前言：

随着大模型技术逐渐度过“尝鲜期”，开始加速深入各类业务场景之中，B端市场毫无疑问成为了大语言模型技术的主战场。

数字化转型的逐渐深入，B端企业在发展的过程中积累了大量行业与业务数据，而这些数据也成为了垂直领域大模型在B端企业落地生根的“沃土”。

作者| 方文三

图片来源|网 络

技术路径上，大模型呈现LLM-VLM-VLA 进阶特征，从文本理解、图像+文本多模态感知，逐步迈向“视觉-语言-动作”一体化的具身智能，核心是实现从虚拟语义到物理世界操作的跨越。

行业面临两大核心需求：一是“具身化”，机器人需掌握折叠衣物等人类看似简单的物理世界任务；二是“泛化性”，需适应多样化场景与任务，平衡通用大模型与垂域模型的应用边界。

当前主要瓶颈集中在数据缺乏与采集成本高，真机数据获取难度大，纯遥操数据又难以支撑泛化能力，同时商业化落地需在精度与成本间取舍。

本体厂、科技大厂与独角兽企业各有侧重，优必选推出Thinker 多模态大模型，结合群脑网络与Co-Agent技术，聚焦工业与商业场景，2025年订单超6.3亿元；

智元机器人通过ViLLA模型融合VLM+MoE架构，依托真机+互联网+视频数据，实现小样本快速泛化；

Figure AI采用Helix双系统大模型，快慢系统分别负责场景理解与快速动作执行，BotQ工厂年产能达1.2万台；

银河通用以“合成数据预训练+真机实采后训练”模式，推出DexonomySim抓取数据集，已获100家门店订单；谷歌、Physical Intelligence等则侧重技术开源与跨本体数据训练，推动通用能力提升。

数采工具领域，汉威科技开发柔性可穿戴动捕服，南山智尚推出织物触觉智能手套，解决数据采集成本高的痛点；

垂域场景中，物流自动化领域的杭叉集团、安徽合力布局智能搬运机器人，极智嘉发布仓储专用具身智能基座模型。

以下是《Sim+to+Real，具身大模型的问题、现状与投资机会》报告部分内容：