人形机器人大脑研究进展及趋势

作者：专知智库OPC研究院

人形机器人的“大脑”正在成为产业竞争真正的分水岭。2026年被产业界定义为具身智能的“部署态元年”——行业焦点从“机器人能不能动、能不能做演示”，转向“能不能在真实岗位上持续干活”。而制约这一转变的核心瓶颈，不在关节、不在灵巧手，在大脑：能不能理解环境、能不能规划任务、能不能判断异常、能不能在陌生场景中泛化。本文梳理当前人形机器人大脑的技术路线、关键进展与收敛趋势，并给出面向岗位闭环的判断。-

一、先厘清一个前提：大脑不是“一个东西”，而是分层协同的体系

讨论“人形机器人大脑”时，最容易产生的混淆是把“大脑”当作一个单一模块。实际上，当前产业实践中的大脑已经是分层架构：

第一层，高层认知与任务规划。 负责理解语言指令、解析场景、拆解任务、生成行动意图。这一层由VLM、世界模型、任务规划模型等承担，时间尺度是秒级到分钟级。

第二层，动作生成与技能调度。 负责把高层意图翻译为机器人可执行的动作序列，协调抓取、搬运、装配、移动等技能。VLA模型是这一层的主力，频率通常在数Hz到数十Hz。

第三层，实时运动控制与平衡。 负责步态、平衡、力控、避障、关节伺服，要求毫秒级硬实时响应。这一层由本体控制器或“快系统”承担，频率可达200Hz甚至1kHz。

中国电子学会发布的《人形机器人智能化分级》将机器人分为感知认知、决策学习、执行表现、协作交互四个维度和L1至L5五个智能等级，也从侧面印证了“大脑能力”本身就是多维分层的。讨论大脑的进展，必须指明是哪一层在进展；讨论大脑的趋势，必须看清哪几层在收敛、哪几层在分化。

二、三条技术路线的进展与收敛

路线一：VLA端到端——从“能执行”走向“能泛化”，但数据瓶颈凸显

VLA（视觉—语言—动作）模型是过去两年投入最集中的方向。其核心逻辑是“输入画面和指令，直接输出动作”，将感知、理解与动作生成压缩进一个可联合训练的模型，减少分层链路的级联误差。

2026年的标志性进展包括：阿里巴巴达摩院开源RynnBrain全系列模型，首次让机器人具备时空记忆和空间推理能力，在16项具身开源评测中刷新纪录，并支持任务被打断后记住原任务状态、完成后继续执行。Figure发布Helix 02，用单一神经网络实现从像素输入到全身控制的端到端系统，在厨房场景完成长达4分钟连续自主复杂任务。宇树开源UnifoLM-VLA-1.0，可驱动机器人完成64项操作任务。-
-

但VLA的软肋同样清晰：高质量机器人动作数据稀缺，导致泛化能力受限。VLA在训练分布内表现优异，一旦进入陌生场景、陌生物体、长尾工况，成功率会显著下降。这决定了VLA是“能干”的基座，但不是“想清楚再干”的完整大脑。-

路线二：世界模型——从“看懂世界”到“预演下一步”，成为确定性增量

世界模型的核心不是直接输出动作，而是在行动之前在内部推演“如果这样做会发生什么” ，预测物理世界的下一步状态，评估不同决策的后果。中国工程院郑南宁院士将其概括为“在内部构建可模拟环境，行动前预测与推演”。-1

2026年世界模型快速追赶，已从学术概念进入工程化阶段：宇树开源UnifoLM-WMA-0，支持10至20轮多步交互推演，代表“世界模型—动作”范式的前沿探索。智元发布世界—动作模型GE-Act 2.0，将“预测未来”与“生成动作”整合进同一模型，训练数据从300小时扩展至3万小时，在陌生场景成功率提升约2.6倍。蚂蚁灵波的LingBot-World成为首个同时获得vLLM、SGLang两大推理引擎支持的世界模型。成都人形机器人创新中心发布基于流形拓扑保持的世界模型，试图摆脱传统模型的“像素化”感知局限。-

世界模型补的是VLA缺失的那一环：不是“能不能做”，而是“该不该做、做了会怎样” 。但世界模型目前的长程推理能力仍然有限，单独使用不足以支撑完整岗位任务。

路线三：分层/双系统架构——数据稀缺阶段的工程理性选择

与“单一端到端模型”相对，分层架构将慢系统与快系统分离：慢系统负责高层语义推理与任务规划，快系统负责高频动作生成与实时控制。Figure Helix 02的三层架构是典型代表：System 2负责高层语言推理与场景理解，System 1以200Hz负责运动规划，System 0以1kHz负责底层反射与本能。智元GO-2采用异步双系统架构，慢系统生成“意图流”，快系统高频修正。北京人形机器人创新中心的“天工”系列同样采用大小脑分层框架，在复杂人流环境中实现无干预自主导航。-

分层架构的优势在于：数据量要求较低，工程可控性强，是数据稀缺阶段的量产优势路线。但其代价是层间误差的级联放大——分层越多，微小错误被逐级放大的风险越高。这也是部分企业坚持“大小脑统一端到端”的工程理由。-

三、2026年的关键趋势：从“路线之争”走向“融合与分层并行”

2026年最值得注意的变化，不是某一条路线“胜出”，而是行业共识正在从“二选一”转向“融合+分层” 。

第一，VLA与世界模型的融合已成阶段性共识。 行业表述高度一致：VLA解决“能干”，世界模型解决“想清楚再干”，二者融合是方向。擎朗智能将世界模型嵌入VLA，让机器人“干活前先想一遍”，完成咖啡制作等长流程任务。北京人形机器人创新中心推出的Pelican-Unify，被定义为统一表征具身世界模型，在不同时间尺度上结合VLA的动作生成能力与世界模型的状态预测、反馈校正能力。成都发布的大脑新架构同样统一了VLA、世界模型、VA、VTA、VTLA等多类模型。-

第二，分层架构不是过渡方案，而是长期并行的一轨。 “大小脑”的解耦与融合将双轨并进。端到端追求泛化上限，分层架构保障工程落地和数据效率。Figure在Helix 02中保留并强化分层，说明即使端到端能力最强的团队，也不放弃分层带来的可控性。

第三，竞争焦点从“模型参数”转向“数据飞轮”。 具身大脑仍处于“基础模型尚未收敛、数据闭环决定上限”的早期阶段，2026—2028年是通用性验证与商业闭环验证的关键窗口期，能否形成高质量真实世界数据飞轮，比单纯扩大参数规模更具决定性意义。当前数据飞轮尚未真正转起来，关键原因不是模型不够强，而是进入真实生产和服务场景的机器人还太少，真实工作中的失败与反馈没有充分回流。这也意味着，谁先把机器人放进岗位、让失败数据回流，谁就掌握下一阶段大脑迭代的主动权。-

四、产业格局的阶段性特征

从产业梯队看，具身大脑已经形成初步分层：第一梯队是综合型与头部型参与者，覆盖模型、本体与场景的协同；第二梯队是在垂直场景中积累作业数据与落地经验的厂商；第三梯队是仿真、评测、传感、工具链等生态配套。特斯拉Optimus走的是“车器同源”路线，约60%的FSD算法可复用于Optimus，端到端“输入像素、输出控制指令”的策略一脉相承，其优势在于数据管线和训练体系的复用，但人形场景的精细操作需求与驾驶场景仍有本质差异。-
-

一个值得注意的判断是：大脑的竞争不会停留在“谁的模型评测分数高” 。评测榜单可以反映感知、推理、轨迹预测等单项能力，但岗位闭环要求的是“接任务—规划—执行—检测—异常—记录—交接”的完整链路，评测分数不能直接翻译为岗位胜任力。

五、对OPC智能体框架的含义

回到我们此前讨论的OPC智能体——OPC承接的正是大脑分层中“岗位任务层”的能力：接任务、拆步骤、排优先级、判断合格、处理异常、记录交接。人形机器人大脑的进展，为OPC提供了更强的底层能力供给：VLA让机器人“更能干”，世界模型让机器人“更能预判”，分层架构让“快慢分工”在工程上更可控。但大脑的进步不会自动产生岗位闭环——模型解决“能力”，OPC解决“岗位经营” 。模型越强，OPC能调用的技能越丰富；但“这个岗位先做什么、做到什么程度算合格、异常转人工还是重试、干完通知谁”，仍然是OPC层要定义和闭环的事情。

趋势判断可以收敛为一句话：未来三年，人形机器人大脑的竞争主线不是“单一模型通吃”，而是“VLA+世界模型+分层架构”的融合能力，叠加“真实岗位数据飞轮”的闭环速度。 谁能在真实岗位上把“能干—预判—异常—记录”跑成飞轮，谁的大脑才会真正拉开差距。

专知智库OPC研究院
余行智库知识库
成都余行专利代理事务所
官网：www.ipzhihu.com
电话：028-84400310