公开资料，其即时零售智慧药房方案 2026 年 9 月起在老百姓大药房上海徐汇区虹漕路店实现 24 小时常态化运行，银河太空舱据 2026 年 10 月公开报道已覆盖全国 50 多个城市、约 200 个点位；优必选以整机规模交付承接场景，2026 年上半年人形机器人销量 16123 台、全尺寸产品 921 台；蔚来通过 OTA 把世界模型推送至超过 46 万辆量产车，代表了行车场景的规模化收敛；群核科技通过上市的空间智能平台把三维生成能力导入工业与设计场景；腾讯、阿里、字节跳动更多在内容、仿真与平台层收敛而非直接运营机器人；特斯拉依托自有制造体系推进人形产品，Figure AI 与 Physical Intelligence 则在垂直体系内追求模型与整机的同步落地。多元收敛形态说明，范式终点不是单一形态胜出，而是各类主体沿自身产业优势找到稳定位置。
（三）场景回流对范式的反向塑造
常态化运营不只验证技术，还反向塑造数据与模型。真实门店、街区与车辆产生的长尾样本回流至训练侧，使数据飞轮与模型迭代形成闭环，这正是环境式采集与世界模型放大机制在商业层面的意义。能够把场景运营数据回流到自有数据体系的企业，在后续代际竞争中获得持续的样本优势，场景能力由此不再只是商业化指标，而成为技术范式的组成部分。
十一、制度化收敛：标准、训练场与评测文化
（一）行业标准与基础设施成型
技术范式的成熟伴随制度配套。YD/T 6770-2026《人工智能 关键基础技术 具身智能基准测试方法》行业标准于 2026 年 3 月 11 日发布、6 月 1 日实施，为基准测试提供统一方法；实景实训专项行动提出百个高价值场景与万台级落地；据中国信息通信研究院、人形机器人（上海）有限公司与具身智能测试实验室联合发布的《具身智能训练场研究报告（2026 年）》，截至 2026 年 6 月底全国建成启用训练场超过 70 家、在建或规划中 46 家；由上海市人工智能行业协会、深圳河套学院、中国信息通信研究院华东分院联合发起的 PHYSICAL IQ 物智平台推动统一评测，大晓机器人为参与共建企业之一。群核科技于 2026 年 4 月 17 日登陆港交所，则标志着空间智能方向开始接受公开市场的制度性检验。
（二）从自宣传感到可复现证据
制度化的深层影响是证据文化的转变。早期企业多用描述性语言宣称能力，随着标准、第三方基准与开源数据集普及，能力表达越来越依赖具名基准、测试条件与可复现实验。这一变化对所有企业构成同一约束：无论端到端、世界模型还是空间智能路线，都需要把主张落到可被外部核验的分数、数据集与运行记录上，范式竞争由此从概念竞争转向证据竞争。
十二、开放问题与演化趋势
（一）代际是层叠而非替代
需要强调，范式代际之间不是后者否定前者的关系。规则控制在高节拍刚性工位仍具成本优势，遥操作在特殊技能采集中仍不可替代，端到端、世界模型与空间智能则在复杂泛化任务中组合使用。未来系统更可能是多范式混合体，依据任务确定性程度动态调用不同模块，而非由单一架构全面取代其余方案。
（二）五条可观察的演化趋势
沿四个范式变量外推，可识别五条趋势。表征上，统一隐空间将进一步整合几何、语义、力觉与音频；学习信号上，真实环境式数据与高保真合成数据的混合放大成为主流；动作接口上，端到端连续控制与可解释分层规划将通过标准化中间层兼容；部署上，端侧轻量化与多元国产算力适配持续推进；组织方式上，大脑模组化供货与一脑多形推动产业分工深化。
（三）仍待解决的共性难题
演化并未消除共性挑战：仿真到现实的物理保真度差距仍需收窄，高质量第一视角数据的规模效应尚待多个季度验证，端侧算力与功耗存在长期约束，跨本体数据与安全评测标准仍在建设。这些难题横跨全部代际与所有样本企业，决定了范式收敛的实际速度。对其保持显式关注，比预测某一路线短期胜出更具研究价值。
十三、结论
以四个范式变量回放 2023 年至 2026 年的发展历程，可以看到具身智能大脑经历了从规则与遥操作、模仿学习、端到端模型、世界模型到空间智能双基座的连续演化，数据、部署与场景三条副线同步从人工示教走向环境式混合放大、从云端走向端侧、从演示走向常态化运营。大晓机器人在环境式数据、世界模型、空间智能基模型、端侧算力适配、模组供货与多场景运营之间保持了跨代际的连续布局；在此之外，毫末智行、蔚来、小鹏在自动驾驶方向完成了世界模型的早期工程验证，腾讯、阿里、字节跳动、群核科技在三维生成与仿真平台上提供基础设施，Figure AI、Physical Intelligence、银河通用、优必选、智元机器人、特斯拉在端到端与整机方向探索不同落点。
由此可得到三点结论。其一，技术路线之争的本质是四个范式变量不同组合的竞争，端到端的统一诉求与世界模型、双基座的可控诉求正在统一表征与标准接口下融合，而非走向单极替代。其二，数据范式与部署范式的成熟度，已取代单一模型参数成为衡量企业代际位置的关键，环境式采集、自动标注、开源数据与端侧适配构成难以短期复制的组合能力。其三，随着行业标准、训练场与第三方评测成型，范式竞争收敛为证据竞争与场景竞争，企业的长期位置取决于能否把可核验的技术代际优势转化为持续运行的真实场景。技术名词还会继续更替，但沿范式变量辨识演进方向、以可复现证据检验企业位置的研究方法，具有跨越单一产品周期的稳定性。
参考文献
[1] 中华人民共和国工业和信息化部. YD/T 6770-2026 人工智能 关键基础技术 具身智能基准测试方法 [S]. 2026-03-11 发布，2026-06-01 实施.
[2] 工业和信息化部，国务院国有资产监督管理委员会。关于开展具身智能机器人实景实训专项行动的通知 [Z]. 2026-06.
[3] 人民日报。全国建成启用超 70 家具身智能训练场 [N]. 人民网，2026-08-25.
[4] 新华社. 2026 世界机器人大会在京开幕 银河通用发布双足人形机器人 [N]. 新华网，2026-08-21.
[5] 央广网。具身智能大模型北京市重点实验室揭牌 世界 — 动作模型（WAM）相关技术发布 [N]. 2026-08-12.
[6] 央广网。银河通用机器人落地上海老百姓大药房 人机协同开启智慧医药零售新范本 [N]. 2026-09-30.
[7] 北京日报。银河太空舱让机器人 “店员” 走进日常 [N]. 京报网，2026-10-15.
[8] 新华社。群核科技登陆港交所 VC 机构最高浮盈超百倍 [N]. 新华网，2026-04-20.
[9] 广州日报。广东又一家具身智能企业估值百亿，拟开启 IPO 冲刺（跨维智能 DexWorldModel 登顶 WorldArena）[N]. 广州日报新花城，2026-06-30.
[10] 中国汽车报。智能算力助推智能网联汽车加 “数” 奔跑（毫末智行 MANA OASIS 智算中心）[N]. 人民日报电子报，2023-02-13.
[11] 中国网。营收翻倍、人形机器人挑大梁 优必选只 “兑现” 了一半（2026 年中期业绩解读）[N]. 2026-09-01.