动作即Token：眸深智能如何用端侧具身大脑重构机器人进化逻辑

2026-07-26 13:00 0 阅读

动作离散化：从连续信号到语义Token的技术跃迁

在具身智能的演进图谱中，如何让机器人像人类一样理解并执行复杂动作，始终是行业面临的核心挑战。传统视觉-语言-动作（VLA）模型往往将动作视为离散的信号或连续的轨迹，这种处理方式不仅导致生成的动作僵硬、缺乏多样性，更难以应对长序列任务中的逻辑连贯性问题。

「眸深智能」提出了一条截然不同的技术路径：将动作视为一种语言。团队创造性地将人体姿态拆解为约3000个基础“动作基元”，类比于汉字中的常用字。通过MotionGPT模型，机器人不再需要逐帧学习如何走路或抓取，而是像大语言模型预测下一个Token一样，预测并生成下一个“动作Token”。这种将连续动作离散化的创新，使得机器人具备了Zero-Shot（零样本）泛化能力。即使面对从未见过的指令，模型也能通过重组已有的动作词汇，理解并执行新的复杂行为。

这一技术突破并非一蹴而就。早在2022年，团队便发布了MLD（隐空间动作扩散模型），首次将动作映射到隐空间，引入扩散模型从随机噪声中还原出自然、连贯的人体姿态。随后在2023年发布的MotionGPT，进一步确立了“动作即Token”的技术范式，并发表于人工智能顶级会议NeurIPS。这一路线不仅被英伟达DAIR实验室在最新ARDY模型中多次引用，更成为行业公认的动作生成基准之一。

数据范式重构：摆脱真机依赖的自进化逻辑

具身智能落地的最大瓶颈之一，在于高质量真机数据的获取成本极高。传统模型往往依赖海量真机数据进行训练，导致研发周期长、迭代速度慢。「眸深智能」通过STI-WM（时空一体世界动作模型）彻底重构了这一数据训练范式。

该模型采用“80%互联网视频+10%动捕数据+10%真机数据”的训练配方。其中，80%的互联网视频经过物理先验过滤，用于学习通用的物理规律和动作因果逻辑；10%的动捕数据用于校准生物力学特征；最后仅用10%的真机数据完成闭环对齐。这一策略将真机数据需求降低了90%，同时将动作准确度提升至99%。

更关键的是，团队提出的T²MB（Task*Task Motion Brain）架构赋予了机器人离线自进化能力。当模型部署到端侧后，无需联网回传数据，仅凭本地交互即可持续优化性能。这种机制解决了机器人落地后发现Bug必须返厂升级的行业痛点，使得任务执行准确度最高提升25%。这种“边用边学”的能力，是具身智能从静态工具向动态智能体转变的关键一步。

端侧算力突围：软硬协同下的成本革命

尽管算法模型日益强大，但端侧算力的限制仍是阻碍具身智能大规模商用的另一大障碍。高昂的硬件成本和复杂的适配流程，使得许多机器人本体厂商望而却步。「眸深智能」从成立之初便确立了“模型压缩与国产芯片适配”并行的技术战略。

在模型压缩方面，团队通过蒸馏、冗余参数压缩、Token剪枝及量化等技术，将千亿参数级模型压缩至百亿级别。在具体场景中，参数量降低约75%，端侧推理延迟从约200毫秒降至10毫秒左右。这一成果不仅获得了IJCAI 2025全球最佳论文奖，更实现了模型参数量减少80%的同时，精度不降反升。

在芯片适配方面，团队依托海思、英特尔、英伟达等芯片巨头的背景，成为国内少数具备算子级适配能力的具身大模型团队。目前已打通燧原S60、昇腾310/910等国产芯片平台的部署，实现低功耗、高实时、超低成本的端侧推理。这套软硬协同的打法，将模型端侧推理成本从20万元降至1万元，大脑续航时间提升10倍，为具身智能的规模化部署扫清了成本障碍。

商业化闭环：从技术验证到场景落地

技术的最终价值在于商业落地。作为国内少数已有营收的具身智能大脑公司，「眸深智能」在2025年审计回款收入达千万元，2026年上半年营收已达3000万元，预计全年营收规模超过5000万元。这一成绩在初创期极具竞争力的具身智能企业中尤为突出。

目前，公司客户已覆盖工业检测、物业、环卫等多个场景。2026年第一季度，「眸深智能」已与某港股上市物业公司、A股上市环卫龙头的机器人产品完成交付。同时，公司正在推进与头部连锁零售集团、头部白色家电工厂的人形机器人落地场景研发。这种快速从技术验证走向商业闭环的能力，验证了其技术路线的实用性与市场接受度。