人形机器人系列之八：人形机器人究竟需要怎样的AI模型？_33页_2mb

报告摘要

人形机器人系列之八：人形机器人究竟需要怎样的AI模型？

核心内容

人形机器人产业面临高需求与低渗透率之间的矛盾，其核心瓶颈在于通用化水平不足。实现任务级交互是提升人形机器人通用化和商业化落地的关键。大模型和基础模型各有优劣，需结合使用以实现人形机器人在不同场景下的应用。

主要观点

任务级交互是通用化关键：人形机器人需要在高层级规划上实现自主决策，以完成用户给出的抽象任务目标，从而提升其通用性。
多模态大模型带来新机遇：大语言模型在任务拆解、逻辑推理、自然语言交流等方面表现优异，多模态技术（如视觉、语言、触觉等）使得机器人更接近“具身智能”。
大模型赋能感知模块：Meta发布的SAM模型在图像分割任务中表现突出，大幅降低标注成本，提高机器人感知和理解环境的能力。
大模型与基础模型互补：大模型在高层级任务处理上表现优异，但存在实时性差的缺陷；基础模型在底层运动控制上更具优势，两者结合是当前商业化落地的可行方案。
长期依赖高效大模型：随着算力提升和模型结构优化，新一代高效大模型有望实现人形机器人的全面通用化。

关键信息

行业现状：人形机器人在工业和商用领域应用有限，商业化落地困难，主要受限于软件层面的通用性不足。
技术挑战：大模型在底层运动控制方面存在实时性不足的问题，难以满足10~100Hz的控制需求。
模型分类：
- 大模型（VLM/VLA）：用于任务拆解、逻辑推理、自然语言交互，但需要较多算力和时间。
- 基础模型：适用于底层运动控制，具备更高的实时性和效率。
SAM模型：Meta推出的图像分割模型，通过AI自动标注大幅降低训练成本，提高机器人对环境的感知能力。
多模态模型进展：
- SayCan：结合语言模型和Affordance函数，实现更符合现实的决策。
- PaLM-E：融合语言和视觉信息，实现多模态任务处理。
- ImageBind：支持6种模态的融合，提升模型的泛化能力。
VLA模型：如RT-2和RoboCat，尝试实现感知-决策-控制一体化，提高机器人自主性和泛化能力。
商业化路径：短期内依赖基础模型+大模型的组合，实现小规模应用场景落地；长期则期待高效大模型推动通用化。

技术路线

VLM+传统控制算法：通过大模型实现任务级决策，再借助传统控制算法完成运动控制。
VLA一体化模型：直接将感知信号映射到运动控制指令，实现端到端控制，但目前仍存在实时性问题。

风险提示

技术迭代不及预期：大模型训练成本高，若缺乏结构优化，可能影响产品成熟度提升。
安全与隐私法规：随着人形机器人应用的扩展，相关监管政策可能对行业发展造成影响。
道德风险：人形机器人越来越接近人类，可能引发恐怖谷效应和对劳动力市场的冲击。

标题	日期
人形机器人系列之三:核心零部件的野望，隐形冠军的摇篮	2023-06-18
AI+制造系列报告之三:AI与机器视觉协同赋能，产业化应用方兴未艾	2023-04-24
AI+制造系列报告之二:AI赋能，人形机器人春天来了吗?	2023-04-16

重点公司估值和财务分析（示例）

股票简称	股票代码	货币	最新收盘价	最近报告日期	评级	合理价值(元/股)	EPS(元)	PE(x)	EV/EBITDA(x)	ROE(%)
汇川技术	300124.SZ	CNY	68.13	2023/08/24	买入	74.59	1.86	36.63	34.79	20.70

图表索引

图1：从大模型看人形机器人提升通用化水平的路径
图2：近5年中国15-59岁劳动人口数量与比重变化
图3：2020-2024年中国服务机器人销售额及增长率
图4：机器人产业发展的正向循环
图5：人形机器人三大技术模块
图6：机器人的控制框架
图7：大模型的能力与机器人任务级需求的映射关系
图8：不同样本数量级下多模态模型的预测精确度和MSE损失
图9：多模态大模型的两条技术路线
图10：SayCan模型的架构和技术原理
图11：SayCan模型结合实际情况做出最合理决策
图12：SayCan模型决策准确率不断提高
图13：PaLM-E模型的架构
图14：多任务混合训练提高准确率
图15：ImageBind跨模态理解与生成
图16：ImageBind的交互方式
图17：ImageBind在零样本/小样本下的准确率
图18：不同大模型的决策结果与运动控制指令之间的映射方式
图19：RT-2的架构
图20：RT-2与基线模型执行成功率对比
图21：引入CoT提高任务完成能力
图22：RoboCat在模拟和现实场景中学习任务
图23：RoboCat的训练周期
图24：RoboCat执行成功率远超基线模型
图25：SAM精准分割图像中的任何物体
图26：SAM在复杂场景下依然表现良好
图27：SAM的三种交互方式
图28：SAM的基本架构
图29：SAM轻量级解码器运行原理
图30：SA-1B数据集的掩码量远超OpenImages
图31：SAM学习成果增加至SA-1B
图32：大模型与基础模型优缺点对比
图33：RT-2控制周期较慢
图34：RT-2在移动马克笔任务中失败
图35：MPC算法助力Atlas实时预测与调整
图36：大模型效率提升将推动人形机器人通用化

分析师信息

代川：首席分析师，SAC执证号：S0260517080007，SFC CE No. BOS186，联系方式：021-38003678，daichuan@gf.com.cn
孙柏阳：联席首席分析师，SAC执证号：S0260520080002，联系方式：021-38003680，sunboyang@gf.com.cn
联系人：姚佳，联系方式：021-38003794，yaojia@gf.com.cn

总结

大模型为提升人形机器人的通用化和任务级交互提供了重要支持，但其在实时性方面仍存在不足。基础模型在底层运动控制方面更具优势，两者结合是当前人形机器人商业化落地的有效路径。随着模型结构的优化和算力的提升，大模型有望在未来实现人形机器人的全面通用化。同时，需关注技术迭代、安全隐私法规及道德风险等潜在挑战。

展开完整摘要