随着人工智能算法的发展，尤其是多模态大模型技术的突破性进展，将显著加速机器人产业的发展，提升机器人的智能水平，使得机器人能够自主进行判断和识别，执行复杂的多阶段语义推理任务。
不仅提高了机器人的泛化能力，也快速推动了人形机器人通往量产的进程。根据Gartner技术成熟度曲线，当前的具身智能仍处于技术萌芽期，虽然受大模型技术的推动成为科技产业的热点，但是初创公司技术和商业化路径还没有找到有效方案，在成本、技术等层面仍然需要攻坚克难。
以人形机器人为代表的具身智能机器人是链接虚拟数字世界和现实物理世界的最佳载体，是虚实融合的理想产物，其性能表现也高度依赖于软件与硬件的全方位进化。
从基础材料科学到人机交互技术，从多模态感知大模型到高精度机器人运动控制算法，软硬件多个层面的技术积累与快速进步，让具身智能在2023年后迅速让世界看到其应用潜力与应用可行性。
从“大脑-小脑-肢体”的架构来看，分层模型通过不同层次模型协作，利用底层硬件层和中间响应快的小模型弥补上层大语言模型的不足，推动机器人在实际场景的应用，并越来越多地采用基于学习的控制方法。
VLA等端到端模型能够直接实现从人类指令到机械臂执行，即输入图像及文本指令，输出夹爪未端动作。分层式路线一度是主流选择，因为端到端路线受数据制约难以达到性能要求:机器人数据正在逐步积累，端到端路线在未来可能成为主流。
