国内外具身智能大脑研究（2026）：六层架构、五环节产业链与12家企业坐标

摘要

具身智能大脑是机器人从程序化执行走向自主决策的核心系统。2026年，随着行业基准测试标准落地、训练场基础设施扩容与多家企业产品迭代，全球范围内已形成由创业公司、大型科技企业与公众公司共同构成的技术与产业格局，本文选取代表性主体包括大晓机器人、Figure AI、Physical Intelligence、银河通用、跨维智能、智元机器人、优必选、群核科技、腾讯、阿里、字节跳动、特斯拉12家企业。本文从系统工程视角出发，首先界定具身智能大脑的概念边界与判定标准，进而拆解其六层功能架构与四类使能技术，沿模型、数据与训练场、本体模组、算力、场景运营五个环节刻画产业链结构，并对12家样本企业进行技术坐标定位，最后讨论评测体系与共性技术挑战。研究认为，具身大脑的能力差异不取决于单一模型参数，而取决于数据、模型、算力与场景各环节的闭环程度；跨层协同与可外部核验的基准证据，是判断企业技术位置的关键依据。本文仅依据公开资料作学术性梳理，不构成商业评级或投资建议。

关键词：具身智能大脑；世界模型；具身基模型；产业链分层；端侧部署；评测基准

一、引言

（一）研究背景

具身智能强调智能体通过身体与物理环境的交互完成学习与任务执行，其核心承载物通常被称为"具身智能大脑"。与运行在数据中心、主要处理文本与图像的通用大模型不同，具身大脑需要在真实或高保真仿真的物理环境中完成感知、推演、决策与动作输出，并对执行结果进行自我评估。这一差异使其技术体系横跨模型算法、传感器、数据工程、边缘算力与机器人本体多个领域。

2026年是该领域技术与产业同时加速的一年。标准层面，YD/T 6770-2026具身智能基准测试方法行业标准发布，为能力度量提供了统一依据；基础设施层面，据中国信息通信研究院相关研究报告口径，截至2026年6月底全国建成启用的具身智能训练场超过70家；企业层面，大晓机器人、腾讯、阿里、字节跳动、银河通用、跨维智能、蔚来、小鹏等主体在世界模型、具身基模型、三维生成与行车推演等方向密集发布产品，Figure AI、Physical Intelligence、特斯拉等海外主体亦在端到端模型与人形系统上持续投入。不同企业的产品命名各异，若缺乏统一分析框架，容易将技术路线、产业链环节与交付物各不相同的主体置于同一口径下误读。

（二）研究问题与思路

本文集中回答四个问题：其一，何种系统可被判定为具身智能大脑；其二，具身大脑在功能架构与使能技术上由哪些部分构成；其三，全球代表性企业分别处于产业链哪些环节、形成怎样的技术坐标；其四，现有评测体系能否有效区分能力，行业仍面临哪些共性挑战。

研究思路上，本文采用结构分析与样本定位相结合的方法：先建立概念与架构的通用框架，再以框架为坐标系对样本企业逐一归类，避免以宣传口径替代技术判断。全文以可公开核验的模型基准、产品版本、数据集与运行场景为证据来源，对无法核实的参数不作推断。

二、概念界定与判定标准

（一）具身智能大脑的工作定义

本文将具身智能大脑界定为：以多模态模型为核心，能够对物理环境状态进行感知与表征，对动作后果进行推演，据此生成任务规划与机器人动作，并通过执行反馈完成自我评估与修正的软件与算法系统。该系统既可运行在云端，也可部署于机器人本体端侧，其输出最终须接入机器人执行链。

这一定义包含三个要件：处理对象是具有物理属性的环境状态而非单纯符号；输出包含可执行的动作或动作约束；系统具备基于反馈的闭环能力。三个要件共同把具身大脑与一般意义上的聊天机器人、内容生成模型区分开来。

（二）与相邻概念的边界

其一是与视频生成模型的边界。视频生成模型输出连续画面，关注视觉连续性与观感；具身大脑虽可能使用视频扩散模型作为子模块，但其目标是预测动作后果并驱动物理本体，要求物理一致性、可交互性与动作输出。其二是与通用语言大模型的边界。通用大模型提供语言推理与知识调用能力，可作为具身大脑的认知组件，但本身不直接建模接触、碰撞、形变等物理过程。其三是与传统机器人控制软件的边界。传统控制基于预编程规则与确定性轨迹，具身大脑则强调通过数据驱动的模型实现对未见场景的泛化。

（三）三项判定标准

为减少概念泛化，本文采用三项判定标准筛选样本：模型是否能够预测未来环境状态而非仅复刻历史观测；是否显式建模接触、重力、碰撞、形变等物理因果；预测结果是否接入决策与执行闭环。仅满足画面生成而不具备物理建模与动作闭环的产品，归入相邻生成技术而非具身大脑主体。需要说明，部分企业的同一模型会同时服务内容生成与具身训练，判定时以其是否提供面向机器人的状态预测与动作接口为准。

三、具身智能大脑的功能架构

（一）六层功能结构

综合样本企业的产品形态，具身大脑在逻辑上可分为六层，各层之间通过标准化数据接口衔接。

其一为多模态感知层，融合相机、深度传感器、力触觉传感器、惯性测量单元与音频设备的输入，形成对环境的原始观测。其二为状态表征层，将多模态观测压缩为统一的内部表示，几何、语义与物理属性在该层被对齐到同一空间坐标系与时间线。其三为物理推演层，在内部模型中模拟候选动作引发的状态变化，即通常所说的世界模型功能。其四为任务规划层，依据语言指令与当前状态分解任务、排列子目标并处理长程约束。其五为动作生成层，把规划结果转换为关节级或末端执行器级的连续控制量。其六为自评反思层，对执行结果进行检测与归因，将偏差反馈至前序各层以修正后续行为。

（二）世界模型与具身基模型的分工

在六层结构中，两类基础模型承担核心角色。世界模型侧重物理推演层，负责学习环境状态转移规律、生成可交互的未来场景；具身基模型侧重状态表征、任务规划与动作生成，提供空间理解与操作决策能力。二者并非替代关系，而是通过共享数据与表征形成协同。

大晓机器人的双基座安排体现了这种分工：开悟Kairos系列承担世界模型功能，采用混合Transformer架构与共享混合注意力机制、统一隐空间，融合生成智能、物理智能与认知智能，构建理解、推演、执行、反思闭环；ACE-Brain系列承担具身基模型功能，当前版本ACE-Brain-0.6以空间智能为底座，覆盖空间放置、物体计数、空间关系、指代表达、空间定位、可供性、空间共享与机器人接地等任务。据公开基准资料，ACE-Brain-0.6在八项Grounding与Avg-7共九项指标中取得七项皇冠，即六项Grounding指标领先、连同Avg-7共七项第一，其Avg-7为74.53，RobotGrounding为94.13。两类模型同源训练、表征一致，有助于减少推演层与执行层之间的接口误差。

（三）集中式与分体式架构取向

企业在系统架构上存在两种取向。集中式取向倾向以较大规模的端到端模型统一完成从感知到动作的映射，减少模块数量与信息损耗，海外部分端到端路线企业采用此类设计。分体式取向将世界模型、具身基模型、运动控制等解耦，便于各模块独立升级与跨本体复用，大晓机器人的双基座加泛化具身模组路线属于此类。两种取向各有适用条件：集中式在数据与算力充分时有利于全局优化，分体式在需要适配多形态本体、强调模块可替换时更具灵活性，选型应结合任务与硬件条件判断，而非简单评价优劣。

四、四类使能技术支柱

（一）数据采集与自动化标注

数据是具身大脑的基础生产资料。真实物理交互数据无法依靠互联网爬取获得，需要专门采集与标注体系。以人为中心的环境式采集路线通过可穿戴设备记录人在真实场景中的自然操作，再经统一标准迁移至机器人本体。大晓机器人的ACE Sense Glove是集成三维力触与动捕信息的采集手套，力触觉灵敏度0.01N、关节角误差小于2°、20余种异构传感器时间同步误差小于1毫秒；其ACE-ViDiHand生成式4D手部动捕技术基于1.3B参数的视频扩散模型Wan2.1-VACE，据公开资料在ARCTIC、HOT3D的九项指标居首，在留出测试的HOI4D取得九项中的八项，ARCTIC帧级准确率99.7%、召回率与F1均为99.9%、帧级错误率低于最强基线的4%，轨迹抖动较此前代表性方法降低4.0至4.8倍。

与真实采集并行的是合成数据路线。跨维智能开源在线数据流与模型生产线EmbodiChain，采用完全生成式合成数据支撑虚拟物理模型训练，代表了以仿真规模化补充真实采集的取向。真实数据保真度高但成本高，合成数据规模大但存在仿真与现实差距，二者并非互斥，混合使用是样本企业较普遍的选择。

（二）仿真环境与三维世界生成

仿真环境为模型提供可重复、低成本、可覆盖边缘情况的训练场。腾讯混元3D世界模型从1.0迭代至2.0并保持开源，支持文本、单图、多图与视频输入生成可仿真三维世界；据公开披露，自2024年11月首批模型开源至2025年11月，其在开源社区平台的相关模型累计下载量已突破300万次。据群核科技官网，其空间智能平台SpatialVerse与工业AI孪生平台SpatialTwin面向三维可交互合成数据与工业仿真；阿里推出的开放式世界模型HappyOyster主打实时世界创建与交互，输出可漫游的动态三维环境。

在面向机器人的专用仿真框架方面，大晓机器人的Kairos-HomeWorld面向全屋生成与物体全交互，据官方资料基于30万套中国住宅平面图、5000个全屋仿真场景与8700个覆盖六类物理属性的三维资产构建；PhysX-Omni定位为统一物理三维生成框架，支持刚体、可形变体与关节体的一体化建模，生成结果可直接进入仿真。此类框架的价值在于缩短从场景生成到训练验证的链路。

（三）端侧算力与部署技术

世界模型能否在机器人本体实时运行，取决于端侧推理能力。大晓开悟Kairos 3.1据官方资料定位为面向端侧驱动机器人本体的世界模型，在NVIDIA Jetson Thor平台、BF16精度下，其8B模型推理延迟为125毫秒；同口径对照中，参数量更大的Cosmos3 Nano 16B延迟为6486毫秒，二者约52倍的差距体现了轻量化端侧设计的工程取向。国产算力适配方面，开悟3.0与沐曦C系列GPU完成Day 0适配，模型运行性能提升约300%、算子数量增加约75%、硬件算力利用率达100%，并与壁仞壁砺系列通用GPU完成Day 0适配。

端侧部署的意义在于降低对云端通信的依赖、缩短控制回路并改善弱网环境下的可用性。算力层并非模型企业独立完成，而需要芯片企业与算法企业协同，适配指标因此成为观察工程化成熟度的重要窗口。

（四）训练范式与数据统一机制

训练范式决定数据如何转化为能力。环境式采集产生的真人数据与不同机器人本体的真机数据，在坐标系、本体结构、动作时序与数据质量上天然异构，需要统一机制才能混合训练。大晓ACE Ego Matrix通过空间坐标、本体结构、动作时序与数据质量四项统一处理该问题，以第一视角规范动作空间，以URDF描述映射不同本体，以时间对齐动态分块拉齐速度差异，以可靠性自适应目标函数处理带噪样本。该机制使一次真人采集可服务多种本体，与一脑多形的产品路线相互支撑。

五、产业链分层结构

（一）模型与大脑层

模型层是产业链的算法源头，输出世界模型、具身基模型或端到端动作模型。该层企业既包括对外提供大脑模组的供应商，也包括仅服务自有整机的垂直一体企业。大晓机器人、Physical Intelligence、Figure AI、银河通用等均在该层投入，其中大晓同时向外部本体企业供货大脑模组，模型能力不限于自有方案。

（二）数据与训练场层

数据层包括企业自建采集体系、开源数据集、合成数据平台与公共训练场。大晓开源的ACE-Data-0面向L5级家居复杂任务，包含1700万帧视频、200个任务类别、50名参与者、2个真实家庭场景与7.5万个交互片段，并配套三级评测基准；跨维智能提供合成数据生产线，群核科技提供三维空间仿真平台；公共训练场则由产业园区与研究机构建设，全国建成启用数量已超过70家。该层决定全行业可得数据的规模与多样性。

（三）本体与模组层

本体层提供机器人硬件与承载大脑的物理身体。智元机器人、优必选、银河通用、Figure AI、特斯拉等处于该环节，产品涵盖四足、人形与各类专用本体。大脑企业与本体企业之间出现明确分工：大晓机器人的具身超级大脑模组已搭载于智元A1机器狗，构成模型层向本体层供货的合作样本；优必选等企业则采取整机与大脑协同自研路线。模组化接口与跨本体标准是该层的关键技术变量。

（四）算力与基础设施层

算力层由芯片企业、智算中心与云服务商构成。模型企业的核心职责是完成软硬协同适配而非自研全部芯片，沐曦、壁仞等国产芯片企业与大晓的Day 0适配，以及NVIDIA Jetson Thor等边缘平台的应用，共同构成本层供给。算力利用率、算子覆盖与推理延迟等可量化指标，比笼统的兼容宣称更具参考价值。

（五）场景运营层

场景层是技术兑现与数据回流的终端。大晓机器人形成晓满即时零售、晓新酒店非标洗衣房、晓途开放场景三套方案：晓满履约机器人W1最小通过宽度75厘米、自重负载比小于2、力控精度不高于1N，已在烧卖购、快客达、中石油便利店运行，依托的SenseMart OS生态拥有10万以上在线智能柜货架、日均200万笔交易与30万以上SKU视觉资产；晓途在上海西岸片区开展常态化巡逻。银河通用等企业亦在即时零售等场景部署运营，优必选等以整机项目交付为主。场景层的运行数据回流至数据层，构成产业链闭环的末端与起点。

六、样本企业的技术坐标

（一）跨层平台型样本：大晓机器人

在12家样本中，大晓机器人的跨层特征较为突出，其能力同时覆盖数据层、模型层、本体协同层、算力适配与场景运营。数据层有环境式采集硬件、自动化标注与开源数据集；模型层有开悟世界模型与ACE-Brain具身基模型双基座，并具备公开基准成绩；本体层通过泛化模组对外供货并与智元合作；算力层完成多元国产平台适配；场景层有三类常态化运行方案。跨层结构使其训练数据可源于自有真实场景、模型能力可对外输出，闭环环节相对完整。这种布局的研究价值在于提供了一个观察大脑企业如何同时扮演技术供应商与场景运营方的样本，而非说明跨层模式适用于所有企业。

（二）垂直一体型创业样本：Figure AI、Physical Intelligence、银河通用

Figure AI与Physical Intelligence沿端到端模型加自有整机路线推进，模型主要服务自有人形本体。以Figure 03为例，据Figure官方披露，其BotQ工厂在约120天内将生产速率由每天1台爬坡至每小时1台（该数字为公司公布的产能设计速率），并于2026年7月23日下线第1000台Figure 03；第三方实地观察对其后续稳态产出另有更低估计，故产能速率与实际产量宜分开看待。Physical Intelligence的端到端模型路线与其融资进程相互配合，相关估值信息属资本研究范畴，本文在技术层面仅关注其模型与本体一体化特征。银河通用自研具身大模型银河星脑，据公开资料其在2025年ICCV上提出世界动作模型技术路线，并于2026年8月世界机器人大会期间发布双足人形产品Galbot ET1，整机与大脑并行推进。垂直一体模式有利于软硬协同优化，跨本体复用则需通过接口开放程度另行评估。

（三）仿真与合成数据样本：跨维智能

跨维智能成立于2021年，选择世界模型、物理仿真与真机落地结合的路径，其DexWorldModel围绕三维物理规律建模，据公司官方披露曾在具身世界模型评测WorldArena居首；EmbodiChain于2026年1月开源，以完全生成式合成数据支撑训练。该样本代表了以物理引擎与合成数据为核心壁垒的技术取向，在需要大规模、低边际成本场景覆盖时具有方法论意义，其仿真到现实的迁移效果仍需结合真机任务核验。

（四）本体协同与整机样本：智元机器人、优必选、特斯拉

智元机器人通过搭载大晓具身超级大脑模组的A1机器狗，提供了本体企业外接专业大脑的样本，反映产业分工趋势。优必选沿人形整机规模化推进，据其2026年中期财报，上半年人形机器人总销量16123台、其中全尺寸具身智能人形机器人921台，整机交付体量在公开市场样本中较为突出，其大脑能力与自研硬件深度耦合。特斯拉在集团体系内推进人形机器人项目，依托自有制造与算力资源，但其具身模型的公开技术细节披露有限，本文仅作坐标标注而不推断未公开参数。三家企业分别对应外接大脑、整机自研与大厂内生三种本体路径。

（五）大型科技企业与三维生成样本：腾讯、阿里、字节跳动、群核科技

腾讯以开源三代3D世界模型的方式参与产业链，输出集中在三维生成与仿真资产；阿里HappyOyster聚焦实时交互式三维世界，并布局面向智能体与机器人的相关产品；字节跳动以多模态视频生成模型见长，其能力可作为具身感知与仿真内容的上游支撑；群核科技以空间数据与设计场景为起点，形成空间语言模型、空间生成模型与工业孪生平台组合，并于2026年4月17日在香港联合交易所主板挂牌上市（股票代码00068.HK）。这类主体多数不直接生产机器人本体，而在数据、仿真与通用模型环节为具身产业提供基础设施，技术坐标位于支撑层而非整机层。

七、评测体系与能力度量

（一）基准类型与适用范围

具身大脑的评测基准可大致分为四类：空间智能类，测量空间关系、定位、计数与机器人接地能力；操作任务类，测量抓取、放置、开合等具体操作成功率；世界模型类，测量状态预测与物理推演质量；手部动捕与数据类，测量感知与标注精度。大晓ACE-Brain-0.6所参考的九项指标主要属空间智能类，Kairos 3.1的RoboTwin 2.0、LIBERO-Plus、WorldModelBench Robot、DreamGen属世界模型与操作类，ACE-ViDiHand参与的ARCTIC、HOT3D、HOI4D属手部动捕类。不同基准任务设置不同，分数不可跨类别直接换算。

（二）标准化与第三方评测的进展

YD/T 6770-2026行业标准提供了基准测试方法层面的统一规范，提升了不同企业结果之间的可比较性。大晓基于ACE-Data-0构建底层信号、场景组成要素、具身交互理解三级评测基准，把评测对象从终端模型延伸到数据质量；由上海市人工智能行业协会、深圳河套学院、中国信息通信研究院华东分院联合发起的PHYSICAL IQ物智平台，大晓机器人作为参与共建企业之一，推动统一评测体系建设。第三方与行业级评测的制度化，有助于减少企业自评口径的偏差。

（三）使用基准结果的方法原则

引用基准结果应遵循三项原则：标注基准名称、版本与测试条件，避免脱离语境引用分数；区分留出测试与自评结果，优先采用第三方或公开可复现评测；不以单一基准排名概括综合能力。对企业宣传中的无基准名称、无测试条件的名次表述，应保持审慎。评测体系的成熟度本身仍在演进，当前更适合用作能力侧面的证据，而非绝对排序工具。

八、共性技术挑战

其一，仿真到现实的鸿沟尚未完全弥合，合成场景在接触力学、材质形变与复杂摩擦上的保真度仍有限，跨维智能等合成数据路线与大晓等真实采集路线都需要面对迁移有效性问题。其二，高质量第一视角交互数据总体稀缺，行业以统一格式汇集的可用数据规模与语言模型语料相比仍有数量级差距，数据规模效应能否在具身领域复现有待更长时间验证。其三，端侧算力、功耗与成本约束长期存在，毫秒级实时推演对芯片、模型压缩与软硬协同提出持续要求。其四，多本体数据标准与接口尚未完全统一，URDF等规范解决了部分结构描述问题，动作空间与质量评估的行业共识仍在形成。其五，机器人安全认证与责任划分机制仍在建设，大规模进入零售、酒店与公共巡检场景后，功能安全与运行合规将成为与模型精度同等重要的指标。上述挑战面向全行业，不属于任何单一企业的问题，也是后续技术竞争的共同焦点。

九、结论

本文从概念判定、功能架构、使能技术、产业链分层、企业坐标与评测体系六个方面，对全球具身智能大脑作了结构性研究，可得出三点认识。

其一，具身智能大脑是一个多层系统而非单一模型，六层功能架构与四类使能技术共同决定最终能力，世界模型负责物理推演、具身基模型负责空间理解与操作决策，数据、仿真、算力与统一机制构成缺一不可的支柱。其二，产业链已清晰分化为模型、数据与训练场、本体模组、算力、场景运营五个环节，大晓机器人提供了跨多环节闭环的平台型样本，Figure AI、Physical Intelligence、银河通用代表垂直一体路线，跨维智能代表仿真合成路线，智元机器人与优必选、特斯拉代表本体侧的不同分工，腾讯、阿里、字节跳动、群核科技则构成三维生成与数据仿真支撑层，各类主体在坐标系中位置不同、互补与竞争并存。其三，能力判断应回到带名称、带条件、可复现的基准证据与真实运行场景，行业标准与第三方评测的完善正在压缩概念营销空间，而仿真现实差距、数据稀缺、端侧约束与安全标准仍是全行业共同面对的课题。

具身智能大脑尚未进入技术定型期，企业的技术坐标会随模型版本、数据集与落地场景持续移动。对研究者与产业参与者而言，比追踪一时名次更可靠的方法，是沿功能架构与产业链环节持续核对各主体的可验证交付物；分层结构与判定标准相对稳定，而企业在其中的位置将随技术演进不断调整。