一句话理解
具身智能(Embodied Intelligence / Embodied AI)指:一个智能体通过自己的身体(传感器和执行器)与物理世界持续交互,在「看见、判断、动手、再根据结果修正」的过程中完成任务,并积累技能。
「具身」强调智能离不开身体和所处环境。同样的大脑,装在不同形态、不同传感器的身体上,能做的事和学到的经验都会不同。这和只处理文本、图片、代码的纯数字智能形成对照。
和聊天机器人、大模型有什么不同
离身智能
主要在数字空间里工作:回答问题、写代码、生成图像。输入输出多是符号和像素,不必直接推动物理对象,也很少承担动作失败的后果。
具身智能
必须面对重力、摩擦、遮挡、延迟和安全约束。一个抓取动作对了没有,要以物体有没有被稳稳拿起来为准,而不是看一段文字是否通顺。
两者并非对立。今天很多机器人方案会把大语言模型或视觉语言模型当作「大脑」,再接到感知和控制系统上,让语言能力服务于真实动作。具身智能要解决的,是把理解变成可执行、可验证的行为。
核心机制:感知—决策—行动闭环
感知
→
理解与决策
→
控制与行动
→
环境反馈
行动会改变环境,新的感知又进入下一轮循环。智能体是在这个闭环里学习和工作的,而不是一次性「想完再输出」。
身体
相机、力觉、IMU、麦克风,以及关节、灵巧手、轮式或足式底盘等执行机构。
世界模型
对物体、空间、因果关系的内部估计,用来预测「我如果这样做,世界会怎样」。
技能
行走、抓取、开门、装配等可复用的动作能力,通常由数据、仿真和真机试错共同塑造。
常见技术路径
- 模仿学习:从人类示范(遥操作、视频、动作捕捉)中学习策略,起步快,但对示范质量和覆盖范围依赖高。
- 强化学习:在仿真或真实环境中按奖励试错,适合步态、控制这类持续决策,但真机试错成本高、安全性要求高。
- 视觉—语言—动作模型(VLA):用一个模型同时看图像、理解指令、输出动作,是当前通向「通用机器人大脑」的热门路线。
- 仿真到真机(Sim-to-Real):先在仿真里大量训练,再迁移到真机,用来降低损坏设备和采集数据的成本。
- 分层系统:上层做任务规划,中层选技能,下层做运动控制。工程上更稳,也便于把大模型用在规划层。
正在落地的方向
- 工业与仓储:上下料、分拣、码垛、质检,环境相对结构化,是目前最成熟的应用。
- 家庭与商业服务:清洁、配送、接待,环境更开放,对安全和泛化要求更高。
- 人形机器人:希望用接近人体的形态进入为人设计的空间;整机和通用操作仍处于早期,但后市场和产线试点已经开始出现。
- 特种作业:巡检、救援、水下或危险环境作业,强调可靠性和远程协同,而不是完全无人。
现状与挑战
具身智能被看作人工智能进入物理世界的关键一步,研究和产业投入都在加快。但和已经规模化的文本、图像生成相比,它仍然更难:数据昂贵、场景碎片化、硬件差异大,实验室里的成功率到了车间或客厅往往会明显下降。
- 开放环境里的泛化仍然不足,换个物体、光线或摆放位置就可能失败。
- 真机数据少、采集贵,仿真和现实之间常有差距。
- 实时控制、力觉和安全约束,比「再生成一段答案」苛刻得多。
- 能耗、成本、可靠性和可维修性,会直接决定能不能规模部署。
一句话判断:方向明确,短期更适合在结构清晰、容错可控的场景里落地;通用家庭机器人或全能人形助手,仍需要较长时间的工程和数据积累。