通用大模型冲击下具身模型自研预算重构

一、真正受到冲击的不是机器人，而是旧有研发分工

当通用大模型开始表现出更强的视觉理解、空间推理、任务分解和代码生成能力时，具身智能行业最先感受到的并不是“机器人即将被统一模型接管”，而是原有研发投入逻辑突然失去了稳定性。

过去，机器人团队通常围绕单一任务建设完整技术链路：采集示范数据、清洗并标注数据、训练视觉编码器、设计动作策略、完成模仿学习或强化学习，再针对失败案例反复微调。每增加一种物体、一种场景或一种操作约束，都可能触发新一轮数据采集与训练。

这种路线并非错误。在通用模型能力有限的阶段，任务专用模型是获得确定性效果的现实选择。问题在于，一旦通用模型能够在不重新训练或仅提供少量上下文的情况下理解新任务，原先依靠大量专项数据和长期训练建立的部分优势，就可能从“模型资产”变成“可按需调用的通用能力”。

因此，企业需要重新回答的并不是“还要不要做具身智能”，而是三个更具体的问题：

1. 哪些能力已经可以由通用模型承担？
2. 哪些能力仍然必须依靠机器人数据和本体经验训练？
3. 自研预算应该投入基础模型，还是投入数据闭环、控制策略与系统工程？

从技术角度看，这是一场研发边界重划，而不是简单的模型替代。

二、通用大模型为何能对具身模型形成跨层冲击

1. 上下文学习降低了任务适配成本

传统机器人模型通常把“学会任务”理解为参数更新：如果任务发生变化，就需要重新收集数据并训练模型。通用模型则可以把任务描述、环境信息、历史轨迹和少量示例放入上下文，在不修改模型参数的情况下临时形成解决方案。

例如，在桌面整理任务中，系统可以向模型提供：

• 当前场景中可见物体及其位置；
• 机械臂能够调用的基础技能；
• 目标状态和禁止条件；
• 已执行步骤及对应结果；
• 少量成功或失败示例。

模型随后生成任务计划，并根据执行反馈调整后续步骤。这种机制不能替代底层控制，但它显著降低了高层任务规划对专项训练的依赖。

需要注意的是，上下文学习的效果高度依赖输入信息质量。如果场景描述错误、技能定义含糊或历史状态缺失，模型可能生成语义合理但物理上不可执行的方案。因此，上下文学习解决的是“快速理解与组织任务”，并不天然保证动作成功率。

2. 代码生成成为连接认知与动作的新接口

通用模型进入机器人系统的一条重要路径，是把自然语言目标转化为结构化计划或可执行程序。

过去，高层规划器往往输出固定类别或离散动作。现在，系统可以让模型生成带有条件判断、循环、异常处理和状态检查的任务程序。例如：

目标：将易碎物体放入指定容器
1. 检查目标物体是否可见
2. 若不可见，则调整观察位置并重新感知
3. 估计物体姿态与可抓取区域
4. 调用抓取技能
5. 检查抓取是否成功
6. 若失败，则更换抓取点，最多重试两次
7. 移动至容器上方
8. 降低末端速度并执行放置
9. 检查物体是否位于容器内部

这种程序化表达比一次性预测完整动作序列更容易调试，也能够复用已有的运动规划器、技能库和安全控制模块。通用模型负责“决定做什么”，专用模块负责“保证怎么做”。

冲击由此产生：一些过去需要通过训练获得的任务逻辑，现在可能通过提示、代码生成和技能编排实现。模型团队如果仍然只在封闭任务上反复提升少量指标，就容易陷入局部优化。

3. 多模态预训练扩大了知识覆盖范围

机器人任务不仅需要动作能力，还涉及物体属性、空间关系、常识约束和因果判断。例如，系统需要理解玻璃器皿可能易碎、遮挡会影响视觉判断、柔性物体的形状会随抓取发生变化。

机器人专项数据通常规模有限，而且覆盖环境较窄。通用多模态模型通过更大范围的图像、文本和结构化知识获得了较宽的概念边界。这使其在开放词汇识别、场景问答、任务解释和异常分析上具有一定优势。

但“知道常识”与“掌握物理规律”不是同一件事。模型可以描述如何抓取物体，却未必能够准确预测摩擦、重量、形变和碰撞。机器人系统仍需要通过真实交互、仿真训练和控制反馈获得本体相关经验。

三、评测分数上涨，不等于工程问题已经解决

当通用模型接入机器人系统后，任务完成率可能出现明显改善，但企业不能只根据单一榜单决定是否取消自研。评测结果至少要经过以下几层审查。

1. 区分模型能力与系统脚手架能力

一个机器人方案通常包含视觉感知、提示构造、任务规划、技能调用、轨迹生成、失败重试和安全校验。最终成绩提高，可能来自基础模型，也可能来自更完善的系统流程。

因此，评测应设置消融实验：

• 仅使用原有专用模型；
• 替换高层规划模块；
• 增加上下文记忆；
• 增加失败检测与自动重试；
• 增加人工定义的技能约束；
• 使用完整系统方案。

只有拆分各模块贡献，才能判断通用模型究竟替代了什么，以及后续预算应该投向哪里。

2. 检查任务覆盖与潜在信息泄漏

封闭评测集容易被过度优化。如果任务描述、场景布局和物体类别长期不变，模型可能依赖表面模式获得较高成绩，却无法适应真实生产环境。

更可靠的评测应包含：

• 未见过的物体组合；
• 不同光照、背景和遮挡；
• 相同目标的多种语言表达；
• 扰动后的物体位置与机器人初始姿态；
• 执行过程中的临时障碍；
• 传感器噪声与部分观测；
• 目标冲突和不可完成任务。

特别需要测试模型能否识别“不应该执行”与“当前无法执行”。在真实机器人系统中，合理拒绝往往比盲目行动更重要。

3. 同时评估延迟、成本和稳定性

具身任务具有实时性要求。即使高层推理准确，如果每一步都需要较长等待，机器人也难以完成连续操作。网络波动、服务限流、输出格式变化和上下文长度增长，也会影响系统稳定性。

因此，不能只记录平均成功率，还应记录：

• 首次规划时延；
• 单个动作决策时延；
• 完整任务耗时；
• 每次成功任务的平均推理成本；
• 超时率和重试率；
• 输出格式合规率；
• 连续运行中的性能衰减；
• 网络不可用时的降级能力。

对于工业场景，还要验证版本变更后的回归稳定性。通用模型能力提升很快，但频繁变化本身也可能成为生产风险。

四、具身系统应从“单体模型”转向分层架构

面对通用模型的冲击，更合理的策略不是全盘放弃自研，也不是继续追求一个模型包办所有能力，而是把机器人系统拆分为不同确定性层级。

1. 感知与状态估计层

这一层负责将相机、深度传感器、力传感器和关节状态转换为可用的环境表示，包括物体位置、姿态、速度、接触状态和机器人自身状态。

通用模型可以辅助场景理解和开放类别识别，但高精度位姿估计、时序跟踪和传感器融合往往仍需专门算法。原因是底层感知需要稳定坐标、明确误差范围和连续输出，而语言模型式判断通常缺乏可校准的几何精度。

2. 任务规划与语义推理层

这是通用模型最适合承担的部分。其主要职责包括：

• 理解自然语言目标；
• 把复杂目标拆解为步骤；
• 选择可用技能；
• 根据环境状态修改计划；
• 对失败原因进行解释；
• 在多个约束之间进行权衡。

为了降低输出不确定性，规划结果不应直接使用自然语言，而应转换为严格的结构化数据。例如：

{
  "goal": "place_object",
  "object_id": "object_12",
  "target_area": "container_3",
  "preconditions": [
    "object_visible",
    "target_reachable"
  ],
  "steps": [
    {"skill": "approach", "args": {"object_id": "object_12"}},
    {"skill": "grasp", "args": {"mode": "gentle"}},
    {"skill": "move_to", "args": {"target": "container_3"}},
    {"skill": "release", "args": {"speed": "low"}}
  ]
}

生产系统还应通过模式校验、参数白名单和状态机检查过滤非法输出。

3. 技能与动作策略层

技能层负责抓取、插入、旋转、推拉、移动和避障等动作。它是具身团队最值得持续积累的核心资产之一。

高层模型可以选择技能，却不能凭语言描述保证动作质量。不同机械结构、夹具、负载和控制频率对应不同动作分布。企业长期采集的失败案例、力控数据和本体运行数据，在这一层仍然具有很高价值。

技能层可以采用规则控制、优化控制、模仿学习或强化学习等方法，也可以组合使用。关键不是追求单一算法统一，而是确保技能具有明确的输入、输出、前置条件和失败状态。

4. 安全与执行监督层

任何生成式决策都不应绕过安全层直接驱动执行器。安全层应保持相对独立，并使用确定性规则约束：

• 关节角度和速度范围；
• 末端力与碰撞阈值；
• 禁止进入的空间区域；
• 可操作物体白名单；
• 紧急停止条件；
• 人员接近检测；
• 单次动作的最大持续时间。

通用模型可以提出建议，但不能修改硬安全边界。对于高风险任务，还应要求人工确认或双重校验。

五、哪些能力应该复用，哪些能力值得自研

企业可以按照“通用性、数据独占性、实时性、安全性”四个维度判断研发边界。

适合复用通用模型的能力

第一，开放式语言理解。用户表达方式多样，逐条编写规则成本高，通用模型更适合承担意图解析和指令归一化。

第二，复杂任务拆解。跨领域知识、条件分支和长流程规划通常能够从通用推理能力中受益。

第三，异常解释与运维辅助。模型可以读取日志、状态和失败轨迹，生成初步诊断意见，但最终判断仍需结合确定性监控。

第四，数据整理与标注辅助。通用模型可用于生成候选标签、总结轨迹和筛选异常样本，以降低人工处理成本。自动标签必须抽样复核，不能直接视为真实标签。

更值得保持自研的能力

第一，本体相关动作策略。它与机械结构、传感器配置和执行环境紧密相关，外部通用能力难以直接覆盖。

第二，高精度空间定位与控制。涉及毫米级操作、动态接触和高速闭环时，稳定性比语言推理能力更重要。

第三，真实环境数据闭环。数据采集、失败回放、困难样本筛选和持续训练决定了系统能否长期进化。

第四，安全机制和领域约束。医疗、制造、能源等场景具有严格责任边界，不能把安全完全交给概率模型。

第五，评测体系。企业若没有自己的真实任务集和成本指标，就无法判断模型升级是否真正带来业务收益。

六、自研预算不应消失，而应从“训练规模”转向“系统收益”

过去的预算方案可能把大量资金分配给模型预训练、算力扩张和数据堆积。新的预算体系应以任务收益为核心，可用以下简化模型进行测算：

年度总成本 =
模型训练成本
+ 推理调用成本
+ 数据采集与标注成本
+ 机器人运行及维护成本
+ 系统集成成本
+ 安全与合规成本
+ 回归测试成本

对应的收益不应只看评测分数，而应计算：

单位成功任务成本 =
年度总成本 / 年度有效成功任务数

同时还要关注失败造成的损失。对于低风险桌面任务，一次失败可能只是多执行几秒；对于生产线操作，一次碰撞可能导致设备停机。相同的模型准确率，在不同业务中可能对应完全不同的经济价值。

预算调整可以遵循三个原则。

1. 减少重复建设通用知识

如果某项能力主要来自公共语言、视觉和常识知识，企业没有必要从零训练同等规模的模型。预算可以转向模型适配、上下文管理和系统评测。

2. 增加高价值本体数据投入

真实机器人数据昂贵，但它记录了接触、摩擦、时序和失败恢复等无法仅从文本中获得的信息。团队应优先保存高价值轨迹，而不是无差别扩大数据量。

推荐重点采集：

• 临界成功与临界失败样本；
• 同一任务在不同物体上的差异；
• 控制器触发保护的轨迹；
• 需要人工接管的时刻；
• 规划正确但执行失败的案例；
• 感知错误引发的连锁故障。

3. 为可替换架构预留预算

通用模型发展速度快，系统不应与单一模型版本深度绑定。研发预算中应包含接口抽象、回归评测、缓存降级和本地备用策略等工程工作。

这类投入不会直接提高榜单分数，却能降低供应变化、网络故障和模型升级带来的系统性风险。

七、企业可以采用的分阶段实施路线

第一阶段：建立真实基线

先选取具有业务价值的任务集，记录现有系统的成功率、耗时、人工接管率和故障类型。没有基线，任何新模型带来的“提升”都难以被准确证明。

第二阶段：只替换高层规划器

不要一开始就重构整个机器人系统。可先保持原有感知、技能和控制模块不变，只让通用模型负责指令理解与技能选择。这样能够清晰评估其增量价值。

第三阶段：构建失败闭环

为每次任务保存输入、计划、技能调用、传感器摘要、执行结果和失败原因。随后按失败类型聚类，判断问题来自规划、感知、技能还是安全限制。

如果失败主要集中在高层任务理解，可以优化上下文与规划模块；如果集中在抓取滑落和碰撞，则继续扩大语言模型投入的收益可能很低，应转向动作策略与控制。

第四阶段：建立多级降级机制

生产系统至少应设计三种运行模式：

1. 通用模型正常可用时，执行开放式任务规划；
2. 推理超时或输出不合规时，切换到固定状态机；
3. 感知不确定或安全条件不满足时，停止任务并请求人工处理。

降级机制的意义，是让模型能力成为系统上限，而不是让模型故障决定系统下限。

八、结论：被重新定价的是自研方式，而不是具身智能本身

新一代通用大模型确实削弱了部分专项模型的必要性，尤其是那些主要解决语言理解、常识推理和高层任务拆解的问题。继续为这些通用能力重复建设大规模训练体系，可能很难获得合理投入产出比。

但机器人不是纯信息系统。感知误差、物理接触、控制延迟、设备磨损和安全责任都无法仅靠生成式推理解决。真正有长期价值的自研能力，将更多集中在本体数据、动作技能、实时控制、安全边界和真实业务评测上。

因此，具身企业不应在“全栈自研”与“全部调用通用模型”之间二选一。更稳健的路线，是让通用模型负责知识密集、变化频繁的认知层，让专用模型和确定性系统守住实时执行与安全底线。

明年的自研预算也许会被重新审视，但它不应被简单取消。预算需要从追逐参数规模和单一榜单，转向建设可复用技能、数据闭环、分层架构和单位任务成本优势。能够率先完成这种调整的团队，才可能避免在局部指标上“画地为牢”，并把通用智能的进步真正转化为机器人系统的工程收益。