具身智能大模型是人工智能领域的重要发展方向，其发展历程从20世纪50年代的概念萌芽逐步发展到如今的多模态融合与复杂任务规划。具身大模型基于Transformer架构和预训练技术，通过强化学习实现机器人在复杂环境中的自主决策。具身大模型有端到端具身模型与分层模型两条路线，其中端到端具身模型将感知、推理、决策和执行集成于一体，通过大规模多模态数据训练，能够直接从输入到输出进行映射，减少了中间环节，显著提高了系统的效率和响应速度，但其需要海量的训练数据，成本较高，叠加模型的复杂性，可解释性较差。相比之下，分层模型则在模块化、可维护性和灵活性上表现更好，适合需要逐步优化和灵活调整的复杂任务，但系统复杂性和性能开销相对较高。为此，短期内分层模型更加适用，而长期看端到端具身模型有望广泛使用。
　　具身智能大模型的发展高度依赖于高质量的真实数据。具身机器人数据通常包括多模态信息，如视觉图像、自然语言指令、触觉反馈以及机器人的动作数据等，这些数据帮助机器人学习感知、决策和执行任务的能力，提升其在复杂环境中的适应性和泛化能力。然而，具身机器人数据面临数据稀缺性、采集成本高、标注复杂等挑战，其规模和多样性相对不足。数据采集可以类比为一个金字塔结构，最底层是互联网数据和生成数据，中层为动作捕捉数据，顶层是遥操作数据。2024年，全球多家机构发布了多个高质量的具身智能数据集，叠加人形机器人训练场建设如火如荼，机器人智能化有望加速。
　　动作捕捉技术是具身智能数据采集破局的关键手段。动作捕捉系统分为机械式、声学式、电磁式、惯性传感器式和光学式五大类，其中光学式与惯性式动作捕捉系统因其高精度和高效率被广泛应用。在具身智能机器人领域，动作捕捉技术通过遥操作和虚拟本体数据采集，为机器人提供了高质量的训练数据。例如，特斯拉利用动捕系统训练人形机器人，智元机器人通过动捕系统采集数据用于虚拟本体训练。动作捕捉技术不仅提高了数据采集的效率，还降低了数据清理的成本，为具身智能机器人的发展提供了有力支持。
　　相关标的：凌云光、奥飞娱乐、利亚德等。
　　风险提示：人形机器人产业化进展不及预期；动捕设备技术升级速度不及预期；下游行业景气度波动