具身智能 MOE-ACT 技术突破与机器人产业分析交流纪要

摘要： 本次交流重点探讨了具身智能（Embodied AI）从关注“小脑”（运动控制）向“大脑”（通用策略）过渡的产业趋势，详细分析了 MOE-ACT 框架在解决机器人多任务通用性及“灾难性遗忘”问题上的技术突破，并对比了 VLA 模型与世界模型的发展路径。

行业主线：

1. 技术范式转移：机器人产业进入“AI 3.0”时代，核心矛盾由本体制造转向具身智能算法的通用化。
2. MOE-ACT 框架突破：通过引入混合专家模型（MoE），在不显著增加计算量的前提下提升了多任务学习的成功率，仿真与真机验证均优于传统 ACT 及部分 VLA 模型。
3. 技术路径竞争：当前 VLA 模型具备强表征能力但依赖数据，世界模型泛化能力强但推理慢，未来趋势倾向于两者的融合。

关键变化与分歧：

1. 评测标准缺失：尽管仿真基准（如 Robotarium 2.0）已存在，但真实场景缺乏公认的横向评测标准，导致算法通用性评估存在难度。
2. 运动控制成熟化：行业共识认为底层运动控制技术已相对成熟，未来的核心竞争力在于高层策略“大脑”的迭代。

受益方向与风险：

1. 受益方向：短期受益于算法突破带来的多任务泛化进展；长期受益于通用基础模型的出现。产业链端，高质量交互数据服务商、边缘算力供应商及在科研市场具备生态壁垒的硬件厂商（如宇树、松灵等）有望率先受益。
2. 核心风险：真机落地节奏低于预期、通用基础模型突破缓慢、硬件部署成本过高。