當前大多數人形機器人仍處于展示階段，核心瓶頸在于智能程度不足。 一旦具備初步智能化能力， 機器人即可在特定場景中落地應用，并通過任務反饋不斷優化模型，開啟數據飛輪與產品迭代循 環，從0-1邁向1-100的演化。

數據飛輪是驅動智能系統能力提升的核心機制。 本質是“收集數據—改進模型—提升產品—吸引 更多用戶和數據—再次改進”的正向循環，有望帶動人形機器人快速邁入迭代加速期。

隨著多模態大模型的突破，機器人次具備了“感知—理解—決策”的潛力，被視為擁有“大腦”的關鍵起點。大語言 模型 (LLM) 的成功，驗證了通過大規�；ヂ摼W文本訓練神經網絡具備推理能力的可行性；而視覺語言模型 (VLM) 進一步拓展模態邊界，使模型可以“看懂圖像、理解語言”。 LLM 專注于文 本推理，VLM 則通過融合圖像/視頻與語言等模態信息，構建起跨模態的統一表征體系，從而支持 模型理解現實世界的更多維度。

動作模態的融入，讓模型端真正賦予機器人執行操作的能力。 僅能感知、理解世界并不是機器人 大腦的終極目標，機器人的Z終目標是在認知的基礎上實現與現實世界的動作交互。目前機器人模型的核心迭代方向，是將動作模態融入現有的視覺語言模型。

現階段人形機器人僅在智能化的初J階段。北京市人形機器人創新中心牽頭，聯合上海市、浙江 省人形機器人創新中心，以及優必選、宇樹科技、ZG信息通信研究院、工業互聯網研究院等多 家頭部企業與科研機構，共同制定了個《人形機器人智能化分J》標準，從感知、決策、 執行、協作四維度劃分L1-L5五J。目前主流產品智能水平普遍僅在L2左右，尚未具備自主泛化 與應變能力。未來向更高智能等J進化仍需突破模型、數據與算力多重門檻。 真正實現通用智能 機器人仍有較長路徑要走，需在技術、數據體系和生態協同上持續積累。