DeepSeek布局具身智能：机器人API架构与多模型趋势

人工智能2026-10-149,292

过去几年，大模型行业的竞争主要集中在数字空间。企业关注模型参数规模、推理能力、代码能力和文本生成效果。无论是 GPT、Claude、Gemini，还是国内的 DeepSeek、Qwen、GLM，核心应用场景大多围绕互联网和软件系统展开。

但随着大模型能力不断提升，一个新的方向正在成为行业焦点：让 AI 不只是理解文字和代码，而是进入真实世界完成任务。这就是具身智能。

近期，DeepSeek 被曝计划领投具身智能机器人初创公司 Winverse AI 的融资。该公司由前腾讯视觉语言与具身基础模型团队负责人胡瀚创立，本轮融资规模为数千万美元，投后估值约 4 亿美元，美团旗下龙珠投资等机构也作出了投资承诺。若交易完成，将进一步推动 DeepSeek 在机器人 AI 与现实世界应用方向的探索。

胡瀚的学术履历在 AI 领域有较高知名度。他是 Swin Transformer 的核心作者之一，2021 年与团队提出基于移位窗口的层次化视觉 Transformer 架构，凭借这一成果获得 ICCV 2021 最佳论文奖。在产业经历上，他曾先后就职于百度研究院和微软亚洲研究院，2025 年加入腾讯负责混元多模态大模型，管理视觉语言模型和具身智能基础模型团队。值得注意的是，Winverse AI 的业务更偏底层基础设施，专注于模型加速技术，而非直接制造机器人本体。这意味着 DeepSeek 此次下注的方向，更偏向模型效率与底层架构。

这一动作释放出一个信号：大模型竞争正在从 “谁更会聊天”，转向 “谁能够让 AI 理解并影响现实世界”。梁文锋此前公开的 AGI 路线图规划为六阶梯递进结构：语言模型、思维链、Agent、持续学习、自我迭代、具身智能。按照这一路线，具身智能本应是最后一步。但从近期接连投资宇树科技、领投 Winverse AI 来看，这一步正在被提前。

一、DeepSeek 为什么开始关注具身智能？

具身智能并不是简单给机器人装上一个聊天模型。

一个能够自主工作的机器人，需要完成环境理解、物体识别、行动规划、动作控制以及根据反馈调整等一系列任务。以一个家庭机器人为例，它需要知道桌上的杯子在哪里、如何避开障碍、如何抓取物品，以及用户需求是否发生了变化。这些能力背后需要多个 AI 系统协同，包括视觉模型、语言模型、决策模型和控制模型。

近年来大模型的发展，为机器人提供了一种新的技术路线。过去机器人更多依赖固定规则、传统算法和专用模型。现在行业希望通过大模型提升机器人的泛化能力，让机器人不只是执行预设动作，而是能够理解复杂环境并根据目标自主规划。

DeepSeek 此时加码具身智能，一个重要变量来自 OpenAI。2026 年 9 月公开的 RoboDojo 测试中，未经具体微调的 GPT-6 Astra 直接充当动作策略，在 42 项机器人操作任务、2100 次测试中平均成功率达 22.48%，超过评测中 40 个公开机器人策略。同一后处理方案下，GPT-5.5 和 DeepSeek-Flash 的平均成功率分别只有 0.88% 和 1.92%。不同前沿模型之间的差距，说明 “让通用模型直接输出机器人动作” 这条路线，开始在相当一部分任务中真正工作。

宇树科技创始人王兴兴在 10 月 12 日的工博会上也断言，随着 AI 模型能力快速提升，具身智能的技术临界点可能比预期来得更快，快的话甚至一两年内出现，并预测明年 GPT-7 可能 “直接把具身智能问题打穿”。他同时做了一次自我检讨：“过去十几年我犯的最大的错误，就是对 AI 相信得还不够。”

这些信号促使包括 DeepSeek 在内的大模型公司重新审视一个问题：只靠语言模型不断做大，真的能走到 AGI 吗？

二、从 DeepSeek 模型到机器人智能，中间还缺少什么？

很多人会认为，拥有强大的大语言模型就可以直接控制机器人。实际上并没有这么简单。

大语言模型擅长理解语言、推理信息和生成计划，但机器人还需要视觉感知、实时控制和物理反馈。

例如用户说 “帮我把桌上的苹果拿过来”，AI 需要完成一系列步骤：理解 “苹果” 和 “桌子” 的概念，通过视觉系统定位苹果位置，规划移动路径，控制机械结构完成抓取，再根据反馈调整动作。这意味着未来机器人系统不是一个模型，而是一套 AI 系统 —— 大模型负责 “大脑”，机器人控制系统负责 “身体”，传感器负责 “感知”。

从学术研究的角度看，这个方向已经有可验证的进展。IEEE 发表的一项研究展示了一个基于 DeepSeek 构建的轻量级 LLM Agent 框架，通过文档提示注入将机器人规格和 API 文档等专业知识嵌入模型，实现零样本 Python 代码生成，并实时提取和执行代码来控制机械臂。实验结果表明，该 Agent 能够将高层语音或文本指令转化为功能性的机器人行为。

但 RoboDojo 的评测结果也揭示了当前能力的边界。GPT-6 Astra 在涉及语义理解、对精度要求不高的任务上表现较好，但一旦进入精密操作、动态控制或复杂的双臂配合，成功率会迅速下降。这说明通用模型直接充当机器人策略的能力虽然已开始显现，但距离可靠的实际部署仍有明显距离。

三、具身智能正在成为大模型的新应用入口

为什么越来越多 AI 公司开始布局机器人？原因在于互联网数据正在接近开发瓶颈。

过去大模型主要通过网页、文本、代码和图片学习数字世界的知识。但现实世界拥有更加丰富的数据，机器人可以通过视觉、动作和环境交互获得新的训练数据。因此，具身智能被认为是下一阶段 AI 发展的重要方向。

目前全球主要科技公司都在探索这一领域：Tesla 关注人形机器人 Optimus，Google DeepMind 研究机器人智能，NVIDIA 布局机器人基础模型，国内企业也开始推动具身智能产业发展。毕马威在 2026 世界人工智能大会上发布的报告指出，2026 年一季度具身智能融资额达 50.3 亿美元，同比增长 182.9%，融资数量 203 笔，同比增长 55%。报告还特别指出，如果大模型推理速度慢、显存占用高、通信成本大，就难以嵌入真实机器人系统，也无法在 “观察 — 行动 — 反馈” 过程中持续修正策略。

DeepSeek 进入这一领域，说明国产大模型竞争正在向更广泛的智能系统延伸。从 “身体 + 大脑” 的双线布局来看，DeepSeek 在 8 月以约 1.41 亿元入股宇树科技，双方计划围绕 AI 大模型与具身智能开展联合研发，重点探索如何提升机器人对复杂环境的理解能力以及面对不同任务和场景时的泛化能力。而领投 Winverse AI 则侧重于具身底层模型和模型加速技术，两者形成了互补。

四、机器人时代为什么需要 API？

机器人和传统软件最大的区别是：它需要持续感知和决策。

一个机器人系统可能需要调用视觉模型分析环境，调用语言模型理解任务，调用推理模型制定方案，调用控制模型执行动作。这意味着未来机器人系统同样会依赖模型 API。

例如，机器人收到用户指令 “整理房间”，背后可能发生：语言模型理解任务，调用视觉模型识别物品，调用规划模型制定路线，调用控制接口执行动作。

如果每个模型都是独立系统，开发复杂度会快速增加。因此，未来 AI 应用，包括机器人系统，都需要统一的模型调用架构。

五、多模型 API 架构会成为机器人 AI 的重要基础设施

过去的软件系统通常连接数据库、服务器和第三方服务。未来 AI 原生应用需要连接多个模型、多个 Agent 和多个工具。机器人就是典型案例。

一个完整机器人系统可能同时需要大语言模型、视觉模型、语音模型和动作模型，而这些模型可能来自不同供应商。因此，开发者需要解决模型如何切换、接口如何统一、成本如何控制、调用如何监控等问题。

这也是 AI API Gateway 价值提升的重要原因。当机器人系统需要在不同任务阶段调用不同模型时，统一 API 接入层可以降低不同模型之间的适配成本。例如，星链 api 这类 AI API 中转平台，解决的就是多模型统一调用问题，让开发者通过一个入口管理不同 AI 模型，不必为每个模型单独维护复杂的接入逻辑。

六、DeepSeek 进入机器人领域，对开发者意味着什么？

对开发者而言，DeepSeek 布局具身智能带来的影响，不只是机器人行业的变化。

更重要的是，AI 应用的边界正在扩大。过去开发 AI 应用的模式是输入文本、调用模型、返回结果。未来的模式可能是输入目标、AI 规划任务、调用多个模型、执行现实操作。

开发模式也会随之变化。开发者需要关注模型能力、Agent 架构、工具调用和 API 管理。从 DeepSeek 开源的 Agent 执行运行时来看，模块化的 Agent 基础设施正在成为构建自主 AI Agent 的重要方向，开发者可以在统一的运行环境中编排模型调用和工具执行。未来的软件工程，很可能围绕 “智能系统开发” 展开。

七、具身智能最大的挑战：模型能力之外，还有工程落地

虽然机器人 AI 前景广阔，但距离大规模商业化仍有挑战。

第一，真实环境复杂度。互联网环境相对稳定，现实世界则充满变化。机器人需要处理未知环境、异常情况和实时反馈。
第二，计算成本。机器人需要实时运行模型，如何降低延迟、提高效率是关键问题。王兴兴提出的路线是本体算力能省则省，复杂推理和任务规划交给云端大模型，机器人本体只保留运动控制基础算力。
第三，数据获取。高质量机器人训练数据仍然有限。中国信息通信研究院的报告显示，当前全球可用的高质量真实数据仅为数十万至百万小时级，而具身基础模型要迎来 “ChatGPT 时刻” 至少需要千万小时级数据。有预测称，头部机器人公司的有效数据量将从 2025 年的 “万小时级” 跃升到 2027 年的 “百万小时级”，但与需求之间仍有很大差距。

因此，未来的竞争不仅是模型能力竞争，还包括数据、硬件、算法和基础设施的多维度竞争。