技术深度解析
从研究原型到具备商业可行性的具身AI系统，这或许是现代AI领域最具挑战性的工程难题。它要求无缝集成感知、认知与行动三大技术栈，且所有操作都必须在延迟、功耗和安全性的严苛现实约束下进行。
下一代技术的核心在于 “世界模型” 。与处理符号标记的大语言模型不同，机器人学的世界模型必须学习物理动力学、对象可供性及任务语义的压缩、可操作的表示。领先方法包括：
* 扩散策略与Transformer架构： 星海图及谷歌DeepMind（凭借其RT-2模型）等公司正率先使用基于海量机器人轨迹数据集（如Open X-Embodiment）训练的扩散模型和Transformer架构。这些模型能根据多模态输入（图像、文本、本体感觉）生成合理的动作序列。
* 仿真到现实学习： 构建世界模型需要大量的交互数据，完全在现实世界中收集成本极高。NVIDIA的Isaac Sim等先进仿真引擎及开源框架如 `facebookresearch/habitat-sim` （GitHub，约2.3k星）至关重要。它们使得在高度逼真、物理合理的虚拟环境中训练策略，再迁移到实体机器人成为可能。核心挑战仍是弥合“现实鸿沟”——即仿真与真实世界物理之间的差异。
* 分层规划架构： 对于复杂、长周期的任务（如“清空洗碗机并将碗碟收好”），单一模型难以胜任。新兴架构是分层式的：高层任务规划器（通常基于LLM）将指令分解为子目标，而低层“技能”模型（通过强化学习或模仿学习训练）则执行原始动作。这两个层级间的协调层是主要的研究前沿。
性能基准与成本分析：
| 系统/方法 | 训练数据规模（机器人工作时长） | 百项任务基准成功率 | 预估训练算力（GPU-天） | 关键局限 |
|---|---|---|---|---|
| 经典强化学习（如DDPG） | 10,000+ 小时 | ~35% | 500 | 样本效率低；对新环境脆弱。 |
| 大规模模仿学习（RT-1） | 130,000 小时 | ~65% | 2,000 | 泛化能力受限于训练数据分布。 |
| 视觉-语言-动作模型（RT-2） | 网络规模数据 + 机器人数据 | ~75% | 10,000+ | 在精确操控和长周期推理方面存在困难。 |
| 新兴世界模型（预测） | 100万+ 仿真小时 + 10万 现实小时 | 目标 >90% | 50,000+ | 集成复杂度高；仿真到现实的迁移保真度挑战。 |
数据启示： 上表揭示了数据/算力投入与任务成功率之间的指数级关系。构建一个健壮的“世界模型”系统，其预计需求比当前最先进水平至少高出一个数量级，这为巨额融资提供了合理性。行业的转变正从训练单任务策略，转向构建物理交互的基础模型。
关键参与者与案例研究
具身AI领域正根据技术路径、资本获取能力和垂直领域专注度，分化成不同层级。
第一梯队：全栈通用型玩家（估值 > 100亿美元）
* 星海图： 本文分析的催化剂。其战略是垂直整合的技术栈：专有的执行器硬件、统一的“神经符号世界引擎”软件平台，以及聚焦物流与制造业的定位。其融资将专门用于建设所谓的“体验工厂”——即致力于持续数据收集和策略训练的大规模机器人设施。
* Figure AI： 背靠微软、OpenAI和NVIDIA，Figure代表了“LLM优先”的路径。其旨在利用OpenAI的模型进行高层推理和快速迭代，并结合专门设计的人形机器人硬件。他们的赌注在于，语言模型的强大能力可以绕过传统机器人编程所需的多年积累。
* 特斯拉Optimus： 埃隆·马斯克押注于规模与制造。特斯拉的优势在于其从汽车获取的海量现实世界视频数据、在电池和电机技术方面的专长，以及自有的Dojo超级计算机。风险则在于主业分心，以及驾驶与灵巧操控之间存在根本性差异。
第二梯队：垂直领域专家与平台提供商
* 波士顿动力（现代汽车旗下）： 动态运动与硬件领域的黄金标准。目前正从炫目的演示转向商业可行性，推出Stretch（仓库搬运箱机器人）和Spot，并辅以基于AI的任务学习能力。
* NVIDIA： 军火商角色。其Omniverse和Isaac Lab平台正成为默认的仿真与训练环境，而其GR00T项目旨在为人形机器人提供基础模型。