陈涛：具身智能的4.0新范式

来源：市场资讯

（来源：亚布力企业家论坛CEF）

陈涛

上海眸深智能科技有限公司首席科学家，复旦大学/上海创智学院教授

7月3日-4日，2026亚布力论坛第十二届创新年会在上海市虹桥国际中央商务区召开。本届年会主题为“创新驱动 智启未来——十五五蓝图与企业机遇”。上海眸深智能科技有限公司首席科学家，复旦大学/上海创智学院教授陈涛受邀作开幕演讲。

以下为演讲内容（有删节）：

今天我演讲的主题是《具身智能4.0: 端侧原生的机器人世界运动模型》。

过去一年，“具身智能”成为人工智能领域的热门方向。顾名思义，具身智能即“拥有身体的智能”，核心是能够适配物理世界的实体智能载体，例如机器人、智能汽车、无人机，乃至火箭、卫星、雷达等实体设备。与之相对，过去二十年互联网行业蓬勃发展所催生的是离身智能，包括大语言模型、各类互联网智能产品等，不具备物理实体交互能力。

如今，属于具身智能的新时代已经开启。我们团队长期聚焦具身智能领域，核心探索方向是推动AI彻底进入物理世界、全面赋能机器人，让机器人真正赋能家庭、工业、健康、医疗等各类现实场景，解决实际需求。

回望过去六年的行业发展，具身智能的演进历经了四个关键阶段。

早期第一代具身智能，核心逻辑是依托基础运动学定律实现机器人操控，仅能完成预设作业。

第二代具身智能迎来了VLA（视觉-语言-行为）模型，行业通过海量数据训练，让机器人具备基础的模仿学习能力。

第三代范式从去年年底开始在行业内被广泛提出，也就是世界模型+VLA的范式。今年，世界模型被广泛关注，尤其是视频生成模型。当下，互联网大量短视频已经由AI生成，有时大众甚至难以分辨网络视频素材的真假。基于这一技术趋势，行业开始探索，怎么以AI视频生成的动态轨迹为指引，驱动机器人完成自主运动与动作执行。

我们团队在今年年初提出了第四代——世界动作模型（World Motion Model），并于2026年5月发布了全球首款时空一体的世界动作模型。我们希望将世界模型的底层认知机理与物理规律知识，注入机器人的智能大脑，让机器人依托对真实世界的自主认知，完成抓取、操控、移动等各类行为。

围绕自研的世界动作模型，我们团队探索出四大代表性方向。

第一，数据千倍降本。目前行业购买一款机器人本体时，基本需要为它收集千万级甚至亿级的海量数据，而这样的数据实际上是高度的重复建设，甚至是有很多是被浪费掉的。

同时，很多从业者其实并不知道，到底什么样的数据能够让我的机器人去学得更好、干得更好的。针对这一痛点，我们创新提出基于互联网通用视频数据的机器人学习方案，搭建了超高效率学习框架（Efficient Learning General Motion），让机器人在只需要行业常规1/12成本的数据，即可完成高效学习，大幅降低具身智能机器人的落地门槛。

第二，叫做有逻辑的世界模型。当前绝大多数机器人模型没有逻辑，只能“照猫画虎”，无法理解动作背后的物理逻辑与场景内涵。我们实现了在隐空间语义层面构建物理世界认知逻辑，让机器人的模型有逻辑地去感知物理世界的运行法则。

第三，60倍计算加速。现阶段多数机器人的智能算力部署在云端，我们日常看到的机器人现场演示，本质是通过实时联网调用云端算力完成作业，它的大脑离它有很远的距离。这并不是让机器人真正进入到端侧世界的可行方式。我们必须要把它的大脑压缩到非常小，能够部署在它各种各样的终端本体里。

第四，跨本体数据飞轮。优秀的机器人大脑不应局限于单一机器人本体，成为硬件的附属品，而应具备通用性、适配性，能够驾驭各种各样的本体，这才是机器人大脑的一大终极使命。

围绕以上四大方向，我们团队过去几年落地了一系列工作。如发布EGM通用学习框架，用1/12行业常规需要的成本数据，实现了全球顶尖的人形机器人动作；研发Motion GPT——全球首个实现人形动作生成与控制的具身大模型，首次在隐空间完成人类自然语言与机器人形体动作的统一，实现文字、视频动作的双向生成，这一大模型的技术成果也被英伟达多项开源产品正面引用与认可；实现双人动作合成，依托语言指令提示，可驱动双机器人完成协同舞蹈、交互作业等复杂配合动作，并在这种高层动作规划大模型的基础上，进一步完成技术下沉，打通规划层到机器人底层关节的控制链路，研发出全球首款面向全身控制的机器人关节动作大模型；以及推出MonoMimic：单目视觉人形机器人遥控系统、MotionChain:长程任务对话式运动控制器、LL3DA：三维空间逻辑注入多模态感知、EgoExoLLM：第一和第三视角行为逻辑协同推理、Ego-affordance Estimation：第一视角的交互区域预测、CurveStream：曲率感知流式视频记忆逻辑框架等。

在具身模型低成本推理与国产算力适配方面，团队从技术研发开始，就聚焦国产算力适配布局。当前行业大模型高度依赖英伟达算力显卡，存在核心环节不可自主可控的短板，我们不断思考如何与华为昇腾、地平线、燧原科技等国内优质国产算力企业做算力适配对接。经过四五年的持续研发攻关，团队不仅斩获多项全球知名人工智能学会最佳论文、顶级赛事冠军，并实现模型推理效能的突破，我们可以让模型在常识操作任务中实现没有任何性能衰减的机器人操作加速。

今年，我们也提出了全球第一个自进化视觉语言动作模型，让机器人靠内在的奖励和思考，不需要外部奖励、标注，就可以实现他自主的策略改进。此外，团队已落地多项机器人实操演示场景。如美的洗衣机装配场景，依托双臂机器人实现螺丝精准定位，可完成洗衣机后盖3毫米高精度插拔、拧螺丝等精密组装作业。针对光明集团服务场景，搭载灵巧机械手完成智能化调酒作业，可自动识别三类饮品，自主完成取杯、调配、摇匀等操作。

眸深智能团队做了一系列从学术界到产业界的前沿探索，目前也已与许多国内头部企业达成战略合作。我们的愿景是让全球每一台机器人，都拥有能够自主进化的具身智能大脑。

责编｜林洁