2025年被称为"具身智能元年"，具身智能大模型进入井喷期。VLA（Vision-Language-Action）架构成为主流范式——这是一套视觉感知、语言理解、动作生成三合一的端到端模型，让机器人真正能够"看懂世界、理解指令、自主行动"。

里程碑事件密集涌现。Google DeepMind发布RT-2-X，参数量突破55B，将视觉语言大模型与机器人动作空间直接对齐，无需为每个新任务编写控制策略。Figure AI开源Helix模型，实现了用自然语言直接控制人形机器人——你说"把桌上的红苹果放进左边的篮子"，机器人就能理解对象属性、空间关系和操作顺序。智元机器人发布GO-1大模型并同步开源，成为国内首个面向具身智能的通用大模型，在物体抓取、灵巧操作、导航避障等任务上表现亮眼。

技术架构上存在两条路线之争。分层派系主张LLM做高层规划、小模型做底层控制，典型如Google SayCan和InnerMonologue——大语言模型负责任务分解，传统运动控制器负责执行。端到端派系则追求VLA统一模型，将视觉输入到动作输出的全链路塞进同一个Transformer，代表有RT-2、Octo、π0。2025年的趋势已经明朗：端到端正成为主流。分层架构在复杂长序列任务中容易累积误差，而端到端模型在数据量充足的条件下展现出更强的泛化能力。

数据瓶颈是当前最大挑战。相较互联网文本数据，机器人操作数据稀缺6-7个数量级——你可以在网上找到万亿级token的语言数据，但高质量的机器人操控数据可能只有几百万条。破局路径有三条：仿真数据生成，NVIDIA Isaac Sim和Isaac GR00T平台可以在虚拟环境中生成海量多样化训练数据；遥操作采集，斯坦福ALOHA等低成本双臂遥操作方案将数据采集成本降到万元级；互联网视频学习，从YouTube海量视频中提取人类操作动作作为弱监督信号。

泛化能力是衡量模型价值的核心指标——同一模型能否在不同物体、不同场景、不同机器人本体上都保持可用。RT-2-X在陌生场景任务成功率从RT-2的32%大幅提升至62%，这是一个重要信号：更大规模的模型和更多样的训练数据确实带来了泛化能力的质变。但62%距离工业可用（>95%）仍有显著差距，这意味着具身智能还需要2-3个数量级的训练数据和更大规模的模型。

开源生态的繁荣加速了行业整体进步。Hugging Face的LeRobot生态提供了标准化数据格式和预训练模型，Physical Intelligence的π0模型展示了跨本体操作的可能性，清华UniTree则从具身决策树角度探索了可解释的AI架构。开源让初创公司和学术机构也能参与这场竞赛。

落地时间表逐步清晰：2025-2026年停留在实验室Demo阶段，机器人能在受控环境下展示各种技能但难以应对真实世界的随机性；2027-2028年进入工业特定场景，仓储分拣、质检、简单装配等结构化任务率先落地；2029年以后才可能走向通用服务场景，届时家庭服务机器人或许能真正帮人倒杯水、叠衣服。