由深圳市人民政府主办的第二十七届高交会于2025年11月14日-16日在深圳举行。作为高交会的重要论坛“中国高新技术论坛”于11月14日举办，论坛主题为：人工智能赋能未来产业发展”。首席数据官吴邦毅谈到，从行业趋势来看，具身智能的发展正朝着更高阶的方向迈进 —— 从 “被动感知” 转向 “主动感知”。
这一趋势也推动着产业快速扩张：截至 2024 年底，中国从事具身智能领域的企业已超 45.17 万家，且数量仍在持续增长。预计到 2029 年，中国在具身智能及领域的市场份额将占据全球半壁江山。
不过，他指出，产业爆发的背后，核心瓶颈也日益凸显。当前具身智能（尤其是人形机器人）领域主要分为 “大脑、小脑、本体、传感” 四大板块，对应感知、决策、执行、应用层面，而行业普遍面临两大亟待解决的问题：其一，平台与标准缺失。其二，3D 数据极度匮乏。
针对行业里的问题，天娱数科专注在具身智能赛道里关注基础设施建设。提出了“ABC组合”：A是Assets（数据资产），目前BehavisionPro平台已积累超150万条3D数据和65万条多模态数据，形成分层次、多维度的数据生态，构建 “技术研发 - 数据积累 - 场景验证” 的创新闭环；B是Behavior（行为决策），代表整个模型和算法如何应用在机器人上；C是Client（客户端），希望通过端口做到机器人的安卓时代，通过平台使用模型支持各式各样的具身智能企业。
以下为演讲实录：
吴邦毅：大家好，今天跟大家分享我们在具身智能领域的一些探索和研究以及我们所获得的成果。演讲分几部分：一是讲讲我们对于行业的一些理解和背景；二是分享一下我们的科研方向。
提及具身智能，2024 年春晚舞台上的人形机器人让这一概念走进大众视野，但事实上其技术体系早在 20 世纪 90 年代就已由美国、日本率先探索。吴邦毅指出，具身智能的发展历经了角色的关键转变：上一阶段，机器人主要承担工厂、车间里的重复性抓拿取放工作，是 “替代人类劳动的工具”；而随着大模型技术的突破，无论是文生文大模型还是大语言模型，都让机器人升级为 “能辅助决策的伙伴”。
从行业趋势来看，具身智能的发展正朝着更高阶的方向迈进 —— 从 “被动感知” 转向 “主动感知”。
当前无论是重复性劳动机器人还是决策辅助机器人，都依赖人类主动提出需求，而未来的智能体将能主动感知物理空间、自主决策，深度融入日常生活。这一趋势也推动着产业快速扩张：截至 2024 年底，中国从事具身智能领域的企业已超 45.17 万家，且数量仍在持续增长，预计到 2029 年，中国在具身智能及机器人领域的市场份额将占据全球半壁江山。
不过，产业爆发的背后，核心瓶颈也日益凸显。当前具身智能（尤其是人形机器人）领域主要分为 “大脑、小脑、本体、传感” 四大板块，对应感知、决策、执行、应用层面，而行业普遍面临两大亟待解决的问题：
其一，平台与标准缺失。当前人形机器人形态各异，身高、臂展等参数没有统一标准，即便腰部设计逐渐收敛，也未形成行业共识。这直接导致训练方式碎片化 ——2020-2024 年主流的 ACT 模仿学习，以及 DeepSeek 出现后可行的预训练模型强化学习，均依赖企业用自有形态机器人采集数据、训练模型，最终造成模型泛化能力弱，难以跨设备复用。
其二，3D 数据极度匮乏。吴邦毅与李飞飞博士交流后达成共识：AGI 要迈入工业化，离不开空间智能大模型的支撑，而空间智能大模型的发展，核心在于数据。目前文生文 2D 模型已基于 50-80T 的人类文字数据训练，但 3D 带深度信息的数据却极为稀缺 —— 即便是全球头部企业，也仅拥有千万级量级，这种 “关键数据短缺” 的现状，严重制约了空间智能大模型的迭代。
天娱数科针对以上问题做了很多思考，先给大家分享一个短片，是我们的一些研究方向及成果。
（短视频播放）
针对行业里的一些问题，我们专注在具身智能赛道里，会关注基础设施建设，就像刚才分享的3D数据是我们非常稀缺的资源，同时是非常关键的资源。所以我们ABC的组合，A叫Assets就是数据资产，目前BehavisionPro 平台已积累超 150 万条 3D 数据和 65 万条多模态数据，形成分层次、多维度的数据生态，构建 “技术研发 - 数据积累 - 场景验证” 的创新闭环。其中，3D 铰接数据集不仅位列 HuggingFace 全球下载榜前列，更入选《北京市行业高质量数据集典型案例》。
B就是Behavior（行为决策）代表整个模型和算法如何应用在机器人上，C是Client（客户端）是我们希望通过端口做到机器人的安卓时代，通过我们的硬件能够把模型再通过平台支持各式各样的具身智能企业。
为什么我说技术有比较大的变革？最早我们用模仿学习时，用ACT，它也是Transformer的一种，这个步骤里要采用很多技术人员戴穿戴设备遥控操作，主要目的是让机器人更好的学习人类的一些动作。
分享一组数据，大家就能有直观感受，为什么机器人训练的真机这么贵。训练一个机器人，比如它从冰箱里拿苹果的动作。一个熟手技术人员平时要做一组动作大概是30秒到1分半，我们需要50-100组数据，再以人眼一秒24帧的数据进行拆分，这就可以推断出来训练一组真实的数据模型，大概这个动作就需要10万条以上。虽然今年的整体成本在不断下降，但真机数据的采集成本相对偏高，所以我们采用了很多仿真数据。天娱数科也有自己比较大的优势，因为我们2021年做的是元宇宙方向，在元宇宙还有动捕过程中积攒了非常多数据。尤其是动作捕捉，我们当时的动作捕捉更多用于影视、娱乐、游戏，后来通过我们的技术改进以及回顾数据库时，我们发现可以通过这个方式把以前动捕的动作映射到机器人的关节上，为此做了非常多贡献。
3D数据板块，包含了很多模型数据、空间数据、仿真数据、导航数据，我们在3D领域做了很垂直的一段工作，就是铰接数据板块。以前的3D模型基本上是通过扫描移扫一个点云仪，用于3D打印或者影视娱乐，但对于机器人的3D模型，没有任何意义，所以我们需要做很多额外的动作，让机器人理解这个物品在3D物理环境下到底是怎么样进行运行的。比如一个垃圾桶、一个微波炉，我得让机器人知道哪里是关节位置，哪里可以进行抓拿取放，哪里可以进行开合和扭转，这样机器人才能更好的进行操作。不单单在3D模型里只做视觉还原，还做了部件化的拆解，还构建了很多物理目标，最关键的是添加了物理属性的标签，比如摩擦力。
再回到数据集，不单单是真机数据，还有仿真数据，我们现在采用的是Sim形式，主要是仿真数据可以较低成本，但落在真实物理环境下会有一些数据上的缺损，虽然现在能做到90%-92%，这个技术我们还在不断推进。
铰接数据，像垃圾桶，先做垃圾桶的模型，然后拆分成几个板块部件化，铰接部分添加物理属性和相应结构标签，让机器人更好的理解。
这是Behavior平台，通过大量3D数据、动捕数据、铰接数据训练自己的模型，希望通过这个平台能支持很多各式各样形态的机器人执行很多任务上的规划。
我们自己做了很多Large Language Model和Vision Language Model结合。
举例，机器人在执行真实世界的任务中，通过Large Language Model去做长轴任务规划。我现在想要机器人去我的卧室拿我的手表或者充电器，它会做路径规划、动作执行规划，但机器人在真实物理世界里执行任务并不会那么顺利。比如今天我的充电器上压了一本书，这时间就需要我们有很多短轴任务上的规划，Vision Language Model会在这个时候起作用，然后重新规划机器人的一些短轴上冲突型的任务，再回到长轴任务里，进行整个任务的完成。这是我们模型里非常关注的一块，就是让机器人能够更加智能。
我们相信未来一定是多种形态机器人的组合，海陆空都有。我们也希望通过我们做的大脑和视觉模组，能够做到一体机的概念，未来能够像即插即用的状态能够赋能百行千业万家，今天我的介绍就到这里，谢谢！
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
还没有评论，来说两句吧...