报告由兴业证券于 2026 年 4 月 15 日发布，核心指出具身大模型是人形机器人规模化应用的核心瓶颈，其技术架构、数据驱动与国内外进展共同决定行业迭代节奏，同时给出明确投资方向与风险提示。
具身大模型作为机器人 “大脑”，主导感知 - 认知 - 控制全闭环，需具备多模态感知、自主决策、实时执行与泛化四大能力，区别于传统大语言模型，更强调与物理世界的实时交互。当前人形机器人硬件肢体层已成熟，大模型能力滞后是未规模化落地的核心原因，模型在复杂物理环境适应性、泛化能力上仍有明显短板。
技术架构层面，行业路线尚未收敛，分为分层式与端到端式两大方向。分层架构采用 “大脑 - 小脑 - 肢体” 模式，落地难度低、调试灵活，但存在错误累积、跨任务泛化弱的问题，代表为 Figure AI Helix、英伟达 GR00T N1；端到端架构以 VLA（视觉 - 语言 - 动作）模型为核心，集成感知、决策与执行，泛化能力更强、响应更快，代表为谷歌 RT-2、特斯拉 FSD，是未来主流演进方向。世界模型作为辅助技术，可合成数据、预测环境，缩小仿真与现实差距，成为模型迭代重要支撑。
国内外具身大模型已形成对标格局。海外谷歌 RT-2、特斯拉 FSD 领跑端到端路线，Figure Helix、英伟达 GR00T N1、Physical AI π₀则深耕分层双系统架构；国内星动纪元 ERA-42 为首个端到端原生模型，智元 G0-1 首创 ViLLA 架构，银河通用 GraspVLA 依托合成数据实现零样本抓取，字节 GR-3、灵初 Psi R1 也各有技术突破，整体能力贴近海外水平。
数据是模型迭代的核心驱动力，训练数据呈金字塔结构：真机数据价值最高但采集最难，仿真数据用于预训练，互联网数据为基础补充。主流采集方式包括 VR 遥操作、数据手套、主从臂控制等，特斯拉逐步转向视频学习降低成本，银河通用采用 “仿真为主、真机为辅” 的合成数据路线，数据飞轮效应将推动模型持续进化。
免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系
