什么是具身智能
具身智能（Embodied Intelligence）的核心主张是：真正的智能不能脱离身体存在。它必须通过感知物理世界、在其中行动、并从行动结果中学习，才能发展出真正的理解能力。
这与我们熟悉的 LLM 有根本区别：
- LLM：从文本中学习，理解语言模式，在语言空间中推理
- 具身智能：从物理交互中学习，理解空间、力、因果，在物理世界中行动
一个经典的思想实验：你能通过读遍所有关于"骑自行车"的文字，学会骑自行车吗？答案显然是不能。具身智能的核心正是这个直觉——某些知识只能通过身体经验获得。
感知-行动循环
具身智能系统的基本工作模式是一个闭环：
- 感知：通过摄像头、激光雷达、触觉传感器等感知物理环境
- 理解：将感知信号转化为对世界状态的理解
- 规划：基于目标和当前状态，规划行动序列
- 执行：通过电机、液压等执行器在物理世界中行动
- 反馈：观察行动结果，更新对世界的理解
这个循环的每一步都充满挑战，而让 AI 在复杂、非结构化的真实环境中完成这个循环，是具身智能的核心难题。
核心技术路线
模仿学习（Imitation Learning）
最直接的方法：让机器人观察人类操作，学习模仿。代表技术是行为克隆（Behavior Cloning）和逆强化学习（IRL）。
核心挑战是「分布偏移」——机器人在训练时见过的场景和真实部署时的场景总有差异，一旦遇到训练分布之外的情况，性能就会急剧下降。
强化学习（Reinforcement Learning）
让机器人通过试错学习，奖励好的行为，惩罚坏的行为。在游戏（AlphaGo、Dota2）中大放异彩，但在物理机器人上面临两个难题：
- 样本效率：物理世界的试错极慢，强化学习需要数百万次交互
- 奖励设计：如何定义"好的行为"本身就是难题
基础模型 + 具身（Foundation Model + Embodiment）
这是当前最热门的路线，也是最有可能带来突破的方向。核心思路：用在海量数据上预训练的大模型（视觉-语言模型、视觉-语言-动作模型）作为"大脑"，通过少量机器人数据微调，获得泛化能力。
代表工作：Google 的 RT-2、PaLM-E、π0；英伟达的 GR00T；OpenAI 的机器人项目。
世界模型（World Model）
让 AI 建立对物理世界的内部模型，在"想象"中规划，再在真实世界中执行。代表性工作是 Yann LeCun 力推的 JEPA（Joint Embedding Predictive Architecture）。理论上能大幅减少真实世界试错的需求，但目前仍处于早期阶段。
硬件进展：人形机器人赛道
2023-2026 年，人形机器人赛道迎来了一波密集的产品发布和商业化落地。
Figure AI
2024 年 3 月，Figure AI 发布与 OpenAI 合作的 Figure 01 演示视频，机器人能用自然语言理解指令、完成桌面物品整理任务。2024 年获宝马工厂订单，开始商业化部署。2025 年发布 Figure 02，灵巧手精度大幅提升，单手可提 20kg。
Tesla Optimus
特斯拉的人形机器人项目。2024 年 Optimus Gen 2 展示了流畅的行走和手部操作能力。马斯克预测 2025 年开始在特斯拉工厂内部使用，2026 年对外销售，目标售价 2 万美元。特斯拉的优势在于：汽车工厂的大量真实操作数据，以及 FSD（完全自动驾驶）积累的视觉感知技术。
Boston Dynamics Atlas
2024 年 4 月，Boston Dynamics 宣布退役液压版 Atlas，发布全电动版 Atlas。新 Atlas 运动流畅度惊人，能完成复杂的翻转、抓取动作。现代汽车（Boston Dynamics 母公司）宣布在工厂部署。
1X Technologies
挪威机器人公司，专注双足人形机器人 NEO。2024 年完成 1 亿美元 A2 轮融资（OpenAI 领投），NEO Beta 已在真实家庭环境中进行测试。
Agility Robotics（Digit）
亚马逊投资的机器人公司，Digit 是专为仓储物流设计的双足机器人。2023 年开始在亚马逊仓库试点，2024 年扩大规模，是目前商业化落地最成熟的人形机器人之一。
基础模型：具身智能的大脑
Google DeepMind：RT-2 和 π0
RT-2（Robotics Transformer 2）：2023 年发布，将视觉-语言模型（PaLM-E）直接用于机器人控制。关键发现：在网络数据上训练的视觉-语言模型，能够直接泛化到机器人任务，无需大量机器人专属数据。
π0（Physical Intelligence）：2024 年，前 Google 机器人团队成员创立 Physical Intelligence，发布 π0 模型。π0 是第一个真正意义上的「机器人基础模型」——在多种机器人、多种任务上训练，能够泛化到新任务。
英伟达 GR00T
2024 年 GTC，英伟达发布 Project GR00T（Generalist Robot 00T）——人形机器人通用基础模型。GR00T 的训练数据来自三个来源：真实机器人数据、模拟器生成的合成数据、人类视频数据。配套发布 Isaac Lab（机器人仿真平台）和 Newton（物理引擎），构建完整的机器人训练生态。
OpenAI 的机器人布局
OpenAI 在 2024 年重启机器人团队（此前曾解散），并投资 Figure AI、1X Technologies。其策略是：先通过投资积累机器人数据和经验，再用 GPT-4o 级别的多模态能力赋能机器人。
中国玩家：追赶与弯道超车
中国在具身智能领域的布局正在快速推进，既有科技巨头的战略投入，也有大量创业公司的涌现。
宇树科技（Unitree）
中国具身智能的代表性公司。四足机器狗 Go2 售价仅 1600 美元，成为全球开发者最常用的具身智能研究平台。2024 年发布人形机器人 H1，展示了流畅的奔跑和跳跃能力，引发国际关注。2025 年发布 G1，进一步提升灵巧操作能力，售价约 1.6 万美元。
智元机器人
稚晖君（彭志辉）创立，2023 年发布远征 A1，2024 年开始工厂商业化部署。智元的差异化在于：自研关节电机，掌握核心硬件，降低成本。
傅利叶智能
专注医疗康复和工业场景的人形机器人。GR-1 是国内最早量产的人形机器人之一，已在多家工厂部署。
科技巨头的布局
- 华为：诺亚方舟实验室持续投入具身智能研究，重点在感知和规划算法
- 腾讯：投资多家机器人公司，Robotics X 实验室研究多足机器人
- 小米：发布 CyberOne 人形机器人，定位消费级，但商业化进展较慢
- 比亚迪、宁德时代：从供应链角度布局，为机器人提供电池和电机
政策支持
2023 年工信部发布《人形机器人创新发展指导意见》，明确 2025 年实现量产、2027 年成为重要经济增长点的目标。多个省市设立专项基金，北京、上海、深圳形成机器人产业集群。
产业落地：从实验室到工厂
当前最成熟的场景：工业制造
工厂是具身智能最早规模化落地的场景，原因在于：
- 环境相对结构化，变量可控
- 任务重复性高，数据采集成本低
- 人工成本高、招工难，替代价值明确
- 容错率相对较高（相比医疗、家庭服务）
典型案例：亚马逊仓库（Agility Digit）、宝马工厂（Figure 01）、特斯拉工厂（Optimus）、比亚迪工厂（多家国产机器人）。
下一个场景：物流与仓储
分拣、搬运、盘点——这些任务对灵巧度要求不高，但需要长时间稳定运行。已有多家公司在这个方向取得商业进展。
长期目标：家庭服务
这是最难的场景，也是最大的市场。家庭环境极度非结构化，任务多样，安全要求极高。目前仍处于早期研究阶段，预计 2028-2030 年才可能出现真正实用的家用机器人。
数据飞轮：规模化的关键
具身智能的核心竞争壁垒是数据飞轮：部署越多机器人 → 采集越多真实操作数据 → 训练出更好的模型 → 机器人能力更强 → 能部署到更多场景。这解释了为什么特斯拉在机器人领域有独特优势——Optimus 可以直接从特斯拉工厂获取海量真实操作数据。
未来走向：三个关键问题
问题一：通用性 vs 专用性
当前的人形机器人大多是「专用」的——为特定任务（如仓储分拣）优化。真正的通用人形机器人（能像人一样做任何事）还有多远？
乐观派认为：基础模型的泛化能力正在快速提升，π0 已经展示了跨任务泛化的可能性，5-8 年内可能出现真正通用的机器人。
悲观派认为：物理世界的复杂性远超语言空间，长尾问题（罕见场景、边缘情况）可能需要数十年才能解决。
问题二：数据问题
LLM 的成功依赖互联网上海量的文本数据。但机器人操作数据极度稀缺——采集成本高、场景多样、难以标注。
三个可能的解法：
- 合成数据：用仿真器生成大量训练数据（英伟达 Isaac Lab 的路线）
- 人类视频：从 YouTube 等平台的人类操作视频中学习（RT-2、π0 的路线）
- 规模化采集：大量部署机器人，用真实操作数据训练（特斯拉的路线）
问题三：安全与对齐
具身智能的对齐问题比 LLM 更紧迫——一个说错话的 AI 是麻烦，一个做错事的机器人可能造成物理伤害。
关键挑战：如何确保机器人在「没见过的情况」下做出安全的决策？如何在追求能力的同时保持可控性？这些问题目前没有完整答案，但已经是学术界和工业界的核心研究方向。
时间线预测
- 2026-2027：工业场景规模化部署，头部公司年出货量突破万台
- 2027-2029：物流、零售场景商业化，通用操作能力显著提升
- 2029-2032：家庭服务机器人开始进入早期采用者家庭
- 2032+：真正通用人形机器人，可能成为继智能手机之后最大的消费电子品类
具身智能是 AI 发展的下一个主战场。当 LLM 让 AI 学会了「用语言思考」，具身智能要让 AI 学会「用身体思考」——这两种能力的融合，可能才是真正通用人工智能的雏形。