雖然具身智能還未迎來GPT時代，但國內外人形機器人企業紛紛加速應用落地，探索核心技術突破。

5月29日，在2025張江具身智能開發者大會上，國家地方共建人形機器人創新中心（下稱“國地中心”）聯合復旦大學正式發布全球首款生成式人形機器人運動大模型—— “龍躍”（MindLoongGPT）。此舉將標志著我國在智能體運動控制領域邁入全球領先行列。

首款生成式人形機器人運動大模型有何意義

龍躍大模型以“自然語言驅動”為核心，構建了從多模態輸入到高保真動作生成的完整閉環，顛覆傳統運動控制范式。

國地中心首席科學家江磊接受第一財經記者采訪時說，人形機器人是一個全身具有移動性的整體，雙臂在動，腰部也會配合，然后雙足也會配合移動保持平衡。“我們認為應該要有一個全身運動的大模型解決最后端到端問題。這次首發了針對移動能力和操作能力的大模型，可以幫助人們在實際采集數據非常困難的情況下，通過這個大模型生成更多的仿真級的動作，來構成更完整的具身智能數據集。它也是實體訓練場一個非常重要的補充。”

上述他提到的訓練場，是今年1月21日啟用的全國首個異構人形機器人訓練場，首期部署了超100臺異構人形機器人，以10余種人形機器人典型應用場景的建設，牽引形成上海人形機器人超級中心。作為一個數據生產的工廠，能產生更多數據提供給具身智能大模型的企業去使用，幫助行業加速發展。

龍躍大模型聯合發布方——復旦大學信息科學與工程學院教授陳濤在2025張江具身智能開發者大會上的“張江論劍”科創沙龍上表示，具身智能距離GPT時刻還有距離，而這次和國地中心聯合發布的龍躍，它的特點是可以根據用戶的輸入產生動作，比如說用戶只需說出“揮手致意”或上傳一段參考視頻，模型即可自動解析語義并生成連貫動作。傳統方法依賴專業參數調整的桎梏被打破，實現“人人可用”。

他補充解釋，通過“龍躍”MindLoongGPT生成特技動作運動軌跡，作為部署的全身跟蹤小模型的輸入目標觀測，可以在青龍上實現豐富的全身動作。“目前我們在青龍機器人上做了一些demo的驗證，在仿真平臺上針對全尺寸人形機器人也做了一些數據生成。”

數據為何重要

具身智能所依賴的數據，不僅來源廣泛、形式多樣，而且對模型訓練和技能獲取起著至關重要的作用。當前，國內外企業紛紛投入資源，加快數據集構建和訓練場建設的步伐，但如何在保證數據數量的同時確保其高質量，依然是擺在各方面前的一大難題。

中國信通院人工智能研究所安全與具身智能部副主任顏媚在“張江論劍”上表示，數據資源主要包括三大類型：真機數據、合成數據和互聯網中的多模態數據。然而，盡管多種數據來源為具身智能的發展提供了豐富資源，應用推廣仍面臨兩大主要挑戰：數據需求量巨大、數據質量的把控問題更為突出。

她說，相比無人駕駛領域，具身智能所涉及的環境復雜性更高，空間不確定性往往是無人車的幾十倍。以無人駕駛為例，產業界已用三年時間采集約十萬輛車輛的真實數據和大量高質量仿真數據，才勉強達到可用標準，而具身智能機器人所需的數據量則更加龐大。因此，如何短時間內構建大規模、可用性強的數據集，成為當前亟待突破的難題。

基于上述挑戰，中國信通院和國地中心聯合推進了具身智能數據質量及評估標準的制定工作。該標準主要從三個方面展開：圍繞數據全生命周期的管理，明確提出從數據采集、清洗、標注到最終使用過程中各關鍵環節的質量控制要求；建立了包括完整性、一致性、多樣性、真實性、易用性、實用性及可擴展性在內的七大質量評價指標；從組織管理角度構建制度保障，明確將持續推動具身智能標準體系不斷完善，以期形成一個定量和定性兼備的全面數據生態體系。

江磊也對記者說，今年國地中心自己的訓練場會完成高質量實體數據集，成為國際上最大的一個數據聚集地。同時他們還聯合了企業和省市一級的創新中心聯合打造出將近2500萬條的數據來發展更智能的大模型。

他說，今年年底會把他們具身智能大模型的操作精度從約70%～80%繼續優化提升到90%，基本達到相當于ChatGPT-3的水平。“接下去我們要采集更多數據，上千萬條還不夠，達到PB級（1PB=1000TB=1000000GB）的量級才是符合具身智能數據體量的要求。”

會議當天，在前期與上海大學聯合發布的“格物”具身智能仿真平臺相關工作基礎上，國地中心還正式發布“致知”具身應用開發平臺。

據國地中心介紹，“格物-致知”通用具身智能開發平臺深度融合OpenLoong（人形機器人開源社區）核心軟件框架，形成具身智能應用一站式 向導式的快速開發管道，同時以開源開放的機制持續推動人形機器人開發范式從“單點突破”邁向“生態共建”，并依托麒麟具身智能訓練場規模化數據采集與白虎百萬開源數據集快速形成具身基礎大模型庫，加速人形機器人在實際場景的應用落地。

國地中心研發總監邢伯陽分享稱，目前中心的麒麟訓練場已成功搭建起從具身數據到大模型的一站式開發基礎設施，整合了一百多家異構機器人同步進行數據采集，為后續模型訓練提供了堅實的數據支撐。

在刑伯陽看來，人形機器人賽道正迎來量產元年的重要時刻。從數據采集、模型訓練到技能整合的全鏈路探索正成為推動整個行業突破的重要因素。未來應用場景的快速形成不僅依賴于龐大的數據和高精度模型，更需要通過集成開發平臺將各個技術模塊高效融合，實現從底層操作系統中間件、芯片適配到上層生態開發的無縫對接。只有解決好模型技能組合為可落地應用這一核心問題，才能真正實現全套端到端應用的突破。

AD：

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。