EIEmbodied Intelligent具身智能是人工智能(AIArtificial Itelligence)的一部分是结合当前技术发展迅速拓展、落地和探索的AI的一个重要分支。相比于早些时候的AI(可暂且称为离身智能)具身智能主要增加了执行的环节再智能感知的基础上增加了智能执行从而实现环境和智能体的交互并在交互中不断的自生成和积累新技术、新智能。进而达到“知行合一”的闭环。一句话区分离身 AI vs 具身 AI离身 AI只 “知道” 文字、图片里的抽象知识不会实操具身 AI通过身体 “体验” 世界在实操中学会常识、物理规则、空间逻辑。一、具身Embodied智能1. 字面词源英文 embodyem进入 body身体直译让智能拥有、依附、嵌入物理身体。传统 ChatGPT、文生图大模型属于离身智能Disembodied AI只有算法无实体只处理文字 / 图像数字信号不能触碰、移动、改造真实世界。具身智能核心智能不能脱离物理躯体单独存在认知、理解、知识全部来自「身体 环境」持续交互。2.「具身」四层核心内涵最关键有实体载体物理身体必须有能感知、能行动的硬件本体机械臂、人形机器人、无人车、四足机器人、无人机、仓储 AGV 都算单纯软件、云端大模型不算具身。感知 - 行动闭环知行合一身体搭载摄像头、触觉、力觉、激光雷达等传感器接收世界信号大脑决策后通过电机、关节、轮子执行动作动作改变环境新感知再回传给大脑无限循环学习。举例子婴儿靠手抓杯子才理解 “坚硬、易碎、重力”AI 只看图片永远不懂真实物理属性必须亲手抓取交互这就是具身的本质价值。身体形态决定认知边界不同 “身体” 会产生完全不同的智能逻辑人形双手可精细操作小件物品四足机器人擅长复杂地形行走机械臂只能固定工位抓取身体结构约束了它能感知什么、能做什么直接塑造智能行为这是传统纯软件 AI 完全不存在的约束。认知嵌入环境而非封闭推理智能不是大脑内部孤立算逻辑而是大脑、身体、环境三者协同计算。遇到障碍物不是纯靠内部地图推理而是依靠身体传感器实时反馈、就地调整动作利用环境简化计算。二、具身智能完整定义具身智能Embodied Intelligence / Embodied AI定义拥有物理实体本体搭载多模态感知设备与运动执行机构在真实 / 仿真物理环境中完成感知 — 认知 — 决策 — 运动执行闭环依靠持续交互自主学习、适应动态场景、完成物理操作任务的人工智能系统是通往通用人工智能 AGI 的核心路线之一Yann LeCun 观点。三、起源与完整发展三阶段阶段 1概念萌芽期1950–1985理论构想1950 图灵《计算机器与智能》首次提出两种智能路径抽象符号智能下棋、文本 带躯体、能感知行动的智能是具身最早构想。 维纳《控制论》奠定反馈闭环理论基础证明感知与行动的耦合是自适应智能的根基。 同期主流是符号主义传统 AI认为智能 逻辑符号运算完全忽略身体、物理交互价值具身思想长期边缘化。阶段 2理论奠基与工程验证期1986–20191986 年是具身智能元年罗德尼・布鲁克斯具身智能之父提出包容式架构Subsumption Architecture颠覆符号 AI核心观点不需要全局世界模型、复杂符号推理智能直接从「身体实时交互环境」中涌现他造出无中央规划的扫地机器人靠底层传感 - 反应层实现自主避障导航首次实验证明具身可行。后续里程碑90 年代具身认知理论在心理学、认知科学成熟形成完整学术范式2010 ROS 机器人操作系统发布统一机器人底层开发框架大幅降低具身硬件开发门槛2010–2019工业机械臂、自动驾驶、波士顿动力四足机器人落地但智能极弱只能执行固定预编程任务泛化能力差没有通用理解能力。阶段 3大模型驱动爆发期2020 至今当前阶段多模态大模型打通语言、视觉、动作壁垒诞生 VLA视觉 - 语言 - 动作模型解决两大历史痛点机器人无法听懂自然语言指令无法跨物体、跨场景泛化操作。关键事件Google RT-1/RT-2首个端到端 VLA 模型用互联网图文数据预训练后迁移机器人操作特斯拉 Optimus、Figure01、小米 CyberOne 等人形机器人量产研发2025 年中国政府工作报告将具身智能列入未来重点培育产业上升国家战略2026 年世界模型、仿真到现实Sim-to-Real、一脑多本体技术成熟进入产业化试点阶段。具身智能发展时间线四、具身智能覆盖的交叉领域具身是高度交叉学科分为基础理论领域与实体应用领域两大类一基础理论交叉学科认知科学 / 具身认知底层理论根基解释身体如何塑造认知 人工智能深度学习 / 大模型大脑决策核心LLM、VLM、VLA 世界模型 机器人学机械本体、运动控制、抓取规划 控制理论伺服控制、强化学习、自适应控制 计算机视觉3D 感知、目标检测、深度重建、视觉定位 传感器工程视觉、力触觉、激光、IMU 多模态融合 仿真 / 图形学物理仿真引擎、虚实迁移 Sim-to-Real 微电子与硬件机器人专用芯片、伺服电机、灵巧手驱动 语言学自然语言指令理解、人机交互对话。二实体应用领域所有带身体的智能体人形机器人最热门赛道家庭服务、工厂装配、养老陪护、商用接待Figure01、Optimus、智元机器人 工业机器人机械臂、移动 AGV、仓储分拣、焊接、精密装配 移动机器人四足 / 双足巡检机器人、扫地机器人、园区配送机器人 自动驾驶车载具身智能乘用车、无人巴士、矿区无人车 空中具身智能无人机集群、巡检无人机 特种机器人排爆、深海探测、太空探测、消防搜救、核环境作业 医疗具身设备手术机器人、康复外骨骼、护理机器人。五、全栈核心技术体系三层架构本体层、感知层、智能决策层1. 硬件本体技术身体本身机械结构串联机械臂、人形躯干、灵巧五指手、四足腿部、移动底盘 驱动系统伺服电机、力矩电机、液压驱动、减速器 能源高密度锂电池、能量回收系统 执行器夹爪、仿生手指、行走关节。2. 多模态感知技术五官视觉单 / 双目相机、深度相机、3D 激光雷达、事件相机 力触觉腕力传感器、仿生触觉皮肤、压力阵列 本体感知IMU 惯性单元、关节角度传感器 听觉麦克风阵列、语音降噪 感知融合多传感器时空校准、点云融合、全局定位 SLAM。3. 智能算法 / 软件技术大脑 小脑1高层认知大脑大模型LLM 大语言模型理解自然语言任务、逻辑推理、常识VLM 视觉语言模型看图理解物体、场景语义VLA 视觉语言动作模型输入文字 图像直接输出机器人动作序列RT-2、OpenVLA世界模型World Model预测环境未来状态提前规划动作LeCun 核心路线分层决策架构大模型任务规划 底层运动控制。2中层感知与规划3D 重建、SLAM 同步定位与地图构建 物体姿态估计、抓取检测、避障路径规划 仿真引擎NVIDIA Isaac、Webots、国产 GE-Sim 虚拟训练环境 Sim-to-Real 虚实迁移解决仿真训练无法直接落地真机的鸿沟。3底层运动小脑实时控制运动学 / 动力学算法关节轨迹、平衡控制双足不倒 强化学习 RL机器人自主试错学习抓取、行走 模型预测控制 MPC、阻抗控制柔性抓取防止捏碎物品 实时操作系统、机器人中间件ROS/ROS2。六、2026 年当前行业现状优势、落地进展、现存痛点1. 成熟突破点大模型打通通用理解机器人听懂开放式自然语言指令零样本识别从未见过的物体仿真训练规模化90% 基础技能可在虚拟环境训练大幅降低真机数据成本硬件成本快速下降力矩电机、灵巧手、3D 传感器国产化人形机器人成本逐年减半场景落地加速工业分拣、园区配送、电力巡检机器人已商业化量产人形机器人进入工厂试点装配。2. 行业主流两条技术路线分层架构OpenAIFigure大模型负责高层任务规划传统控制算法负责底层运动优势稳定、可控、易落地缺点跨场景泛化偏弱。端到端 VLA 模型Google RT 系列单神经网络统一处理图像、语言、动作涌现更强通用能力缺点算力消耗巨大、动作延迟高、安全性难约束。3. 当前核心瓶颈行业待解决问题虚实鸿沟 Sim-to-Real仿真物理参数与真实世界存在误差仿真训练好的机器人真机容易失败通用灵巧操作不足家庭复杂小件毛巾、餐具、线缆抓取容错率低数据成本极高真机采集千万级交互数据周期长、人力昂贵能耗与续航人形机器人负重、连续工作时间短安全与可靠性动态环境下碰撞、误操作风险高缺乏统一安全标准常识理解不完备大模型仅靠文本缺少大量物理交互经验复杂多步骤任务容易逻辑断裂。4. 长期定位业界共识具身智能是实现通用人工智能 (AGI、Artificial General Intelligence)唯一可行路径。纯文本大模型只能掌握符号知识只有通过物理身体与世界持续交互才能形成人类级真实常识、空间、物理推理能力。七、极简总结方便记忆具身 智能必须依附物理身体在感知 - 行动闭环交互中产生认知不是纯抽象计算起源图灵构想→布鲁克斯 1986 年奠定理论→2020 大模型时代爆发构成硬件本体 多模态感知 大模型决策 运动控制四层技术栈区别ChatGPT 是离身智能机器人、无人车、四足设备才是具身智能现状工业场景小规模落地人形通用机器人处于实验室到量产过渡阶段是全球未来产业核心赛道。