具身智能的“大脑”之争：宇树机器人等硬件厂商对通用大模型的依赖与突破

2025年，具身智能首次被写入《政府工作报告》，机器人产业随之从“动起来”的阶段，快速转向“真正完成一件事”的新考场。但一个微妙的分歧正在硬件厂商之间浮现：当机器人需要理解复杂指令、规划长程动作时，究竟该把“大脑”交给云端或本地的通用大模型，还是该在端侧部署一套更轻、更快的专用模型？

这个问题，本质上关乎 AI 智能如何真正“进入”物理实体。对于宇树等以本体硬件见长的厂商来说，选择尤为关键——他们既要拥抱大模型带来的推理能力，又必须守住实时控制这条生命线。

大脑和小脑，为什么必须分开

要理解这场“大脑”之争，先得把机器人的智能拆成两层。业界通常把具身智能划分为“大脑”和“小脑”：大脑负责推理、规划、决策和感知，比如理解“把桌上的杯子拿到厨房”这句话，并拆解成一系列动作；小脑则负责运动控制和协调，把高层指令转化为电机的电流或扭矩信号，并在执行过程中实时修正误差。

通用大模型的强项显然在大脑层面。它们擅长理解自然语言、进行语义推理、生成结构化的任务规划。但问题在于，大模型的推理速度往往以秒甚至更长的时间计，而机器人的伺服控制需要毫秒级的响应。如果每个动作都要等大模型“想清楚”再执行，机器人会显得迟钝笨拙，更无法应对突然出现的障碍物或动态变化的环境。

这正是机器人行业长期面临的“系统割裂、实时性不足”困局。感知决策与运动控制分属不同芯片或系统，通信协作过程中产生的系统级延迟，让机器人的反应总是慢半拍。于是，主流方案逐渐形成共识：高层任务用大模型做推理，底层基元和伺服级执行则交给专用神经网络或预编程方法。简单说，就是让“大脑”想得深，让“小脑”动得快。

端侧模型的瓶颈：快与聪明的博弈

对硬件厂商而言，把大模型部署到端侧是极具吸引力的方案。本地推理能避免网络延迟，保护数据隐私，也让机器人在离线环境下依然具备智能。但端侧部署的瓶颈同样明显。

首先是算力与功耗的矛盾。机器人的电池容量有限，而大模型的推理极其消耗计算资源。即便使用集成实时控制模块的专用芯片，也难以在有限功耗内跑起参数量庞大的通用模型。为了适配端侧，厂商往往需要把模型蒸馏、量化到更小的规模，但这又不可避免地牺牲推理能力——模型变小了，对复杂语义的理解和对长程任务的规划能力也会随之下降。

其次是实时性的根本挑战。即便模型已经足够轻量，一次完整的推理仍然需要时间。对于“拿起杯子”这种单步动作，端侧模型或许能勉强应付；但对于“烤面包、倒饮料、取出面包并装盘”这类包含几十甚至几百个动作的长程任务，机器人需要持续决策并保持上下文，端侧模型的计算开销会急剧膨胀，延迟问题被成倍放大。

这正是端侧模型在动作规划中的真实困境：不是不能做，而是很难同时做到“快”和“聪明”。追求实时性，就得牺牲一部分推理深度；追求智能水平，又难以满足毫秒级的控制要求。

硬件厂商的破局思路：大小脑协同

面对这样的矛盾，硬件厂商的破局方向并非二选一，而是走向“大小脑协同”的混合架构。宇树等厂商的实践中，一个典型方案是：云端或本地部署的通用大模型负责全局理解与任务规划，生成高层指令；端侧的专用控制网络则负责把这些指令转化为实时的电机控制信号，并在执行过程中根据传感器反馈快速调整。

这种分工让每一层都用上了最合适的工具。大模型不必关心电机怎么转，控制网络也不必理解复杂的语义。更重要的是，端到端控制网络的训练正在加速这一进程——通过强化学习，把基元级规划与伺服级执行整合起来，让机器人对动态环境具备快速自适应能力。

对于硬件厂商来说，这种架构还有一个现实好处：它降低了对单一通用大模型的依赖。机器人本体厂商不必把全部智能押注在某一家大模型上，而是可以像搭积木一样，根据任务需求灵活更换或升级“大脑”模块。硬件积累的传感器数据、运动学模型和物理交互经验，反而成为他们在“大脑”之争中的独特筹码——毕竟，再聪明的模型，最终也要通过扎实的硬件才能触达物理世界。

具身智能的“大脑”之争，短期内不会有一个标准答案。可以确定的是，通用大模型与实时控制之间的张力，正在催生更精细的分工体系。对硬件厂商而言，与其纠结于“用不用大模型”，不如思考如何让模型与硬件各司其职，在延迟与智能之间找到那个动态平衡点。毕竟，让机器人真正“进入”物理世界，靠的不是某一种模型的胜利，而是整个系统的协同进化。