事件描述
　　7月28日，谷歌DeepMind团队发布RT-2机器人大模型。RT-2是2022年发布的RT-1机器人的升级版项目，是首个用视觉-语言-动作(VLA)模态来控制的机器人大模型。RT-2模型控制的机器人具备符号理解（Symbol understanding）、推理（Reasoning）和人类识别（Humanrecognition）三大能力，可以识别理解并泛化从未见过的物体，完成基于数学与图片的逻辑推理，识别理解人类客体。
　　事件评论
　　RT-2是首个用视觉-语言-动作(VLA)模态来控制机器人的大模型。RT-2机器人复用了RT1的训练数据，将机器人运动数据作为一种模态，混合编入PaLI-X多模态大模型和PaLME多模态大模型的语言-图像大模型（VLM），并通过联合调参的方式构建出VLA模型。调参得到的RT-2大模型展现出了较强的性能，符号理解、推理和人类识别的能力相比于RT-1模型的性能提升了约2-3倍。此外RT-2还具备较强的思维链能力，可以完成多步骤逻辑推理；模型在输入图像数据后会首先输出语言规划结果，再把语言规划结果分解成机械臂动作完成。
　　RT-2大模型融合了人形机器人的两条技术路径。目前人形机器人存在两条技术路径：1）运动控制优先，主要用于工业、巡检安防等场景，对机器人动作强度、精度要求较高，此类机器人软件部分搭载了传统的感知、决策、规划算法；2）人机交互优先，主要用于接待、客服等场景，对机器人内容生成、逻辑推理要求较高，此类机器人软件部分搭载了文本-图像大模型（VLM）。RT-2大模型融合了两条技术路径，将机器人动作融入视觉-语言大模型，可以在人机交互能力上较好地完成对机器人的运动控制。
　　大模型有望彻底颠覆人形机器人开发范式。当前机器人的感知、决策、控制系统由大量传统算法组合而成，如SLAM算法、路径规划算法等；而传统算法模型即使经历大量的训练，仍存在较多小概率场景（corner case）难以覆盖，泛化能力较低。大模型的出现有望彻底颠覆机器人的软件开发范式。预训练后的大模型具备较高的泛化能力，可以应对从未见过的任务场景，有望大幅度降低了算法开发的复杂度，同时可以简化合并算法模型数量，提升开发效率。
　　软件算法在人形机器人产业链上具备较高价值量。当前人形机器人产业链的硬件部分已有商业化落地的方案，产业驱动逻辑在于量产规模效应实现降本；而软件部分尚无成熟的技术方案，因此成为限制人形机器人发展的主要瓶颈。未来随着大模型的渗透率提升，机器人智能化程度有望大幅度提高。参考智能汽车领域的“软件定义汽车”逻辑，软件算法或成为人形机器人厂商的技术护城河，是机器人主机厂实现产品差异化的关键因素。
　　风险提示
　　1、人形机器人技术突破不及预期；
　　2、人形机器人产品需求不及预期。