产业深度期：机器人产业深度七

2024年人形机器人最具突破性的进展主要体现在具身智能领域:3月，Covariant发布端到端具身大模型 RFM-1，具身智能创业团队Sergey Levine 和 Chelsea Finn 创立Pi(Physical Intelligence),Figure Al发布接入0penAI GPT-4V的 Figure 01demo。4月，李飞飞创立 World Labs，致力于解决 AI 在三维空间感知和理解方面的难题。5月，特斯拉发布视频，展示 0ptimus 精准分拣特斯拉电动车 4680 电池的场景，使用完全端到端神经网络，只利用 2D摄像头视频和机载自传感器，直接生成关节控制序列，完全靠视觉辅助和人类示范进行训练。国内人形机器人产业硬件供应链优势明显，在具身智能、数据采集、人才领域的短板需要补齐。分层端到端是目前具身智能的主要路径。大模型分为非具身大模型(基础大模型)具身智能大模型(机器人大模型)，区别是能否生成运动姿态。非具身大模型如 GPTSora 等，输入和输出的模态都是语言、图片和视频。具身智能大模型输入视觉、语言信号,输出三维物理世界的操作,其中,端到端的具身大模型对数据和算力要求高如 Tesla FSD、谷歌RT 模型;Figure AI等大多数公司都采取了分层端到端的具身大模型，一般分为三层:基础大模型(LLM或 VLM)、决策大模型、操作大模型，其中决策大模型以 ChatGPT for Robotics、谷歌 PaLM-E为代表，技术方向从 LLM 向强化学习(RL)演进，基于,的范式可以使模型能够在不同环境和任务中学习和适应实现更高级的决策能力。操作大模型根据决策大模型的输出执行具体动作，需要与机器人硬件深度集成，且必须通过数据采集来实现，技术方向从“MPC+WBC”向“RL+仿真”演进，MPC 更适合具有精确模型和短期优化目标的场景，RL更适用于不确定性高、需要长期学习和自适应的环境。在操作大模型领域，大多数厂商都刚起步。数据采集的主要方式:远程操作、仿真合成数据。互联网上各类文本、图像和视频数据集庞大，机器人的场景和交互有价值的数据量小，限制了AI模型在人形机器人上的泛化能力。特斯拉 Tesla Bot 开发团队使用人类的真实运动方式来训练机器人，英伟达推出 MimicGen 和 Robocasa 模型，通过真人的遥操作数据捕获，再通过生成合成运动数据和模拟环境，加速机器人技术的研发和应用。国内人形机器人创新中心加速建设人形机器人训练场。

具身智能估值逻辑:硬件、数据、模型、人才。硬件是一切的基础，如果没有自己的硬件，就无法根据算法和数据进行硬件的快速优化和修改。涉及数据的采集、组织管理以及与模型的闭环开发，需要有强大组织能力的团队,核心团队需要具备组织大规模工程师的经验;越来越多的算法陆续开源，开源算法可以提供基础的功能和技术但要实现高质量、高性能的人形机器人，需要专业的算法团队进行深入研究和开发