天猫配资具身觉醒：AI 从感知到行动的能力跃迁

本文摘自《云栖战略参考》天猫配资，这本刊物由阿里云与钛媒体联合策划。目的是为了把各个行业先行者的技术探索、业务实践呈现出来，与思考同样问题的“数智先行者”共同探讨、碰撞，希望这些内容能让你有所启发。

具身智能，正成为 AI 革命的核心共识与下一站锚点。当 AI 技术从数字世界迈向物理世界，硬件恰是这场跃迁中智能体与物理环境交互的关键载体。这一趋势，正沿着三条核心赛道加速落地，并呈现出技术复杂度和成熟度的差异。

智能硬件以智能手机、PC、AI 眼镜为代表，从设备工具升级为场景伙伴，依托成熟的端云协同架构、实时数据处理能力与轻量化模型部署，实现多模态智能交互并提供更多场景化服务，正迈向规模化落地阶段；智能驾驶系统，在端到端大模型驱动下正逐步实现局部自主决策，并开始展现出超越预设规则的自主应变能力，但模型泛化性与安全性仍需持续优化，对高弹性算力集群与多源异构数据融合也提出更高要求；机器人技术突破门槛最高，算力层面需构建云边端深度协同的架构，数据层面需解决多模态真实场景数据的采集、合成与处理的问题，模型层面则要同时兼顾复杂推理与运动控制，当前核心是突破从实验室原型到产业落地的关键跨越。

尽管当前三大领域技术收敛节奏不同，业界在路线选择与细节落地中仍存在分歧，但一个共识已然形成，三条赛道最终将指向同一个未来：AI 将不再局限于屏幕内，而是在真实物理空间中完成“感知 - 决策 - 行动”的完整闭环，进化为可在现实世界自主行动的智能体，而支撑这一闭环的，则是一套由算力、数据、模型深度协同融合构成的下一代全栈 AI 技术体系。

作为全栈人工智能服务商，阿里云正致力于为这场革命构建一个统一的能力支柱，其全栈 AI 服务体系不仅提供澎湃算力，更整合数据平台与持续进化的基础模型能力，实现从底层算力调度到上层场景化智能输出的全维度支撑。在 2025 云栖大会的系列分论坛中，来自 AI 硬件、汽车、机器人领域的实践分享，共同勾勒出具身智能的清晰未来：一场由 AI 硬件打破交互边界、智能驾驶重塑移动空间、机器人赋能千行百业的具身智能大幕，已然开启。

AI 硬件：从功能设备到智能伙伴

在具身智能的框架下，最贴近用户的智能硬件正经历一场本质性的身份转变。算力、模型、开发平台一体化的智能底座，为这些新物种提供了体验的想象力。这也标志着智能硬件不再是一个个独立的设备，而会在不久的未来融入一个能够自我进化、跨端协作的“超级生命体”。

2025 年，AI 硬件无疑是厂商押注、资本涌入的核心战场。洛图科技(RUNTO)此前曾预测，中国 AI 硬件(不含 AI 手机、AI 汽车)市场规模今年将首次突破万亿元，五年内将继续保持高速增长。与之前的 AI 硬件热潮相比，这次的趋势清晰可见：终端设备从功能执行者向智能伙伴的跃迁。

这场变革的核心，是设备从被动响应走向主动服务。荣耀 MagicOS AI 首席战略官王皑用一个生动的场景描绘了这种变化:“昨晚我在杭州看书，觉得灯光太暗，只需对手机说‘帮我处理一下’，它就能自动调整到护眼模式、夜景模式，整个过程无需任何手动操作。这种‘一语解千愁，万事找 YOYO’的体验，标志着硬件正从需要用户学习的复杂工具，转变为理解用户意图的智能伙伴。”

在教育硬件领域，这种变革尤为明显。AI 学习机之所以能在大模型时代迎来新的爆发，关键在于它精准切中了传统学习机未能满足的深层需求。视源股份消费者 BG 总裁邱澈分享了一个典型案例：“低龄儿童的学习机过去很难做，因为孩子没有固定的成长路径。现在通过大模型，我们可以基于孩子的信息和学习诉求，动态编排学习计划。”这种个性化能力的实现，让硬件从标准化工具变成了懂用户的学习伙伴。

智能手机作为 AI To C 的第一入口，正在经历从功能叠加到体验重构的深层 AI 化变革。在全球排名 Top10 的手机厂商中，包括传音、OPPO、vivo、荣耀等在内的 9 家厂商都与通义大模型展开了深度合作，这绝不是一种巧合。

随着 AI 技术和 Agent 发展，手机会成为具备自我进化能力、更懂用户的智能体手机。除了硬件和生态能力之外，厂商还推动操作系统向智能化演进，以系统级 AI 让操作系统能够成为一个超级入口，通过智能体感知及理解用户的意图、周围环境，让操作系统能通过 AI 内核能力来对硬件、软件、应用及服务按需索取，恰如其分地为用户调用和协同智能体。

在百花齐放的硬件形态中，AI 眼镜无疑是最引人注目的新品类之一。它正在试图重新定义“下一代人机交互的入口”。在这个竞争激烈的赛道里，雷鸟创新等品牌正通过差异化的产品逻辑卡位市场。雷鸟深度使用了阿里通义系列的多模态大模型，视觉理解和问答准确率达 98%，同时通过系统级优化，从意图理解到信息返回，所需时间控制在仅 1.3 秒内。这种技术突破让 AI 眼镜开始从新奇迈向实用，在导航、即时翻译、智能提醒等高频刚需场景中验证其价值。

支撑这些智能终端进化的，是全栈 AI 云服务提供的强大技术生态。通义大模型与阿里云全栈 AI 云服务共同带来的“模型 + 基础设施”协同优势天猫配资，能够让智能助理更精准地理解意图、更流畅地实现多模态交互、更可靠地执行场景化服务。

36 氪研究院院长邹萍表示，通过整合云端大模型和端侧大模型，AI 可以根据场景需求灵活调用算力资源，简单实时、隐私性要求高的任务在端侧完成，复杂任务则交给云端。这种架构既保证了响应速度，又兼顾了计算能力，为智能终端的体验升级提供了坚实的技术底座。

AI 硬件凭借云、模型和端侧优化等技术从功能执行者向智能伙伴跃迁的过程中不可忽视的一个关键词是生态。如今，AI 硬件厂商新的竞争焦点，就是构建以硬件为入口的生态体系，通过整合内容、数据与服务，进一步拓展智能终端的场景边界与用户黏性。不只是 AI 教育厂商，构建 AI 生态已经成为很多智能硬件领域的共同选择。做 AI 生态不仅是在推动硬件功能升级，也从底层重构了智能设备的价值逻辑——从单一执行走向系统协同，从工具属性转向场景服务。

然而，AI 硬件的发展仍面临挑战。在硬件堆叠、续航功耗、成本控制等方面，行业仍在寻找最佳平衡点。论坛上提到了“不可能三角”的困境——在有限的空间内，功能、功耗和成本难以兼顾。大模型的小型化和隐私保护是需要持续突破的技术方向。

在阿里云的推动下，智能硬件的技术边界也在逐渐清晰：不再追求“全能”，而是在产品创新中分化和深化场景。先让 AI 在硬件中变得实用和不可或缺，再让这些会思考、会执行的智能体与云端大脑协同进化，无声无感地融入生活，成为我们每个人的全能“智能助理”。

最好的技术隐于共生，最好的体验只会悄悄浮出水面。

关于未来入口的形态，会上提出了“软入口”的概念：未来 AI 的入口可能没有具体形态，而是像流水一样渗透在吃、穿、住、行中。通用硬件和专用硬件将协同发展，共同构成未来的智能生态。

智能驾驶：从规则编码走向能力涌现

当具身智能的理念进入移动出行领域，便催生了智能驾驶技术范式的根本性迁移。传统的功能堆砌和规则编码方式，在面对无穷无尽的现实长尾场景时显得力不从心。如今，以视觉 - 语言 - 动作大模型(Vision- Language-Action，简称“VLA”)为代表的数据驱动路径，正让智能驾驶系统像人类一样，获得在面对未知场景时举一反三的涌现能力，从一辆精密的机器，向一个拥有驾驶常识的智能体进化。

在 2025 云栖大会汽车行业峰会上，来自广汽与理想汽车等企业的专家不约而同地指出，传统智能驾驶系统虽然能在已知场景中稳定运行，但在面对未曾见过的陌生路况时，往往显得力不从心。端到端系统像是一位靠题海战术培养出来的学生，见过的题目都会做，但遇到新题就容易卡壳。而现实道路上的新题，恰恰是层出不穷的施工路段、潮汐车道、特种车辆通行等非标准化场景。

那么，如何让智能驾驶系统具备真正的应变能力？答案指向了以 VLA 为代表的大模型技术路线。VLA 模型的核心优势在于，它通过预训练注入了常识与推理能力，使其在面对未训练过的场景时，仍能作出合理判断。

来自业内的一个真实案例显示：在某次测试中，搭载 VLA 系统的车辆在连续绕过多个未预设路障时，展现出了接近人类驾驶员的决策连贯性——这不是靠预设规则实现的，而是模型能力的自然涌现。

这一变化，标志着智能驾驶研发从“人工写规则”迈入“系统自进化”的新阶段。阿里云智能集团的相关专家在会议中指出，VLA 结合强化学习的闭环训练体系，正成为下一代智能驾驶系统的技术基座。在仿真环境中，系统可以实现光速迭代，在虚拟城市中无限试错、持续优化，从而突破实车路测的数据瓶颈。有观点预测，未来一年内，VLA 技术将带来智能驾驶体验的十倍级提升。

不过，当前 VLA 技术路线中，关于“L”(Language) 的必要性其实还有一些争议。理想 CTO 谢炎在云栖大会主论坛圆桌对话中分享，语言是人类做泛化的基础，理想在 VLA 路线中做“L”的两个原因天猫配资，从技术层面来看是因为语言具备长链路的推理能力，需要语言的 token 输入输出是次要的；非技术原因是更容易实现价值观对齐。他认为极端情况很难靠数据或模型解决，而需要具备类似人的推理能力才能实现。

在谢炎看来，随着语言模型越大、思考链路越长，消耗的 tokens 就越多，结果就越好，因此车端就需要越来越强的算力，而且这个算力需求的增长轨迹可能不是线性的，而是指数级的。

事实上，无论是车端推理还是云端训练，对计算资源的需求都呈指数级增长。正如业内所见，能够构建万卡级算力集群的企业在全球范围内屈指可数，而具备研发基础大模型能力的科技公司更是凤毛麟角。算力规模，已成为参与高阶智能驾驶竞争的入场券。数据显示，美国头部企业已投入数万张 GPU 卡用于模型训练，而国内车企与方案商也在积极跟进。

与此同时，AI 也在重构汽车产业的成本结构。高固定成本、低边际成本的研发模式，使得软件与 AI 在未来整车成本中的占比持续攀升。有分析指出，在部分廉价车型中，软件与 AI 成本甚至可能占据整车成本的半壁江山。这一变化不仅影响产品定价策略，更在重塑企业的市场竞争逻辑。

值得注意的是，智能驾驶的能力涌现并不完全依赖于车端算力的堆砌。端云协同已成为技术演进的主流方向。在车端，算力需求正从百 TOPS 向千 TOPS 迈进，芯片架构也需高度适配大模型推理；在云端，训练与仿真所需的算力规模持续扩大，国产化替代与能效优化成为关键议题。阿里云发布的“全模态数据管理 + 多引擎一体化”平台，正是为了支持从数据采集、自动标注到模型训练与仿真的全流程闭环。

在这场技术变革中，车企的角色也在悄然转变。他们不再仅仅是硬件的制造者，更是软件能力的构建者、数据驱动的运营者。

例如，中国一汽从大模型中得到启发，把所有数据转换为 Token，这样就可以把不同模态的内容映射到同一套 Token 空间里。这样，企业运行中的上下文就能变得丰富很多，管理企业的模型有了长文本的支持，自然也就更聪明了。

未来，随着 L4/L5 级智能驾驶的逐步实现，汽车将彻底从移动工具转变为智能空间。用户可在车内办公、娱乐、社交，汽车成为家、办公室、咖啡厅的延伸。而支撑这一愿景的，正是智能驾驶系统从功能堆砌到能力涌现的持续进化。

机器人：从虚拟走向实体的关键跨越

机器人，未来将会是具身智能理念最纯粹、最完整的载体，也是 AI 真正融入物理世界的终极挑战。它要求智能体不仅要会思考，还要能动手，更能在不确定的现实环境中完成复杂的任务。当前，机器人领域正处在技术路径激辩与早期商业化探索的关键期，其核心议题是如何弥合数字智能与物理实体之间的最后一公里鸿沟。

阿里云智能集团公共云事业部副总裁、华北大区总经理高飞在云栖大会的具身智能论坛上点明了这一趋势的核心：具身智能已成为继大语言模型之后最受关注的赛道，是 AI 从数字世界突围进入物理世界的必由之路。他指出，这不仅是算法的升级，更是算法、模型、运动控制、制造与供应链等多方面能力的深度融合。

然而，这条突围之路并非坦途。高飞将行业面临的挑战归纳为四类：如何实现从单一任务到通用智能的智能涌现；如何界定软硬结合的边界；如何让机器人理解“炒一盘菜”这样的长程复杂任务；以及如何实现视觉、听觉、触觉等多模态的高效融合。这些问题，恰恰勾勒出机器人从虚拟智能走向实体智能所必须翻越的山丘。

在翻越这些山丘的技术路径上，行业出现了有趣的分化。最为激烈的争论之一，集中在机器人的大脑该如何构建。自变量机器人创始人 &CEO 王潜的观点主张端到端统一模型，即构建一个单一的、强大的模型来同时处理感知、推理与控制。这种观点认为，分层架构在复杂操作中容易因误差累积导致失败，而统一模型能更好地理解物理规律。

另一边，清华大学助理教授、星海图首席科学家赵行则倾向于分层模型架构。最初选择分层架构，赵行更多考虑的是现实部署约束，因为在端侧实时跑大模型受限于端侧芯片的迭代速度。通过大小脑分层、分别部署在边缘侧和端侧的设计，机器人更容易落地。此外，他认为分层架构更符合生物进化规律，毕竟人脑不同分区各司其职同样工作得很好。针对不同层之间能力无法互通、梯度无法回传的质疑，赵行表示这不是本质问题，可通过强化学习等技术解决。

同样深刻的分歧也存在于机器人学习的“食粮”——数据来源上。面对数据稀缺这一行业共识，形成了“真机派” 与“仿真合成派”两大阵营。真机派坚持以遥操或者互联网的形式获取数据，基于 VLA 做模仿学习；仿真派则相信合成数据可行性，在仿真环境中合成数据，用作模型训练，并大量使用强化学习。双方都有充足的理由坚持自己的路线。

后者坚信仿真环境的重要性：“没有仿真，我认为我们几十年内都无法制造出能在现实世界中发挥作用的机器人。”NVIDIA 机器人与边缘 AI 副总裁 Deepu Talla 在现场说道。仿真数据以其低成本、高效率和安全性，被视为规模化训练的基石。

然而，仿真数据的局限性同样明显。比如在涉及灵巧操作的任务中，仿真与真实数据之间可能存在几个数量级的效率差距。物理接触的复杂性，如形变、滑动、摩擦等，难以在仿真中精准建模。银河通用选择的路线是：先通过大规模仿真合成数据进行预训练，构建通用基座大模型，再利用少量高精度的真实数据进行后训练。通过这种方式，他们实现了良好的泛化性能，并且把真实数据后训练的样本效率提高到了 Optimus 的 1000 倍，大大降低了落地的边际成本。

千寻智能联席首席科学家解浚源的观点更为尖锐，只有真机数据实际去训练，才能训练出世界领先的模型。作为“真机派”的代表，解浚源甚至对“真机数据昂贵”的共识发起了挑战。“在国内供应链的支持下，把单个机器人成本打到 10 万以下是很容易的”，他将此与大模型厂商的万卡集群投入对比，认为将采集数据的机器人规模扩展到上千台，“绝非不可想象的成本”。

尽管技术路径存在分歧，但机器人技术在商业世界的落地已悄然加速，展现了从虚拟走向实体的初步成果。机器人在智慧零售场景中已能实现接单、拣货、打包的全流程自动化。在制造业中机器人在复杂工业环境中也已能够进行巡检、分拣和装配等操作。

当讨论从“如何造出一个机器人”切换到“如何量产千万台机器人”时，一个关键角色浮出水面——云厂商。高飞建议：“具身智能公司从第一天起就要做好云架构、AI Infra 的规划。”他洞察到，一旦行业迎来数据量的指数级增长，大多数源自科研背景的机器人团队将面临巨大的工程化挑战。

阿里云智能集团公共云事业部具身智能解决方案负责人王旭文进一步提到，阿里云最初诞生就定位为“以数据为中心的云计算”，之后深度入局的智能驾驶、AI 也都是数据密集型行业，如今大量具身智能数据涌来，他们已经有足够强大的基础设施和经验来从容应对。

回顾机器人的这场实体化跨越，我们看到的是一幅充满非共识却又充满希望的图景。这很像四五年前的智能驾驶，在特斯拉 FSD V12 推出后，技术路线迅速收敛。而机器人领域也会经历类似的过程，迎来属于它的“FSD V12 时刻”。

结语

未来的竞争，不再是单一产品的竞争，而是“终端 - 实体 - 空间”三位一体生态的竞争。

AI 目前正以硬件、汽车与机器人等形态为载体，推动智能从虚拟走向现实、从被动走向主动、从孤立走向协同。 AI 硬件正从功能设备进化为懂用户的场景伙伴，智能驾驶系统借助大模型实现从规则编码到能力涌现的跨越，而机器人则通过多模态融合与软硬一体化的探索，逐步突破物理世界的最后一公里。这三条路径共同勾勒出一幅未来智能生态图景。

在这一进程中，技术突破、数据闭环与场景落地将成为关键驱动力，而谁能率先构建算法、硬件与生态深度融合的体系，谁就将在 AI 赋能的实体化浪潮中，定义下一个智能时代的基本形态。

本文摘自《云栖战略参考》总第20期

扫码查看最新杂志