问题
机器人/具身智能研究者和开发者想让机器人在陌生家庭环境里按语言指令完成收拾、取物等任务，但现状是每换一个新厨房、新场景，就要重新采集训练数据、再训练专用动作策略，泛化性差。斯坦福 HomeBody 项目已经证明可行路线：GPT-6 Astra 通过技能工具调用控制宇树 G1，在从未见过的厨房里完成收拾物品、丢纸盒、跨房间取药，且部署到新厨房时不需要额外采集训练数据，也无须再训练专用动作策略。痛点真实但当前只存在于研究项目里，缺少工程化、可复用的产品形态。
目标用户
具身智能研究者、机器人实验室、人形/移动机器人创业团队，以及需要快速验证家庭服务场景的开发者。市场规模取决于机器人本体出货量，属于早期但快速增长的群体；付费意愿目前只能推断，尚无直接证据。
解决方案
- 技能库封装层：把导航、抓取、放置、开抽屉等现成控制器和运动规划模块封装成 VLM 可调用的标准工具接口
- System 2 任务编排：接入前沿 VLM（如 GPT-6 Astra、Claude）做任务分解与工具调用，无需针对新环境重新训练
- 空间记忆模块：基于 SLAM 构建环境几何记忆，让机器人记住物品位置并支持跨房间取物
- Real2Sim 数字孪生调试环境：在仿真中（类似 Isaac Sim）预演任务链路，降低真机调试成本
- 轻量部署：本地 RTX 4090 级笔记本 + 远端模型推理的部署架构参考
AI 扮演核心角色：VLM 负责语言理解、任务规划与技能调用决策，是整个系统的“大脑”。
为什么是现在
两条信号都指向同一能力拐点：斯坦福团队 HomeBody 项目（2026-09 报道）展示了 VLM 直接调用技能库 + SLAM 空间记忆 + Real2Sim 数字孪生的技术路线，在新环境零训练数据、零动作策略再训练即可部署。这表明前沿模型能力已经跨过了具身智能泛化的关键门槛，把这条研究路线产品化的窗口正在打开。
MVP 范围
做：技能库标准接口封装 + VLM 编排调度 + SLAM 空间记忆 + 一个仿真环境（如基于 Isaac Sim 的 Real2Sim）中的任务预演与调试工具，面向常见移动操作平台（如宇树 G1 级别）。不做：机器人本体制造、底层运动控制器开发、大规模真机部署支持和多本体适配——首版只验证一个平台的完整链路。
风险
- 技术风险：高度依赖前沿 VLM 推理（GPT-6 Astra 级别），模型能力与 API 可用性不受控制；真机鲁棒性与仿真到现实的差距（Sim2Real）仍未完全解决
- 平台依赖：底层复用现成感知模型、运动规划与预训练控制器，任何上游组件变更都可能破坏集成
- 市场规模：家庭服务机器人尚未大规模出货，潜在用户以研究团队为主，商业化路径不清晰
- 竞争风险：斯坦福团队可能开源或商业化 HomeBody；宇树等本体厂商可能自建软件栈
- 信号局限：两条信号均为能力类报道，无用户付费或需求验证证据，付费意愿评级也仅为 implied/none
已有产品
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。