什么是具身智能？会「动手」的 AI 走到哪了

大模型能写诗、能编程，却不会帮你把桌上的杯子拿起来。具身智能要解决的，就是让 AI 拥有身体、能在物理世界里行动。它和 大语言模型 同源，却面对一个完全不同的考场。

具身智能不是新概念，机械臂和工业机器人存在了几十年。它最近被频繁提起，是因为大模型给机器人补上了一块短板：过去机器人只能靠工程师逐条写规则，现在大模型能直接理解自然语言指令、规划任务步骤，让「听懂人话再动手」头一次变得可行。换句话说，大模型管「想」，底层控制管「动」，中间那层怎么衔接，正是当前研究和产品竞争最密集的地方。

它和语言模型的差别在哪

差在三处。输入不同：除了文字，还有摄像头画面、力矩传感器、触觉反馈；输出不同：它给出的从一段文字变成一串动作指令；反馈不同：说错话可以重说，动作做错可能摔坏东西。这三处差别叠加起来，让具身智能的难度陡增——它必须在「做错就要付出真实代价」的环境里学会行动。

真实世界不给第二次机会

语言模型可以无限试错、随时重来，机械臂抓一个鸡蛋，用力大一点就碎了。数据难采集、试错成本高，是具身智能落后于语言模型的根本原因。语言数据在互联网上近乎免费，动作数据却要靠真机一遍遍演示，或靠仿真环境批量生成；而仿真的物理规律和真实世界总有偏差，练得好不代表上机就能用。视觉感知是其中关键一环，机器要先「看懂」物体位置和形状，相关技术思路可以对照 智能抠像 里对画面对象的理解。

三条技术路线，一张表对比

怎么把「想做什么」变成「怎么动」，目前有三条主流路线。

动作数据从哪来

语言模型的语料在互联网上随手可得，具身智能的动作数据却要专门造。目前主要有三条来源：一是人遥操作机械臂，让它记录下示范动作；二是仿真环境批量生成，用程序制造各种抓取、放置的样本；三是真机试错，让机器人自己探索、记录成败。三条来源各有短板——遥操作慢且贵，仿真和现实有落差，真机试错可能损坏设备。这也是为什么具身智能的进步节奏比语言模型慢：数据的单位成本不在一个量级上。

现在能做什么、不能做什么

能做的，是结构化、可重复的任务：固定工位上的抓取、分拣、巡检，在预设场景里完成固定动作。这些任务位置确定、对象固定，机器人不需要理解太多变化。不能做的，是开放环境下的通用家务——叠衣服、收拾房间这类任务变化太多，形状、材质、摆放每次都不一样，目前还看不到稳定泛化的解法。空间理解上的差距，可以从 智能重构图 对画面空间的处理中感受到：机器对「位置关系」的把握仍远不如人。

速查：看具身智能新闻先问三句

• 演示是真机还是仿真？仿真成绩不能直接当真机能力
• 是固定场景还是随机场景？固定场景的泛化意义有限
• 失败率多少、失败后怎么收场？只看成功率不看失败代价会失真

离通用机器人还有多远

具身智能离「通用家务机器人」还有明显距离。它做不好需要精细触觉反馈的任务，做不好需要长期记忆和常识推理的任务，也做不好从未见过的物体与场景。更现实的边界是：很多演示视频是在受控环境、固定光照、重复动作下完成的，换个环境就可能失效。判断一个具身智能进展时，别只看它「成功了一次」，要看它在随机场景下的失败率、以及失败后的恢复能力。当前它更像一台在特定工位上稳定干活的专用设备，而非能走进千家万户的通用助手——对它的预期，应该建立在「专用优先、通用渐近」的判断上。