人形机器人系列专题之具身模型:RT-2→OpenVLA→π系列的架构演进
请务必阅读正文之后的免责声明及其项下所有内容2026年11月15日人形机器人系列专题之具身模型RT-2→OpenVLA→π系列的架构演进证券研究报告 | 行业研究 · 行业专题 汽车 · 汽车零部件投资评级:优于大市(维持)证券分析师:唐旭霞证券分析师:孙树林证券分析师:傅嘉良0755-819818140755-819825980755-22940076tangxx@guosen.com.cnsunshulin@guosen.com.cnfujialiang@guosen.com.cnS0980519080002S0980524070005S09805261000022026年11月16日请务必阅读正文之后的免责声明及其项下所有内容Ø 科技大厂加速布局具身模型,通用模型能力持续向物理世界延伸。基础模型厂商、科技巨头依托在通用模型开发、多模态理解、算力平台与模型工程化方面的积累,持续向具身智能领域布局拓展,为机器人处理开放式指令和复杂场景提供更强基础。Google以Gemini Robotics ER 2与Robotics 2.5衔接高层推理和动作执行;NVIDIA以Cosmos、GR00T 2和Isaac Lab推进世界预测、动作生成与仿真训练协同;OpenAI GPT-6 Astra已被机器人公司用于探索机器人动作生成及高层规划;Anthropic Fable 5.2在仿真双臂评测和真机操作中能力明显提升;Apple通过HALO衔接任务规划、全身运动生成与运动跟踪,探索人形机器人分层自主执行。我们认为,科技大厂持续入局有望加速具身智能技术突破,大厂的通用模型、算力平台与工程化能力为具身模型研发提供更强支撑,有望加快模型迭代及机器人应用落地。Ø VLA模型将视觉观测与语言指令转化为机器人动作,成为具身模型重要技术路线。VLA是视觉-语言-动作模型,将环境理解和任务目标转化为动作输出,当前已成为具身模型的重要架构。VLA模型可分为一段式和分层架构,一段式架构在统一模型内完成理解与动作预测,强调统一表征和联合学习;分层架构通过子任务或中间目标连接高层规划与低层执行,强调任务分解与模块协同。Ø 通用模型具有较强的高层规划能力,推动具身模型S2/S1/S0分层协同。面向复杂、长时序任务,分层协同有助于兼顾高层推理与实时响应,提升技能复用和执行调整能力。通用大模型在语义理解、任务分解与复杂推理方面的能力,为System 2层理解任务目标、规划操作步骤和调整执行策略提供支撑;System 1层将高层目标转化为具体动作,System 0层负责实时运动控制,形成从通用认知到物理执行的协同链路。我们认为,随着通用模型能力持续提升,高层规划与动作执行分工的价值将进一步显现,推动S2S1S0的分层架构在复杂、长时序任务中加快应用,兼顾任务泛化、技能复用与实时响应,拓展机器人自主作业的能力边界。Ø π系列VLA模型分层架构逐步完善,高层规划与动作执行分工更加清晰,提升复杂任务自主执行能力。π系列是Physical Intelligence推出的代表性VLA模型,我们深度研究了π模型的持续迭代过程,梳理其在模型架构、训练方法与任务能力上的演进:π0采用视觉语言主干+动作专家架构,分别负责理解场景与指令、生成机器人动作;π0.5增加子任务预测,将任务拆解与动作生成结合;π*0.6在训练环节引入价值模型,帮助动作策略学习更有效的操作;π0.7进一步配置独立的高层规划模型与世界模型,通过子任务指令和目标图像引导动作生成。我们认为,π系列呈现出分层架构逐步完善的演进方向,高层规划与动作执行的分工更加清晰,并通过世界模型提供目标引导,兼顾复杂任务规划与具体动作生成,提升机器人自主执行能力。Ø 风险提示:具身智能模型进展不及预期、具身机器人出货量不及预期、具身数据采集进度低于预期、具身模型技术路线变化、行业竞争加剧。核心观点2请务必阅读正文之后的免责声明及其项下所有内容具身模型:科技大厂加速布局,通用模型向具身拓展01架构解析:一段式与分层架构,复杂任务凸显分层协同价值02VLA模型发展脉络:从RT-2到π系列的架构与能力升级03风险提示04目录3请务必阅读正文之后的免责声明及其项下所有内容Ø 具身模型是推动机器人从传统自动化执行向自主感知、认知与决策升级的核心技术,也是实现机器人智能化的关键。作为机器人系统的认知与决策中枢,具身模型承担环境语义理解、自然语言解析、长时序任务规划及多模块协同调度等高阶认知任务和控制功能,核心在于将人类开放式语言指令与多模态传感器获取的环境信息相结合,转化为可执行的任务规划与机器人动作,实现从人类意图理解到物理世界交互的完整闭环。Ø VLA模型(Vision-Language-Action,视觉-语言-动作)成为具身模型的重要技术路线之一。随着ChatGPT等大语言模型展现出强大的语义理解与推理能力,研究者开始探索将大语言模型(LLM)的语义推理、视觉语言模型(VLM)的环境感知与机器人控制系统的动作生成能力进行深度融合。2023年,Google DeepMind提出Robotic Transformer 2(RT-2),将视觉、语言与机器人动作统一编码为Token,并纳入同一Transformer架构,将机器人动作预测转化为自回归序列建模任务,实现了视觉语言预训练知识向机器人控制能力的迁移,显著提升了机器人对陌生物体和新任务的零样本泛化能力,推动了视觉-语言-动作(VLA)架构的发展。具身模型:机器人智能化的核心支撑,VLA成为重要技术路线图1:具身智能系统架构资料来源:刘国华等,《跨模态交互驱动的具身智能:视觉-语言-动作融合模型、数据与平台综述》,《集成技术》,2026,15(3):1-43;国信证券经济研究所整理图2:具身模型发展历程资料来源:Zuxing Lu等,《World-Action Models for Robot Learning and Control: A Survey》,arXiv,2026,1–19;国信证券经济研究所整理4请务必阅读正文之后的免责声明及其项下所有内容科技大厂加速布局具身智能,技术投入覆盖通用推理、动作生成及仿真训练。我们认为,大厂积累的多模态能力与开发工具有望降低机器人技能开发成本,真实交互数据和持续运行经验将进一步提高模型在复杂场景中的任务完成能力。Ø OpenAI的GPT-6 Astra被银河通用等机器人公司用于接入机械臂,尝试直接生成动作及协同VLA控制。Ø Google以Gemini Robotics ER与Robotics 2.5衔接高层推理和动作执行,利用Gemini 4 Argon辅助数字孪生构建和仿真实验。Ø NVIDIA以Cosmos、GR00T 2和Isaac Lab构建模型与训练工具体系。Ø Anthropic展示Fable 5.2在机器人操作中的能力。Ø Apple通过HALO探索视觉感知、全身运动生成和运动跟踪的分层系统。大厂布局:科技大厂积极入局具身,通用模型向物理世界加速拓展公司代表模型或项目具身方向与公开进展GoogleGemini Robotics ER、Robotics 2.5、Argon高层推理与动作模型协同,
[国信证券]:人形机器人系列专题之具身模型:RT-2→OpenVLA→π系列的架构演进,点击即可下载。报告格式为PDF,大小4.26M,页数36页,欢迎下载。



