然而，尽管人形机器人在形态和操作上具有优势，但要实现真正的智能，还需解决软件与硬件的耦合问题。为实现这一目标，具身智能领域的不同团队采取了多样化的技术路线，其中端到端架构和分层决策模型是最为突出的两种。
端到端架构，作为一种将“大脑”和“小脑”合为一体的方法，通过单一的神经网络，直接将任务目标转化为控制信号。特斯拉的Optimus机器人和谷歌的RT-2项目便是这一架构的典型代表。它们能够通过视觉输入直接生成动作输出，完成复杂的任务。然而，端到端模型需要大量的数据和算力来驱动，这使得其在实际应用中面临挑战。
相比之下，分层决策模型则通过将感知、规划决策、控制和执行各模块分解为多个层级，分别进行训练，最终再整合起来。这种方法在即时性、可解释性和可控性方面具有优势，且由于可以逐一精准突破，在训练单个模型中所需的数据量相对较少。Figure AI的Figure 02便是这一架构的佼佼者，其高达200hz的输出频率意味着执行动作的延时极低。
在国内，分层决策模型也受到了广泛的关注。智元机器人、穹彻智能和银河通用等初创公司都选择了这一技术路线，并根据自己的理解设计出各自的解决方案。他们致力于解决“大小脑”问题，实现从感知到执行的闭环。
无论是端到端架构还是分层决策模型，数据都是训练效果的关键因素。具身智能玩家们需要共同面临数据质量和数量的挑战，以提高机器人的智能水平。模仿学习与强化学习、真实数据与仿真数据之间的优劣也成为了研究的热点。
在具身智能的较量中，不同的技术路线和解决方案层出不穷。从登月派到落地派，从端到端到分层决策，每一种方法都有其独特的优势和挑战。然而，无论选择哪条道路，实现智能、攻克软件与硬件的耦合都是最终的目标。
