(AI機器人科技競爭新賽道,系列之一)
高階人形(AI)機器人:空間智能與大語言模型的異質融合,作為中美科技競爭新賽道
一、起點:李飛飛的空間智能與世界模型論述,厘清其定位
近年李飛飛團隊提出空間智能與Marble世界模型,在學界與產業界引發熱議。許多討論容易陷入一種誤解:空間智能會取代大語言模型,成為人工智慧的核心心智。但若回顧技術脈絡便可發現,世界模型、空間感知與物理交互預測,並非全新創設的理論方向。早在多年前,楊立昆(Yann LeCun)便提出世界模型的宏偉構想,DeepMind與眾多學術團隊陸續展開視頻預測、環境狀態推演的原型研究;人形機器人領域,行為克隆、模擬到真實(Sim-to-Real)的具身模型,也早已累積大量實驗成果。李飛飛團隊的貢獻,是將可交互的三維場景重建技術產品化,推廣「空間智能」這一概念,屬於這條賽道重要的加入者,而非開創者。
空間智能的核心能力,是理解三維場景、物體的位置與姿態,預測物體受外力後的移動、碰撞、變形等物理後果,供機器人做出動作決策。以人類心智作為參照,空間感知屬於底層、附屬的認知能力;人類真正的高階心智,包含語言符號推演、長時程任務規劃、價值排序與思想建構,仍然以語言體系為主體。對應到人工智慧體系,即便空間智能技術成熟,也僅作為感知、物理推演與動作執行的底層模組;高階思想、價值判斷與長遠任務拆解,仍由大語言模型承擔。
參照《論公地之政治經濟學:典範革命的雙重門檻》的分析框架,對於高階人形機器人這一新賽道,雙重門檻的內涵需要重新界定:內邊界是異質模塊之間整合能力的競賽;外邊界則是各方爭相構建護城河、塑造產業路徑依賴的競賽。單一子模型的突破,不等於跨越內邊界;擁有硬體與數據,也不等於建立外邊界。
二、中美兩國投入空間智能、世界模型的產業現況
空間智能與具身世界模型,已經成為中美AI產業的重要分支,兩國研發路線、商業策略呈現明顯差異。
美國方面,整個賽道承續LeCun的世界模型理論脈絡,代表性項目包含李飛飛World Labs的Marble、NVIDIA GR00T、Tesla Optimus、Google Gemini Robotics。美國團隊多偏向閉源產品化路線:Marble主模型採閉源API調用,僅開放配套的3D渲染函式庫;NVIDIA、Tesla、Google的方案,大多依託自身GPU生態、雲端服務與硬體產品,整套技術鏈的核心模型權重並不對外開放。美國的優勢在於算力底層、成熟的模擬器工具鏈;短板則是真机交互數據收集成本高昂,閉源模式會抬高外部廠商接入的門檻。
中國方面,代表性項目有宇樹UnifoLM、大曉機器人Kairos世界模型、字節Seed團隊VLA與自研世界模型、流形空間等團隊的通用3D世界模型。國內賽道的顯著特色,是大量基座模型採取開源策略,研發目標更聚焦人形機器人全身移動、家居場景操作。國內團隊的優勢,在於開源基座能夠快速吸引開發者共建生態;共同短板則集中在長時程因果推理、物體抽象意義與價值排序能力不足,人形硬體、真机數據採集、全行業統一標準仍是普遍瓶頸。
兩國面臨共同的技術挑戰:單獨的LLM或單獨的空間世界模型都已經有可觀能力,但兩者異質整合的穩定性仍然不足。模型能夠分別看懂文字與場景,卻難以在長鏈交互任務中,持續保持高階規劃與空間動作的一致性,這正是本賽道內邊界的核心難題。
三、微觀案例:宇樹科技UnifoLM的商業路徑,利弊分析
宇樹科技UnifoLM系列,是國內這條賽道典型的微觀樣本,其策略為基座開源,硬體本體與底層控制閉鎖。UnifoLM分為WMA(世界模型+動作)、WLA(世界-語言-動作)、VLA(視覺語言動作)三個子系列。WMA負責空間場景預測、物理交互推演;WLA融合語言指令,完成從語言任務到機器人全身動作的轉換;VLA則處理視覺、語言、動作的即時映射。宇樹開放模型權重與推理程式碼,可供學界、開發者下載二次微調;但機器人固件、完整後訓練流程、產品化套件,維持閉源。
這套開源策略,有其明顯益處。第一,降低外部團隊的入場門檻,學界與小型開發者不必從頭訓練具身世界模型,可以直接在UnifoLM基座之上驗證空間智能構想,吸引開發者圍繞模型接口開發,有機會將UnifoLM推為行業事實標準。
第二,藉由外部社群廣泛測試,大量挖掘企業內部測試無法覆蓋的邊界場景,反饋模型缺陷,降低宇樹自身的測試成本。
第三,形成「模型帶動硬體」的正向循環:開源模型吸引開發者採用G1人形機器人做驗證,模型開源,但機器人本體是宇樹的商業護城河。
第四,在世界模型這個新興國際賽道,以開源基座對抗海外閉源API,爭取中國在具身智能領域的國際話語權。
開源策略同時伴隨顯著弊端。.:
其一,競爭對手可直接下載基座,在其基礎上二次微調,大幅縮短研發追趕週期,稀釋宇樹的技術優勢。
其二,模型開放後,第三方可部署在不同硬體,一旦機器人發生碰撞、安全事故,容易引發模型源頭的責任爭議。
其三,競爭者可透過消融實驗,拆解模型架構、暴露技術短板。
其四,基礎模型本身難以直接收費,商業獲利只能依賴硬體銷售與定製服務;若大量廠商使用UnifoLM,卻不採購宇樹G1機器人,等於免費協助競爭者搭建技術底座。
以修正後的雙重門檻框架檢視:宇樹在子模型層次取得不錯成果,但內邊界的異質整合挑戰仍在。而其開源策略,本質上是爭取跨過外邊界,試圖搶先行業生態,建立路徑依賴。至於能不能成功建立護城河,還要看後續產業參與者的選擇。
四、大語言模型廠商入局高階人形機器人的態勢(中美對照)
高階人形機器人採用「快慢雙系統」架構,已經成為全球產業共識:慢系統即大語言模型,負責自然語言理解、長時程任務拆解、邏輯推理與價值判斷。快系統是空間世界模型與動作控制器,負責即時三維感知、物理預測、全身動作執行。中美頭部大模型企業,基於自身資源稟賦,選擇了截然不同的入局路徑。
中國方面,代表性企業為DeepSeek與字節跳動Seed團隊。DeepSeek並不研發機器人硬體,也不獨自開發空間世界模型,其定位是提供高階心智基座。透過戰略投資宇樹科技,形成產業聯盟:DeepSeek開源大模型作為上層心智主體,負責長遠規劃與邏輯推演;宇樹UnifoLM做底層空間感知與動作輸出,兩者組成完整的快慢雙系統。DeepSeek的核心考量,是專注自身強項——數字世界的推理、程式與Agent能力,避開人形硬體、真机數據採集的高昂成本。
字節跳動Seed團隊則採取更完整的全鏈路布局,同時自研上層大語言、空間世界模型、VLA視覺語言動作模型,並研發ByteMini實驗機器人與ByteDexter靈巧手。字節的思路,是一體化驗證整套快慢雙系統架構;同時透過火山引擎,將豆包大模型、多模態與具身模型打包為MaaS服務,開放給第三方機器人廠商,並投資宇樹、自變量等機器人企業。
美國方面,OpenAI選擇與Figure人形機器人合作,採閉源商業聯盟模式:OpenAI大模型負責上層任務規劃,Figure負責硬體、感知與動作控制。NVIDIA推出GR00T具身參考架構,供眾多機器人廠商使用,依託GPU算力生態做底層支撐;Tesla Optimus、Google Gemini Robotics,也採用類似的上下層分離架構,多數維持核心模型閉源。
綜觀中美頭部企業的選擇,儘管商業模式不同,背後的底層邏輯一致:高階心智主體由大語言模型承擔,空間世界模型作為底層附屬模組。各家的競爭重點,不只是單個模型的性能,而是不同模塊之間的異質整合能力,也就是本賽道的內邊界。
五、異質融合架構下的戰略推論:開源對閉源,中國在人形機器人賽道的潛在優勢
高階人形機器人,並非單一巨型模型,而是一套異質整合系統。大語言模型做為主體,承擔語言理解、長程規劃、價值判斷等高階心智功能;空間世界模型做為附屬底層,負責三維感知、物理後果推演、機器人動作執行。兩者各司其職,不可倒置。
當前中美AI產業出現兩種競爭路徑:美國主流為閉源大模型搭配API商業模式;中國已經形成成熟的開源大模型生態,DeepSeek等基座可全球開放使用。
這裡提出一項條件式推演:若中國開源大模型體系,在全球競爭中勝過美國閉源AI,將為中國在高階人形機器人賽道帶來重大戰略優勢。全球機器人廠商,可自由取用成熟的開源心智基座,搭配國產空間世界模型與人形硬體,繞過美國閉源模型的使用許可、高昂API費用與生態封鎖。整套人形機器人產業鏈,將建立在開放、低成本的軟體基座之上,加速全球生態擴散,更有機會搶先建立產業護城河,塑造路徑依賴,跨過外邊界。
但必須同時做辯證補充:即便開源模式帶來這一潛在優勢,仍會受到雙重門檻的約束。內邊界的挑戰是異質系統整合,即使子模型都很強,LLM與空間世界模型之間的長時程協同仍然難題重重;外邊界的競爭,是誰先建立護城河與路徑依賴,開源只是手段,並非必然保證成功。
結語
高階人形機器人,是大語言模型與空間世界模型異質融合的全新賽場,也將成為下一階段中美科技競爭的核心領域。這場競爭,內層比拼的是異質模塊整合的穩定性與一致性;外層比拼的是誰能夠優先建構護城河、塑造產業路徑依賴。兩重門檻必須依序推進,若無法完成異質系統的可靠整合,就無從談及生態鎖定;反之,就算整合技術成熟,若無法吸引產業依附,也難以形成持久的競爭優勢。
這一推演,延續雙重門檻框架,並依據新賽道的特性重新界定內外邊界的內涵,讓整套論述前後一貫。