转自：人民论坛

【摘要】具身智能既连接了“大脑—小脑”（感知、规划、决策算法）与“躯体”（物理载体），也将感知、运动、环境和社会等多维要素纳入统一考量，正成为驱动新一轮科技革命和产业变革的核心力量。随着高效算力设施的广泛部署、智能算法的不断迭代以及社会需求的持续增长，具身智能将在工厂车间、物流仓储、家庭服务、医疗康复、城市交通等各个领域持续落地，深刻改变人类生产生活方式，并孕育出全新产业形态和经济模式。

【关键词】具身智能 人工智能 智能机器人

【中图分类号】TP18 【文献标识码】A

具身智能（Embodied Intelligence）是人工智能（Artificial Intelligence，AI）研究与应用的重要前沿方向，但并非近年来才提出的概念。早在20世纪50年代，人工智能先驱阿兰·图灵（Alan Turing）就在论文《计算机器与智能》中构想了具身智能的雏形：为机器配备最好的传感器、使其可以与人类交流、像婴儿一样进行学习。同一时期，控制论创始人诺伯特·维纳（Norbert Wiener）也提出了“行为智能”的理念。具身智能定义可概括为一种基于物理身体进行感知、认知和行动的智能系统，其通过智能体与环境交互获取和理解信息、作出决策并实施相应行动（包括行为反馈），从而形成适应性和智能行为。

具身智能技术发展现状

随着算力的极大提升、大规模数据的获取日益便捷以及多种新型AI模型的涌现，人类长期以来对“智能体与环境交互并实现进化适应”的追求正在加速转变为现实。“人工智能”“具身智能”与“人形机器人”常被混为一谈，实际上三者各有侧重：人工智能更注重算法和计算层面的信息处理与认知能力提升；人形机器人的核心在于实现具有类人形态的物理载体；具身智能则注重“智能体—环境—算法”三位一体的协同演化，更强调如何在物理实体中充分利用感知、决策和执行机制，并在环境交互中不断演进。当前研究与应用主要聚焦以下五大核心领域：面向具身技术的仿真引擎（Simulators）、具身感知（Embodied Perception）、具身交互（Embodied Interaction）、具身智能体（Embodied Agent）、虚实迁移方法（Sim-to-Real Adaptation），它们构成更通用、更自主且更具协作性的智能形态的关键环节。

面向具身技术的仿真引擎旨在通过构建高度仿真的虚拟环境，模拟真实世界中的物理交互过程，使智能体在安全可控的条件下进行感知、决策与行动的训练与测试。其核心目标是快速迭代算法、降低实际部署风险，在机器人研究、自动驾驶、智能制造等领域应用广泛。根据构建方式的不同，可将其分为两大类：一是基于底层通用仿真的平台，典型代表为Gazebo与Isaac Sim平台。Gazebo提供了可扩展的物理引擎、多机器人模型库，并与机器人操作系统（ROS）深度融合，支持多机器人导航及协作。Isaac Sim则内置高保真物理引擎（PhysX）与逼真的渲染能力，适用于自动驾驶和大规模强化学习等场景。二是基于真实场景的仿真平台，典型代表为AI2-THOR室内仿真环境与iGibson建筑重构高精度场景。AI2-THOR内含丰富的交互式物体与语义标签，可用于家居机器人或日常任务研究。iGibson则基于真实建筑数据重构高精度场景，实现实际物理交互过程，并支持多模态传感器与人机交互模拟。

具身感知方法指智能体通过传感器主动获取并理解环境中的多模态信息（视觉、听觉、触觉、语义等），为后续的认知与行为决策提供基础支撑。主要包括以下三个方面：一是主动视觉感知，如NeU-NBV、Fan等主动探索方法通过智能体自发改变观察角度或执行交互行为来获得更高的信息增益，提升环境建模与理解效率；二是三维视觉定位，如ScanRefer、3DVG-Transformer、ReGround3D等方法将自然语言与三维点云数据结合，在复杂环境中实现精准的目标对象定位与推理，为具身智能体在服务、救援、无人仓储等场景下的自主操作奠定基础；三是非视觉感知，如GelSight、DIGIT、9DTact等触觉感知技术可捕捉表面纹理、压力分布与滑动等信息，为智能体在精细装配或柔性抓取等复杂操作任务中提供高分辨率的物理反馈与互动支持。总体而言，具身感知方法正向“主动感知、多模态融合、语义理解”演进，为具身智能体构筑更加完善的环境认知与信息处理能力。

具身交互方法关注智能体与外部环境、目标物体以及人类之间的自然、高效、语义对齐的动态联系，是实现智能体任务执行与人机协同的关键。主要分为两类：一是人与智能体交互，智能体在视觉环境中自主移动、感知并回答问题，典型应用包括EQAv1、iGQA等具身问答系统；二是智能体与物体交互，借助大语言模型进行行动规划，并结合控制策略执行具体操作，典型方法包括SayCan、Code-as-Policies等语言引导抓取算法。随着自然语言理解和多模态融合技术的升级，具身交互不断拓展智能体在服务机器人、人机协作和日常生活中的应用深度，努力实现“所见即所得、所说即所行”的人机互动模式。

具身智能体是指具备完整的“感知—理解—决策—执行”闭环能力，能够在真实或虚拟环境中完成复杂任务的实体，如机器人、自动驾驶系统等。当前研究主要关注两个方面：一是多模态基础模型，如Google DeepMind提出的RT系列模型（RT-1、RT-2、RT-H），将视觉、语言、动作序列统一编码，通过大规模行为数据进行训练，具备跨任务与跨环境的泛化能力；二是任务规划系统，如SayCan、Inner Monologue等通过大语言模型（如GPT-4）将人类指令拆分为可执行的操作模块，并结合世界模型（World Model）、记忆机制与反馈控制，构建从语义理解到物理执行的闭环交互框架。总体而言，具身智能体正从“专业型机器人”向“通用型智能体”演进，其认知、推理与适应能力被视为通往通用AI的关键路径。

虚实迁移方法旨在将模拟环境中的训练成果迁移到真实物理世界，是具身智能体大规模落地的关键。现有研究主要围绕以下三方面展开：一是具身世界模型，在虚拟环境中构建带有时序与物理一致性的世界模型，帮助智能体预测环境状态，典型方法包括DreamerV3、E3B等；二是高质量数据生成与训练，如ProcTHOR、HOLODECK、PhyScene等平台借助大语言模型与扩散模型，自动合成多样化且物理一致的虚拟场景，拓展训练数据分布，提升对未知环境的适应性；三是域随机化与对抗性学习，帮助智能体习得的技能与行为策略在光照、材质、摩擦系数等条件变化时平稳迁移，降低实际部署风险。随着虚拟与现实间交互壁垒的不断削弱，具身智能正迈向“先在虚拟中充分训练，再在现实中无缝执行”的研发与部署模式，为复杂现实场景的应用提供了可行路径。

具身智能产业发展现状

具身智能在满足国家重大需求以及提升关键领域竞争力方面具有巨大潜力，应用范围涵盖国防安全、应急救援、太空探索，以及医疗康复、养老助残、智能家居和智能制造等民生领域。近年来，具身智能正不断催生出新的产业形态，有望深刻改变社会的生产方式和生产关系，并以空前速度与深度重塑世界。在产业层面，具身智能与制造业、农业、服务业等深度融合，创造出新业态、新模式，成为经济增长的新引擎。近年来，全球各大科技巨头均投入了巨额资源来开发人形机器人、自动驾驶汽车、工业机器人及无人机等具身智能产品。笔者从中国、美国和欧盟三个主要国家和地区出发，探讨具身智能产业的最新发展动态，分析在医疗、工业、交通、服务等领域的典型企业与产品案例，并展望其对未来经济和社会发展的深远影响。

中国：产业规模持续扩大，本土企业快速崛起。中国已成为全球最大的机器人消费市场和生产基地，国家政策的大力支持极大推动了具身智能产业的发展。在工业制造领域，国产机器人迅速崛起，新松机器人、埃斯顿机器人等企业的产品广泛应用于汽车制造、电子装配、机械加工等领域。此外，国际巨头ABB在上海建立了全球最大规模的机器人超级工厂，为中国及亚太地区提供更加高效的机器人解决方案。在物流服务领域，中国本土企业极智嘉（Geek+）取得快速发展，其自动仓储机器人系统已广泛服务于阿里巴巴、京东等大型电商企业，极大提高了物流效率和仓储管理自动化水平。在智能交通领域，百度Apollo在无人驾驶领域不断实现技术突破，第六代无人驾驶出租车RT6在北京、深圳等多个城市实现了规模化商业运营。小马智行（Pony.ai）也在广州和北京的Robotaxi实现了无安全员运营，并成功登陆美国资本市场，估值超过85亿美元，成为具身智能交通应用的重要里程碑。在服务机器人领域，宇树科技（Unitree）在2023年发布了价格亲民的人形机器人H1，进一步推动了人形机器人的产业落地和市场普及，显示出中国企业在成本控制和市场化推广方面的优势。此外，科沃斯和石头科技在家用扫地机器人领域取得突破，其高智能化、自动化的产品受到市场广泛欢迎。

美国：引领全球的技术创新和商业模式拓展。美国凭借雄厚的技术基础和高度发达的资本市场，长期引领全球具身智能产业的发展方向和技术前沿。在工业制造领域，亚马逊通过Amazon Robotics系统在全球物流网络部署75万台机器人，大幅提升了物流处理的效率和精准度。在物流服务领域，波士顿动力（Boston Dynamics）推出物流机器人Stretch与四足机器人Spot，前者聚焦仓储货物自动化搬运，后者则广泛应用于工业巡检和公共安全。美国Zipline公司则借助无人机技术实现了偏远地区的医疗物资快速配送，进一步拓展了具身智能在紧急救援与医疗物流中的应用空间。在智能交通领域，Waymo的Robotaxi服务已在凤凰城、旧金山、洛杉矶等地全面展开，将进一步拓展至迈阿密和华盛顿特区等更多城市，成为全球自动驾驶出租车领域的领导者之一。在服务机器人领域，特斯拉推出人形机器人Optimus，投入自家工厂试用，执行电池装配和物流任务，计划在2025年实现小规模量产。由Intuitive Surgical公司推出的达芬奇手术机器人占据了全球领先地位，截至2024年装机量已超过9900台。

欧盟：传统工业基础与创新应用并举。欧盟依托深厚的制造业基础，在工业自动化和服务机器人领域拥有领先优势。在工业制造领域，ABB集团于2023年在瑞典投资2.8亿美元新建机器人制造工厂，以满足本土市场需求，并推出了全新的协作机器人产品线；丹麦Universal Robots在协作机器人市场中持续领先，最新产品UR20具备更大负载和更高安全性，广泛应用于汽车零部件制造、电子组装等精密工业场景。在物流服务领域，瑞士ANYbotics公司推出的四足巡检机器人ANYmal专门应用于石油化工、能源设施等危险环境，成功替代人工完成巡检任务，极大提高了作业安全性和效率；英国的CMR Surgical公司成功推出Versius腹腔镜手术机器人，在欧洲多个国家和亚洲市场的医院实现落地应用。在服务机器人领域，法国Parrot公司的无人机在航拍和监控领域也颇具实力。此外，欧盟多国政府正积极推动养老院护理机器人普及，以应对日益严峻的人口老龄化问题，逐步形成以机器人为核心的智慧养老服务体系。

具身智能的能力边界

尽管具身智能在封闭、简单的作业环境中取得了显著进步，但其整体能力仍受制于大算力、大数据与强算法三大核心要素的宏观限制。当前主流研究多依赖大语言模型或多模态大模型，如GPT-4、PaLM-E、RT-2、Gato、VIMA等，这些模型大多停留在对文本或已有图像数据的统计性模仿，虽可实现一些初步的语义理解与简单操作，却无法真正掌握从抽象语言到复杂真实世界的跨模态理解。

以Sora为代表的生成式AI模型虽具备一定的物理模拟能力，能基于文本描述生成视觉上合理的视频，但仍显现出明显的跨模态理解困难。其生成的视频内容经常出现“局部合理但整体荒谬”的矛盾，如“幽灵椅子”等现象，暴露出当前模型对空间结构、物理因果与社会环境缺乏深层次的认知与推理能力。这说明现有具身智能在涉及复杂因果判断、精细物理交互或多维社会互动的高级任务时仍显力不从心。其局限性主要体现在：空间推理能力弱、物理推理能力弱和时间推理能力弱，即难以精准建模三维环境中物体的复杂关系与精确位置，缺乏对真实物理环境的因果建模与推理能力，且在处理多步骤逻辑、长期规划或动态环境的连续决策时易出现短视或推断错误。这是由于：

首先，目前具身智能技术主要依赖静态数据（如文本、图像），缺乏多模态感官融合与持续主动探索的闭环学习过程。例如，DeepMind的Gato、MIT的VIMA及Meta的Habitat 3.0，虽然在特定任务或仿真环境中表现突出，但其本质仍是数据驱动的被动学习过程，无法像人类一样通过主动感知—动作闭环动态优化自身的认知与行为。这再次凸显了莫拉维克悖论（Moravec's Paradox）：AI在抽象层面的认知任务（如语言理解、逻辑推理）中进展迅猛，却在感官运动和直觉感知等对人类而言简单的任务上表现欠佳。例如，即便现有的大模型能够理解语义指令，在执行类似人类幼儿直觉性抓握或动态平衡等“简单”感官运动任务时仍面临巨大困难。

其次，当前具身智能模型普遍缺乏显式的因果建模与推理机制，难以理解真实物理环境的动力学本质。现有具身智能模型通常只能适应特定仿真条件下的物理交互，虽然能够理解简单空间指令，但仍无法精准处理三维环境中的复杂物体关系、精细位置预测以及精准自我定位。一旦真实环境与训练条件稍有差异，其性能便急剧下降。例如，机器人在操纵对象时容易出现误抓或位置偏差等问题，其原因在于模型缺乏明确的空间几何与相对位置关系的内在推理机制。同时，模型在理解和推断事件顺序、制定多步任务计划以及预测长期未来变化上存在显著缺陷。虽然RT-2等模型可处理初级的多步骤逻辑，但在涉及长期规划或动态环境的连续决策时，往往出现短视、推断错误或行动混乱的现象。

为突破当前具身智能的瓶颈，应重点发展以下几个关键方向：增强空间、物理与时间推理的显式建模能力，实现感知与动作的深度融合，引入持续主动探索机制和闭环交互学习，研发具备跨模态泛化能力的统一基础模型。更进一步地，需构建完整且鲁棒的自我与环境模型，使智能体能够在线更新自身对身体状态、物理特性以及环境因果关系的认知，并通过内部模拟预测，灵活应对环境变化和新任务挑战。

具身智能未来发展趋势

具身智能的未来演进将围绕“感知—学习—想象—协同”四个关键方向，构筑从低层物理执行到高层认知决策的多层次智能体系。这标志着AI从“算力驱动”向“理解驱动”跨越，为进一步迈向“类人智能”乃至“通用人工智能”提供了清晰的技术路线，推动产业发展并全面提升人类生活品质。

“感知”是智能体与外部世界联结的起点，涉及多模态与主动探测技术。未来具身智能的感知系统将更加注重多模态融合与主动探测，从而获得对环境更完整、更可靠的表征。一方面，多模态融合技术使视觉、听觉、触觉、力觉、温度等信息源相互补充、交叉验证，为后续认知决策提供支撑。例如，自动驾驶车辆通常使用激光雷达、摄像头和毫米波雷达等多种传感器，结合视觉识别、深度估计与车道线检测，形成对道路与周边环境的多模态感知。类似地，医用护理机器人可在手术过程中同时采集视觉、触觉与力觉信息，以保证操作精度与患者安全。另一方面，通过在未知环境中根据当前认知不确定性或信息增益策略，主动选择探测路径与传感器配置，不断缩小认知盲区。比如，机器人在自主巡检过程中，能够自主选定路线并主动探测楼梯、机械设备等区域，从而更全面地了解环境情况。再如，搜救无人机可根据已知地图和建筑结构，自主选择最优航线，探测尚未覆盖的区域并与地面指挥中心共享高价值信息，提升应急救援效率。

“学习”包含了闭环式环境交互与终身进化，体现了具身智能持续进化、适应环境的核心能力。与传统依赖静态数据的离线训练模式不同，未来的具身学习更强调闭环式的实时环境交互，在此过程中不断修正内在世界模型并更新行为策略。此种学习模式具有以下特点：第一，持续学习。通过环境交互不断获取新的信息，修复智能体的认知盲区。比如，自动驾驶系统可收集海量用户驾驶数据，不断识别和弥补算法在特定天气、道路状况下的不足。第二，在线适应。针对环境变化或任务变更，智能体可迅速调整策略，无需从零开始离线训练。例如，当仓库布局或物流需求发生变化时，仓储机器人可根据实时数据调整行进路线和拣货次序。第三，因果推理。在真实或仿真场景中对因果关系进行试验与验证，避免对统计关联的过度依赖。比如，农业无人机集群可根据实时监测到的土壤湿度、病虫害等信息，判断喷洒何种农药、何时灌溉等决策背后的因果链条，而非仅凭统计学经验、历史均值。第四，闭环式学习。在高度不确定、动态的真实环境下，智能体可持续更新其世界模型和演进策略。例如，医疗康复机器人可根据不同患者的恢复情况和即时反馈，调整康复动作的强度与节奏，在患者日常训练中逐步学习并优化个性化方案，真正实现“终身进化”。

“想象”强调的是智能体在内部建构世界模型并进行前馈预测的能力，通过“在脑中演练”来减少现实环境的风险与试错成本。“想象”的方式方法主要包括：第一，基于物理一致性的想象。通过高保真仿真环境或在智能体内部构建的物理模型，模拟可能的动作序列及其结果。例如，在自动驾驶模型部署前，可在虚拟城市中测试车辆对各种交通场景的反应，包括行人突然出现、临时施工等情况，从而在现实中减少意外发生。第二，高层语义与因果推理。不仅要做力学计算，还要理解任务意图、常识逻辑和社会规则。例如，社交陪护机器人在与老人或儿童互动前，可先在世界模型中模拟对话和行为，以判断“如何表达关怀、如何遵守社交礼仪”，从而在实际互动时更符合社会规范。第三，减少现实试错成本。在“想象”环节先行推演并筛选风险较高的动作或选项，使智能体能够在工业生产、医疗辅助等高代价或高风险领域更安全、更高效地完成任务。比如，人形机器人在工厂流水线实际操作前，可先在数字孪生环境中测试装配流程并预测故障点。

“协同”是具身智能在社会化应用中的高级形态，强调人与机器、机器与机器之间的分工与配合。主要包括两个方面：一是人机协同，可通过语音、视觉手势、脑机接口等实现。例如，工业协作机器人与人类工人共同作业时，可通过手势检测与安全传感器来识别人类意图并避障；医用康复机器人可实时“聆听”患者语音指令，或利用可穿戴式脑机接口识别患者的肌电信号与大脑活动，从而动态地调整动作。在帮助人类完成工作或日常任务时，需要保证对人类指令的服从与执行的可解释性。例如，助老助残机器人在为老人端茶送水或协助行走时，必须让使用者清楚自身行为逻辑，并具备碰撞检测、力反馈等安全机制。二是多机协同，即不同形态、不同功能的智能体协同完成复杂作业。例如，在现代化仓储中心，自动导引车负责搬运，机械臂完成拣货，监测无人机则负责巡检和盘点。各设备间通过统一的通信协议共享位置与任务信息，从而协调作业，提高整体效率。

综上所述，具身智能既连接了“大脑—小脑”（感知、规划、决策算法）与“躯体”（物理载体），也将感知、运动、环境和社会等多维要素纳入统一考量，正成为驱动新一轮科技革命和产业变革的核心力量。尽管在高度动态与不确定性的真实环境中，当前方法尚不足以进行完善的因果推理和灵活规划，但借鉴人类主动探测、持续交互和闭环学习的认知机制，必将助力具身智能实现跨越式发展。

未来十年，随着高效算力设施的广泛部署、智能算法的不断迭代以及社会需求的持续增长，具身智能将在工厂车间、物流仓储、家庭服务、医疗康复、城市交通等各个领域持续落地，深刻改变人类生产生活方式，并孕育出全新产业形态和经济模式。它所带来的不只是效率提升，更是从“算力驱动”迈向“理解驱动”的范式转变，是智能机器人迈向“类人智能”乃至“通用人工智能”的关键。唯有秉持对未知世界的持续探索与思考，并在政策、伦理、法规及跨学科协同等多方面形成合力，方能在具身智能的宏大图景中，与时代同行，迎接更加智慧与繁荣的新纪元。

（作者为西安交通大学人工智能学院教授）

责编/银冰瑶 美编/杨玲玲