具身智能是什么：让 AI 拥有身体

只见过文字描述“杯子易碎”的系统，与亲手摔碎过杯子的系统，理解深度并不相同。本文解释具身智能的核心主张、身体带来的约束与免费监督、感知到控制的技术栈，以及它离通用还有多远。

智能不一定长在服务器里

大语言模型能写诗答题，但它没有手、没有眼，也无法感受推门需要多大力气。具身智能（embodied AI）主张：真正的智能离不开与物理世界的持续交互，认知是在感知、行动与反馈的循环中形成的，而不是单纯从文本中学来的。

这个观点有朴素的事实支撑：人类婴儿通过抓、放、爬、摔来建立对重量、距离与因果的直觉。一个只见过文字描述杯子易碎的系统，与一个亲手摔碎过杯子的系统，对世界的理解深度并不相同。

身体带来的约束与便利

拥有身体意味着必须遵守物理定律：动作有惯性，力矩有限，传感器有噪声，反应有延迟。这些都是纯软件系统不必面对的约束，也是具身智能研究难的地方。机器人必须在信息不完整、状态持续变化的情况下做决策。

但身体也带来便利。物理世界本身提供了大量免费监督：推倒了积木，视觉立刻给出反馈；抓不住，触觉会告诉你打滑。这种密集的因果信号，某种程度上缓解了数据稀缺，也让常识有机会从交互中涌现。

技术栈长什么样

典型的具身智能系统分为感知、世界模型、规划与控制几层。感知把摄像头、力传感器、关节编码器的数据融合成状态估计；世界模型预测如果我这样做会怎样；规划在预测之上选择动作序列；控制则把动作转化为电机指令。

近年一个重要变化是把大模型的语义能力接进这条链路：让机器人听懂把桌上那个红色杯子拿给我这样的模糊指令，并拆解成一系列可执行的子步骤。语言因此成为人与机器人之间最自然的接口。

离我们还有多远

目前机器人在开放环境中的通用操作仍不稳定，成功率与人类相距甚远，长程任务更是容易中途失败。主流观点认为，进步将来自更好的仿真环境、可复用的操作数据集，以及真实机器上持续学习的能力。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。