中泰证券人形机器人运控报告指出，随着Deepseek等技术的发展，通过蒸馏技术缩小模型规模、将小模型植入人形端部正成为趋势。人形机器人上肢属精细运动范畴，不同应用场景下运动轨迹规划千差万别，开发统一的底层大模型面临开发难度大、训练成本高、高质量训练数据获取难等难题。特定场景应用的小模型将通过迁移学习或微调快速适配特定任务，显著降低开发与部署成本，有望成为主流路径。
下肢统一模型，上肢垂直模型，运控算法分层演进
人形机器人上下肢的运动控制呈现截然不同的特征。下肢运动关节相对固定，更容易形成统一的模型，可以设置"不摔倒、走得快"等奖励函数来强化学习。目前主流的下肢算法是英伟达的Issac Gym底层算法结合强化学习，通过仿真环境训练实现稳定行走、奔跑等基础运动能力。上肢属于精细运动范畴，尤其是灵巧手关节的控制，不同应用场景下运动轨迹规划千差万别。开发统一的底层大模型面临两大难题：一是开发难度大、训练成本高、能耗高及特定场景性能瓶颈；二是高质量的训练数据获取难度极大，目前可用于训练人形机器人的开源数据集极为匮乏。因此，上肢运控更适合采用垂直场景小模型的路径，即针对特定应用场景开发定制化运控算法。
Deepseek蒸馏技术使端侧小模型部署成为可能
随着Deepseek等模型蒸馏技术的出现，通过蒸馏缩小模型规模、进而将小模型植入人形端部成为可能。小模型的优势体现在四个方面。成本效益显著方面，大模型的训练成本呈指数增长，从早期Transformer到谷歌Gemini Ultra模型训练成本近2亿美元，而小模型通过精心设计极大降低计算资源和时间成本。部署灵活性高方面，小模型所需计算资源和存储空间较少，可实现本地化智能处理，减少对云端服务器的依赖，提高响应速度。专业性强方面，小模型可针对特定专业领域进行定制化训练，在特定任务上性能卓越，美国生物技术公司Path AI利用小模型对病理图像进行自动化分析即为一例。能源消耗低方面，小模型计算复杂度相对较低，对高性能硬件资源需求少，运行过程中能耗大幅降低。
表：小模型与大模型在人形运控中的对比| 对比维度 | 通用大模型 | 垂直场景小模型 |
|---|
| 训练成本 | 极高（Gemini Ultra近2亿美元） | 显著降低 |
| 部署方式 | 云端依赖 | 端侧本地化部署 |
| 响应速度 | 延迟较高 | 低延迟实时响应 |
| 专业性 | 通用性强 | 特定场景性能优异 |
| 能耗 | 高 | 低 |
| 适用场景 | 泛化任务 | 工业制造、医疗护理等垂直场景 |
垂直场景小模型的开发思路与实际应用案例
特定应用场景小模型一般是基于通用底层大模型进行的二次开发。开发流程包括：首先用特定领域语料进行继续预训练注入领域知识，进而通过SFT（监督微调）激发模型理解该领域问题的能力，最后通过RLHF（基于人类反馈的强化学习）让模型回答对齐人类偏好。实际应用案例方面，工业质检场景中小模型可基于少量缺陷样本实现高精度识别；医疗护理场景中结合多模态传感器数据实现老人跌倒检测与应急响应；家庭服务场景中1X的NEO Gamma通过垂直模型实现衣物分类与清洁力度自适应调节；农业采摘机器人通过小模型识别果实成熟度，结合地形感知调整抓取路径，采摘效率提升同时损坏率降低。
垂直场景小模型的商业化路径：从Demo到放量
人形机器人商业化落地正在从实验室Demo向实际场景放量演进。二开本体厂商基于一开平台的软硬件，针对特定垂直场景进行小模型定制化开发。这些垂直场景包括教育科研、养老康养、安防巡检、电网巡检、矿山巡检、石化、消防、智能家居服务等。每个场景都有独特的工况要求和数据特点，需要定制化的运控解决方案。例如，电网巡检机器人需要在高压环境下稳定运行，消防机器人需要耐高温和执行应急任务，矿山机器人需要适应恶劣环境。随着垂直场景小模型技术成熟，二开厂商有望率先实现商业闭环，成为人形机器人产业最先放量的环节。
