具身智能，作為人工智能領(lǐng)域一顆冉冉升起的新星，正以其獨特的魅力吸引著無數(shù)目光。它究竟是什么？與我們熟知的傳統(tǒng)人工智能有何本質(zhì)區(qū)別？這篇文章將帶你深入了解具身智能的概念內(nèi)核，剖析它在現(xiàn)實中的應(yīng)用場景，探討其目前所處的發(fā)展階段以及未來可能帶來的變革。

周末和朋友聊天，提到具身智能。有諸多觀點，但讓我意外的是，大家都具身智能的理解不太一樣。

有的說，機(jī)械臂在工廠內(nèi)能自動搬運貨物，這是具身智能；有的朋友認(rèn)為，具身智能應(yīng)該像人一樣能走路的機(jī)器人。還有人說，具身智能像大模型一樣，有意識、認(rèn)知。

這些觀點到底哪個是準(zhǔn)確的呢？說實話，我也有點懵；于是，回來后趕緊惡補(bǔ)了這堂課，搞清楚具身智能到底是什么。

什么是具身智能，和傳統(tǒng)人工智能核心區(qū)別是什么？

準(zhǔn)確而言，具身智能（Embodied Intelligence）分為具身（Embodiment)、具身的 （Embodied）、具身智能(Embodied AI)、以及非具身智能（Disembodied AI）四個維度。

具身，指具有支持感覺和運動（sensorimotor）的物理身體。而具身的，強(qiáng)調(diào)智能體，通過身體與環(huán)境交互來實現(xiàn)智能行為，它可交互、具有感知。

比如：

一個掃地機(jī)器人，用攝像頭感知環(huán)境，用輪子移動來探索周圍，再通過傳感器識別障礙物并自動調(diào)整路徑，最終完成清掃任務(wù)；這種用身體和環(huán)境的直接交互，來實現(xiàn)功能的過程，就是具身的。

那具身智能呢？可以總結(jié)為，一個一個身體力行的智能體，不僅擁有身體，還支持物理交互，能夠用身體與環(huán)境的交互實現(xiàn)智能行為，像家用服務(wù)機(jī)器人、無人車等非常符合核心特征。

而非具身智能（Disembodied AI）是沒有身體，只有大腦、智能被動接受人類采集、制作好的數(shù)據(jù)，像一個紙上談兵、或運籌帷幄的家伙。

寫到這，問題來了：通過概念可以看出，具身的和具身智能很像。到底如何區(qū)別它們呢？

簡單粗暴地說，“具身的”靠身體跟環(huán)境互動，比如：機(jī)械臂抓個東西、搬個貨，干點基礎(chǔ)活兒；而“具身智能”高級多了，不光要動手，還得會動腦，要感知環(huán)境、自己做決定，還能邊干邊學(xué)，越干越聰明。

說白了，“具身的”是純體力活，而“具身智能”是“體力+腦力”的結(jié)合體。

這或許，也是宇樹科技創(chuàng)始人王興興在昨天（2025年3月23日）接受《每日經(jīng)濟(jì)新聞》采訪時提到的觀點。

他說，現(xiàn)在人形機(jī)器人最大的坎兒是大模型，尤其多模態(tài)大模型。多模態(tài)搞定了，具身智能離通用人工智能就不遠(yuǎn)了。

所以，王興興那句“具身智能到通用已經(jīng)很快了”，在暗示：大模型一突破，機(jī)器人滿地跑的日子真不遠(yuǎn)了；明白這些，你也就理解了什么是具身智能，它和傳統(tǒng)人工智能的核心區(qū)別是什么。

既然這樣，當(dāng)前具身智能發(fā)展是處于“嬰兒期”還是“青春期”呢？

我覺得還處在嬰兒期。這不是瞎說。大家都這么認(rèn)為。

中國信通院（CAICT）2024年的報告里提到，工業(yè)和服務(wù)領(lǐng)域確實已經(jīng)有一些成熟的案例，但這些應(yīng)用，基本都局限在特定場景，功能有限，離全能型全收還差得很遠(yuǎn)。

其他報告里，也差不多是同一個意思；說白了，要讓具身智能干更復(fù)雜、更廣泛的工作，還要在很多地方下功夫，其中，更根本的是底層能力的不足。

一個最顯眼可見的例子是：減速機(jī)。

什么是減速機(jī)？你可以把它看成機(jī)器人的“關(guān)節(jié)”，連接動力源和執(zhí)行機(jī)構(gòu)的關(guān)鍵部件。咱們國家在核心零部件和材料技術(shù)上進(jìn)步很快，也實現(xiàn)了部分國產(chǎn)化，但和人類關(guān)節(jié)那種靈活自如的能力相比，差距非常明顯。

比如說，工業(yè)機(jī)器人常用的兩種“關(guān)節(jié)”：RV減速器和諧波減速器。RV減速器像健身房里壯漢的膝蓋，能扛起幾百公斤的重物；諧波減速器則像瑜伽達(dá)人的手腕，能靈活轉(zhuǎn)動還不費勁。

國產(chǎn)RV減速器已能替代進(jìn)口（雙環(huán)傳動市占率15%），但要讓機(jī)器人像人類關(guān)節(jié)那樣既能舉啞鈴又能繡花，還差著代際差距。

目前來看，國內(nèi)減速機(jī)領(lǐng)域的領(lǐng)先企業(yè)包括國茂股份、中大力德、綠的諧波、雙環(huán)傳動等，它們的產(chǎn)品主要用在工業(yè)機(jī)器人領(lǐng)域。

雙環(huán)傳動在RV減速器市場中表現(xiàn)突出。它從2013年開始立項研發(fā)RV減速器，經(jīng)過多年的努力，在2017年實現(xiàn)了量產(chǎn)，填補(bǔ)了國內(nèi)在這一領(lǐng)域的空白。

2021年，雙環(huán)傳動成功打破了日本納博特斯克長期以來的市場壟斷，其產(chǎn)品在國內(nèi)市場的占有率達(dá)到了15.1%，成為國產(chǎn)品牌第一。

所以，從時間軸上看，我們在核心零部件上已經(jīng)取得不少進(jìn)展，要讓機(jī)器人像人一樣靈活自主，還有很長的路要走。

在調(diào)研時我發(fā)現(xiàn)，像減速機(jī)這種關(guān)鍵部件是冰山一角，還有好多地方要突破。最值得一提的是：機(jī)器人的“小腦”，也就是它的運動控制系統(tǒng)。

小腦的組成包括，運動規(guī)劃模塊、動力學(xué)控制模塊、傳感器融合系統(tǒng)，以及技能學(xué)習(xí)與分解模塊。這些模塊協(xié)同工作，才能讓機(jī)器人能夠像人類一樣靈活地完成各種動作。

這么說，你也許感觸不大。我舉個例子：

機(jī)器人找到冰箱的位置、避開障礙物走過去，再用合適的力度拉門。難點在于，怎么在復(fù)雜動態(tài)環(huán)境（比如有人突然擋路）中快速規(guī)劃路徑，還要在長時間任務(wù)中保持穩(wěn)定，這得靠規(guī)劃模塊來實現(xiàn)了。

再比如，要協(xié)調(diào)全身關(guān)節(jié)的動作，調(diào)整走路時的重心、控制手臂的力度，目前的挑戰(zhàn)是，怎么讓機(jī)器人像人一樣靈活應(yīng)對突發(fā)情況。比如：被人推一下也不摔倒。

還有，融合把傳感器融合在一塊，也是一大難題。

你想，現(xiàn)在有很多攝像頭、IMU（慣性測量單元）、力覺傳感器，怎么把數(shù)據(jù)捏合到一塊，做到視覺、觸覺同步進(jìn)行呢？最新報告顯示，這些都要進(jìn)一步研究。

另外，技能學(xué)習(xí)和分解模塊也要進(jìn)一步突破。教機(jī)器人開門，要把動作拆解成“接近門、抓把手、旋轉(zhuǎn)、拉門”等基本操作，再通過強(qiáng)化學(xué)習(xí)訓(xùn)練。

但目前這些技能很難在不同場景下復(fù)用。比如：換個門把手形狀就懵了。

這一切表面上看似簡單的動作，背后是一系列復(fù)雜的融合挑戰(zhàn)，每一個小進(jìn)步都要在硬件、軟件上持續(xù)投入，才能讓人一樣靈活智能。

如果實現(xiàn)難度這么大，那么，評價具身智能標(biāo)準(zhǔn)，到底應(yīng)該以完成任務(wù)為主，還是以環(huán)境適應(yīng)為主呢？

我認(rèn)為，問題的關(guān)鍵在于到底要追求專用性，還是通用性。

專用性是什么？拿工業(yè)機(jī)器人來說，在流水線上，它替代了人，專注地完成焊接、裝配這些固定任務(wù)；服務(wù)機(jī)器人也一樣，專注于清潔、搬運。這就是完成任務(wù)的專業(yè)性，它們在特定場景下表現(xiàn)出色，效率高、精度高。

那通用性，或者說環(huán)境適應(yīng)性呢？我再舉個例子：

奧運會上，突然停電了，大家都找不到安全出口。這時候，機(jī)器人該扮演什么角色？它肯定不能像其他人一樣摸黑亂撞，它得是個超級智能體，迅速感知環(huán)境變化，引導(dǎo)人們安全疏散。

這個問題聽起來有點荒誕，卻恰恰戳中了具身智能評價體系的死穴：現(xiàn)在的廠商到底是在比拼誰擰螺絲釘更快，還是誰能應(yīng)對突發(fā)狀況？

所以，環(huán)境適應(yīng)為主的機(jī)器人，顯然是一個更高層次的目標(biāo)。它技術(shù)難度高，短期很難實現(xiàn)，但它更貼近人類的本質(zhì)。畢竟，人類之所以被認(rèn)為智能，不僅是因為能完成具體任務(wù)，更在于能在環(huán)境中隨機(jī)應(yīng)變。

因此，我認(rèn)為完成任務(wù)更適合目前發(fā)展，它能有效推動具身智能在垂直行業(yè)的落地；而以適應(yīng)環(huán)境為主，則是未來需要突破的方向。

那么，在當(dāng)前技術(shù)條件下，哪些具體技術(shù)突破最有可能推動具身智能從專用性向通用性邁進(jìn)？

最近有一篇論文叫：《Exploring Embodied Multimodal Large Models: Development, Datasets, and Future Directions》，里面重點提到了具身多模態(tài)大模型（EMLMs）技術(shù)。

這篇論文厲害的地方在于，它填補(bǔ)了現(xiàn)有研究中的一個空白。研究團(tuán)隊啃了300多篇文獻(xiàn)，從基礎(chǔ)大模型到仿真技術(shù)，全都捋了一遍，尤其是像機(jī)器人怎么感知環(huán)境、怎么導(dǎo)航、怎么跟人互動這些關(guān)鍵問題，都講得挺透徹。

具體來說，論文提到了四點：

1. 跨模態(tài)預(yù)訓(xùn)練和微調(diào)。怎么研究出更聰明的跨模態(tài)預(yù)訓(xùn)練和微調(diào)方法，讓不同模型在任務(wù)中都能表現(xiàn)得很好；
2. 自監(jiān)督學(xué)習(xí)。怎么讓模型通過沒標(biāo)注的數(shù)據(jù)，學(xué)到更豐富的知識，變得更靈活、更實用。
3. 怎么把多模態(tài)模型跟強(qiáng)化學(xué)習(xí)結(jié)合起來是個好方向；
4. 端到端的發(fā)展。現(xiàn)在有很多大模型是為不同任務(wù)設(shè)計，但未來，朝著一個大模型包攬所有任務(wù)的方向發(fā)展，會是一個重要的趨勢。

所以，最后得出結(jié)論是：現(xiàn)在最大挑戰(zhàn)是怎么把多模態(tài)感知、推理和行動整合到一起。說白了，核心集中在大腦、小腦上。

另外一個是高精尖的傳感器技術(shù)。為啥是傳感器，不是硬件？

傳感器像一把鑰匙，能把現(xiàn)實中的各種信息，轉(zhuǎn)化成機(jī)器能理解的數(shù)據(jù)。比如溫度、壓力、位置。在國家戰(zhàn)略層面，傳感器是關(guān)鍵的“勝負(fù)手”——它的性能直接決定了重大裝備和戰(zhàn)略產(chǎn)品的質(zhì)量。

舉個例子：

• 咱們國家的高鐵“和諧號380AL”，一輛列車上有超過1000個傳感器，平均每個零部件都得有個傳感器盯著；這些傳感器干啥用？監(jiān)測列車運行狀態(tài)、檢查軌道有沒有問題、保障列車安全防護(hù)。
• 再看看醫(yī)療領(lǐng)域，你拍心電圖、量血壓、測血糖靠什么？依然是傳感器。現(xiàn)在的醫(yī)生，很多時候靠傳感器給的數(shù)據(jù)做判斷。
• 前段時間，宇樹科技G1機(jī)器人火了，能跳舞、完成拍手、扭腰等動作，還能跟著音樂節(jié)奏舞動，甚至能施展揮拳、旋踢等高難度武術(shù)動作，回旋踢完之后，腿可以穩(wěn)穩(wěn)落地而不倒。

這背后靠什么？還是傳感器。

傳感器讓機(jī)器人有了“觸覺”，能感知地面情況，從而靈活調(diào)整動作。換句話說，傳感器不僅提升了機(jī)器人的運動能力，還讓它能夠更好地感知環(huán)境，完成更復(fù)雜的任務(wù)。

宇樹科技這樣的通用機(jī)器人為啥受到國內(nèi)外青睞？不是因為它便宜，是它成了綜合性選手。正是傳感器技術(shù)的發(fā)展，才推動機(jī)器人從“專用型選手”向“通用型高手”邁進(jìn)，為未來帶來更廣泛的應(yīng)用可能。

所以，不管是具身多模態(tài)大模型的技術(shù)突破，還是高精尖傳感器的升級換代，都在給具身智能添磚加瓦，讓它從只能干“?；睢钡男」?，變成啥都能干的“全能選手”。

希望以上分析能帶來點新啟發(fā)，使你看問題時多幾個新角度。