Embodied Intelligence

具身智能

智能不再只活在屏幕里的文字和图像中,而是拥有身体,能在真实世界里感知、行动,并在与环境的互动中学会做事。

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

正在落地的方向

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。

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。