具身智能：AI的下一个浪潮
　　2023年5月，英伟达CEO黄仁勋表示，AI下一个浪潮将是“具身智能”。微软、Google、英伟达等大厂均开展了相关研究。微软基于ChatGPT的强大自然语言理解和推理能力，生成控制机器人的相关代码。英伟达VIMA基于T5模型，将文本和多模态输入交错融合，结合历史信息预测机器人的下一步行动动作。斯坦福大学利用LLM的理解、推理和代码能力，与VLM交互并生成3D value map，来规划机械臂的运行轨迹。Google具身智能路线较多，包括从PaLM衍生来的PaLM-E，从Gato迭代来的RoboCat，以及最新基于RT-1和PaLM-E升级得到的RT-2。
　　RT-1：第一代RT系列机器人
　　RT的全称是Robot Transformer，是吸收了包含机器人轨迹数据在内的Transformer架构模型。RT-1的主体包括：卷积神经网络（EfficientNet）、Token学习器和Transformer。RT-1的重要贡献之一是收集了大量的机器人真实数据。Google依靠自己强大的资金和科研实力，耗时17个月，在13台机器人上收集了13万条机器人数据，覆盖超过700个机器人相关任务。大量的机器人真实数据，保证RT-1在训练完成后具有良好的泛化能力。
　　RT-2：Google具身智能新突破
　　Google将RT-2定位为新型的视觉语言动作（VLA）模型，实现了视觉语言模型与机器人动作的结合。RT-2一方面吸收了VLM语义推理、问题解决、视觉解释能力，另一方面能够从真实的机器人动作中实现具身任务推理，且两方面能够相互促进。训练方式上，通过将机器人动作拆解为文本token的形式，实现了直接与视觉语言数据混合后输入VLM进行联合微调。此外，Google还专门开发协议，将模型部署在多TPU云服务实现实时推理。实验结果表明，基于现成的VLM模型PaLM-E和PaLI-X，RT-2取得了良好的泛化和涌现性能。
　　机器人数据来源与动作映射探讨
　　目前来看，机器人数据来源通常是真实数据和合成数据。Google在RT-1中耗费17个月时间收集了13台机器人的13万条机器人真实数据；GoogleRoboCat，会先收集100-1000个真实的人类专家示例，再合成更多数据；NVIDIAOPTIMUS使用任务运动规划系自动的合成一定数量的机器人轨迹数据；斯坦福VoxPoser则直接生成3D value map引导机器人动作。动作映射上，如果具身模型输出高于机器人低级别动作层级，则需要借助现成的策略或API来实现动作映射；如果模型输出已经在低级别动作层级，则通过简单的变换即可映射到机器人的具体动作。机器人是大模型重要入口和边缘侧的重要载体之一，相关标的包括：柏楚电子、中科创达和萤石网络。
　　风险提示：宏观经济波动，技术进步不及预期。本报告内容均基于客观信息整理，不构成投资建议。