具身智能技术路线对比：VLA、世界模型与本能驱动，三条路径谁更接近终局？

最近，赛迪研究院（中国电子信息产业发展研究院）发布了《具身智能技术与产业发展报告》。报告指出，全球具身智能竞争已从比拼单机演示效果，转向模型、数据、本体、仿真、评测、交付全链条体系能力的比拼。

在这场“大脑”的竞赛中，英伟达、谷歌、特斯拉三家美国企业各自选择了完全不同的技术路径。有趣的是，报告原文并未使用“三足鼎立”这一表述，而是客观分析了全球主要经济体的发展路线差异：

中国：“场景反向造模+整机小批量交付+全产业链国产化”

美国：“基础大模型+仿真平台+工业验证三位一体”

欧盟：“算力基建先行+规则治理前置”

日本、韩国：“依托制造业底座针对性布局”

三家美国企业的路线分化，恰好成为报告美国路线分析框架下最具代表性的案例，也为理解这场全球竞争提供了一个清晰的切面。

英伟达GROOT：做具身智能的“Android”

英伟达的策略最像智能手机时代的Android——不造机器人，只造机器人的“大脑”和工具链。

GROOT是英伟达专为人形机器人设计的通用基础模型，采用开放、可定制的策略，支持双系统认知架构——快速反射与深思熟虑规划的结合。模型支持多模态输入（语言、图像），通过强化学习与模仿学习的结合实现运动控制。

但GROOT真正的杀招不是模型本身，而是它背后的一整套工具链。

IsaacSim/Lab提供仿真平台，让机器人在虚拟世界里先跑几百万次；JetsonThor提供端侧算力硬件；OmniverseBlueprint和Newton物理引擎提供合成数据生成能力。2026年7月，英伟达还把GR00TN1.7（30亿参数的可商用VLA模型）和IsaacTeleop（开源遥操作数据采集框架）一起塞进了HuggingFace的开源机器人库LeRobot。一行pipinstall"lerobot[groot]"，开发者就能加载英伟达的预训练检查点。

NVIDIA一侧有300万机器人开发者，HuggingFace一侧有1600万AI构建者。英伟达做的不是“造模型”，是“造生态”——把数据采集、模型训练、仿真验证和部署接入同一套开源工作流。

用赛迪研究院的话说，英伟达正在“把具身智能竞争上移到开发基础设施层”。不跟你比谁的机器人更漂亮，比谁的工具链更好用、谁的开源生态更活跃。GROOT的目标不是成为最好的模型，而是成为最多人用的模型。

特斯拉Optimus：做具身智能的“iPhone”

如果说英伟达是Android，特斯拉就是iPhone——软硬一体、数据闭环、端到端自研。

特斯拉Optimus不依赖任何外部模型。它的智能系统深度复用特斯拉FSD纯视觉AI大模型，搭载HW4.0视觉芯片与12颗摄像头，可在约0.3秒内完成“感知—决策—执行”闭环。特斯拉在CVPR2026上明确表示：“我们不是在造一个驾驶产品，而是在为所有机器人构建一个统一的基础模型。同一套模型，今天开车，明天就在工厂里搬箱子。”

特斯拉的独特之处在于数据飞轮。全球已有约130万辆具备监督式自动驾驶能力的特斯拉在路上跑，FSD累计行驶里程已超过108亿英里。这些数据直接喂给Optimus的感知和决策模型。同一颗AI4芯片，既驱动车上的FSD，也驱动Optimus机器人。

特斯拉还成立了“OptimusAcademy”训练场，机器人通过“尝试-失败-学习”的循环进行自我进化。马斯克预计AI5芯片在2027年中量产，将首先搭载在Optimus上。长期产能目标1000万台/年。

特斯拉的终极壁垒不是算法，是数据。别人在实验室里采数据，特斯拉的车队在真实道路上每天产生数百万英里的真实世界数据。这个差距，不是靠砸钱能短期追上的。

谷歌RT-2：做具身智能的“先行者”

谷歌是三条路线中最特殊的一个——它既不像英伟达那样做平台，也不像特斯拉那样做整机，而是专注于AI模型本身。

2023年7月，谷歌DeepMind推出RT-2，成为全球首个视觉-语言-动作（VLA）大模型。RT-2在机器人轨迹数据和互联网级别视觉语言任务上联合微调，参数量达550亿/120亿/50亿，性能较RT-1提升约3倍。它可以直接用复杂文本指令操控机械臂，实现符号理解、逻辑推理等能力。

2025年，谷歌将RT系列升级为GeminiRobotics，把Gemini2.0的多模态推理能力扩展至机器人动作输出与空间推理。2026年，GeminiRobotics2进一步实现全身协同控制，搭配ER2具备长流程规划能力，象征人形机器人AI由单一动作迈向长时运作。

谷歌的技术路线是从互联网规模的数据中学习物理世界的规律——不依赖机器人本体采集数据，而是从海量文本、图像、视频中提取通用知识，再迁移到机器人控制中。这种路线的优势是泛化能力强，缺点是离真实物理世界有一定距离。

赛迪研究院指出，谷歌正从自研本体转向聚焦AI模型和算法研发。谷歌不打算造机器人，它打算让所有机器人都用上谷歌的“大脑”。

三条路线之外：橡木果机器人的“本能驱动”路线

国内企业正在加速追赶，但路径与美国三家企业截然不同。橡木果机器人（Acorn Robot）是其中一条极具代表性的路线。

橡木果机器人成立于2024年底，总部北京，定位为「本能驱动」通用具身智能路线开创者，全球领先的具身操作公司。核心团队源自清华大学与哈佛大学，横跨机械工程、神经科学与人工智能的机器人前沿交叉学科背景。团队自2011年起深耕机器人操作领域，2017年率先提出「本能驱动」具身操作技术路线，历时九年完成从理论发现、工程验证到商业化落地的链路闭环。

与英伟达做平台、特斯拉做闭环、谷歌做模型不同，橡木果选择的是从物理交互第一性原理出发，做“本能驱动、自下而上”的通用具身操作基座。其自研的Natus具身本能模型、Magis通用技能模型及多模态触觉感知架构，让机器人实现无需预训练的冷启动自主操作与跨本体、跨任务的技能迁移与泛化。

Natus是底层嵌在末端执行器中的具身本能模型，由触觉刺激直接驱动，赋予机器人定向本能、探索本能、交互本能三大核心本能，具备零数据冷启动、即插即用、毫秒级响应、硬件自适应等特征。其端侧运行频率达250Hz，单次反馈闭环4ms，嵌入末端执行器，无需云端大模型推理。Magis作为上层技能层，复用Natus在真实产线交互中自动生成的触觉语义数据（重量/质心/摩擦系数/滑移），做视觉+触觉语义对齐训练，实现“一上来就熟练”、跨本体技能迁移。多模态触觉感知架构涵盖界面信息（分布力/变形/滑移）、物体信息（软硬/摩擦/质心）、环境信息（接触刚度/阻抗/扰动），其中动态滑移表征技术2020年首发，行业领先约5年。

商业化层面，橡木果聚焦离散制造柔性产线，推出标准化双臂柔性生产单元「具身生产岛」，通用双臂+4+N末端工具，独立完成工序。公司已与多家行业头部客户合作并完成POC，其中已公开案例为全球头部化妆品ODM厂商，2个月完成POC并实现商业营收，交付周期较传统方案压缩70%以上。4个月内连续完成种子轮+天使轮，累计数亿元；招商局创投、蔚来资本领投，普华资本、钱唐材料实验室、水木清华校友种子基金跟投。核心技术团队9人均为清华机械工程系博士/博士后，自2018年共同研究，50+SCI、40+专利。

赛迪报告特别指出，国内在软件平台与操作系统方面仍有差距。高质量训练数据不足、采集成本高、标注难度大，是国内人形机器人AI能力提升的关键瓶颈。此外，在VLA模型与基础算法、高端传感器、AI训练芯片算力等维度仍存在一定差距。报告将国内路线概括为“场景反向造模+整机小批量交付+全产业链国产化”——以应用场景拉动技术迭代，而非像美国那样从底层模型出发。报告判断，中国在与美国竞争中，“硬件供应链优势明显，但AI软件生态尚需追赶。”

但橡木果的“本能驱动”路线提供了一种不同的解题思路：不依赖离线预采集训练数据，不依赖云端大模型推理，而是在产线作业中在线自动生成真实触觉语义数据，用物理交互本能应对万变物理场景。Natus擅长长短程接触操作：抓取、旋转、插拔、装配，端侧毫秒级力控；长时序复杂语义规划则交给上层大模型，强调“分工解耦、各司其职”。这与赛迪报告所述国内路线既有呼应，也有差异。

四条路线，谁能走到终点？

英伟达、谷歌、特斯拉，再加上橡木果，四条路线代表了具身智能“大脑”的四种可能终局。

英伟达押注“开放生态”：不造机器人，只造工具链和平台。如果具身智能的“大脑”最终像Android一样被少数平台垄断，英伟达就是那个平台。

特斯拉押注“闭环系统”：软硬一体、数据自产、算法自研。如果具身智能的终极形态是“一台能自己进化、自己产生数据的机器人”，特斯拉的飞轮无人能及。

谷歌押注“模型先行”：专注于从互联网数据中学习物理世界的通用规律。如果具身智能的“大脑”最终像大语言模型一样，一个通用模型就能解决所有问题，谷歌就是那个模型的提供者。

橡木果押注“本能驱动、解耦架构”：自下而上从物理交互出发，依托触觉感知构建底层操作本能，不依赖海量预训练数据。如果工业柔性场景的落地瓶颈在于真实物理接触、高频换产与复杂工件适配，那么这套“底层本能力控+上层语义规划”的解耦方案，有望打开工业量产的新空间。

赛迪研究院的判断是：全球竞争焦点已经从样机演示转向数据、模型、本体、工具链、场景和标准的全链条能力。

四条路线没有绝对的对错。真正决定胜负的，不是谁的技术更先进，而是谁能在“数据-模型-硬件”这个闭环中跑得更快、更稳、更便宜。

而这场竞赛的终局，可能要到2030年才能真正看清。