當前，迎賓服務機器人“大腦”剛剛具備初階人類腦力，僅能完成人的 部分工作，無法形成人類大腦全能力閉環。同時，其情感表現屬于模擬層面，不具備情感理解能力。基于大模型的“大腦”技術發展主要受限于數據和訓練平臺。數據方面，由于真實數據采集難度大，仿真數 據保真度和規模有限，較難形成“數據飛輪”效應。平臺方面，“大腦” 的研究涉及數據采集、模型開發部署和仿真環境測試的整個流水線鏈 路，需要強大的通用計算平臺提供大規模計算支撐和通用服務能力。 迎賓服務機器人作為人工智能的前沿應用領域，其發展速度令人矚目。然 而，要實現真正的智能化和自主化，現有的大模型仍需在多個方面重點發力。

一是在感知模態維度方面形成突破。當前的迎賓服務機器人大模型主要依賴于視覺或語音感知，這種單一的感知模態在處理復雜環境時顯得力不從心。例如，在嘈雜的環境中，僅憑視覺信息，機器人可能難 以準確識別和響應。為了克服這一局限，未來的大模型需要整合視覺、 聽覺、觸覺等多種感知模態。多模態感知能夠提供更豐富的環境信息， 使機器人在復雜場景中做出更準確的決策。例如，結合聽覺和觸覺信息，機器人可以更好地理解人類的指令和情感狀態。

二是在指令生成速度與復雜性方面形成突破。現有的大模型在生 成指令時速度較慢，且生成的結果往往過于簡單。這在需要快速反應 的場景如緊急救援或復雜操作任務中，可能導致機器人無法及時作出 正確響應。目前主流機器人大模型偏向于任務理解和拆分，對于機器 人運動控制的涉及較少，只是用預設的端到端的訓練方式生成了簡單 且離散分布的機械臂末端位置和底盤移動指令，未滲透到連續路徑和 軌跡規劃等更偏機器人領域的內容。

三是在泛化能力提升與模型架構優化方面形成突破。泛化能力是 大模型在新環境和新任務中表現的關鍵。當前的模型在泛化能力上仍 有待提高，尤其是在面對未知環境和任務時，模型的表現往往不盡人 意。為了提高泛化能力，未來的大模型需要在架構、訓練方法和數據 集方面進行創新。例如，通過引入元學習、遷移學習等技術，可以使 模型更好地適應新任務。同時，構建更多樣化的數據集，也有助于模 型學習到更廣泛的知識。