1. 这波具身智能热,到底在热什么

过去半年我参加了很多机器人相关的技术交流,一个非常明显的感受是:具身智能从一个小圈子里的学术概念,变成了整个产业界都在讨论的显学。无论是做工业自动化的老牌厂商,还是搞大模型的新锐团队,都在重新调整方向。这个转变来得不算突然,但它的速度确实超出了很多人的预期。

具身智能的英文对应概念是Embodied Intelligence,核心思想并不复杂:智能体必须通过一个物理身体去感知环境、做出动作,并且在与真实世界的反复交互中不断学习和进化。和传统AI最本质的区别在于,它不再满足于"理解世界",而是要求"作用于世界"。你可以把纯语言模型想象成一个熟读兵书的参谋,它可以把作战方案讲得头头是道,但真让它上战场就不行了;而具身智能是真正上战场的士兵,不仅要读懂局势,还要能跑、能躲、能搬物资,每一步行动都要应对真实环境的不确定性。

1.1 从"会思考"到"会动手",AI跨出关键一步

以前我们讨论AI,绝大多数场景是"离线"的:给模型一张图片,它告诉你里面有什么;给模型一段文字,它帮你生成文章。这些任务有一个共同点——信息流是单向的,模型不接触物理世界,也不需要为自身行为的后果负责。具身智能把信息回路彻底改变了:机器人通过摄像头、激光雷达、触觉传感器感知周围环境,然后由决策系统产生动作指令,最后机械臂或腿足执行动作,而这些动作造成的结果又会通过传感器反馈回来,成为下一轮决策的输入。

这个"感知-决策-执行-再感知"的闭环,才是具身智能真正区别于传统自动化的地方。传统工业机器人也能完成抓取、焊接、装配,但它面对的是严格结构化场景:工件放在固定位置,轨迹预先编程,环境稍有变化就罢工。具身智能的目标是应对非结构化场景——桌面上物体位置随意,光照变化,目标物体可能被遮挡,甚至需要在与人共处的环境中作业。要做到这一点,系统必须具备泛化能力,而泛化能力的来源,恰恰是闭环交互中积累的大量经验。

我在和几位做机器人本体创业的朋友交流时,大家形成了一个共识:**过去十年AI的进步主要是在"脑"上,接下来十年的增量,很大一部分会在"脑"和"身体"的耦合上。**这不只是技术路径的转移,更是整个评价体系的改变——以前衡量一个模型看准确率、看Benchmark分数,现在衡量一个机器人,要看它在真实产线上连续运行多少小时不出故障,看它面对没见过的物体能有多高的操作成功率。

1.2 热度曲线与三个迹象:资金、论文、人才都在转向

任何技术热起来,背后都有迹可循。我观察到三个比较明显的信号。

第一个信号在产业端。今年和几个制造业客户聊需求,明显感到他们对"通用操作"开始有了预算意识。以前采购自动化设备,基本逻辑是"这个工位用什么专机来搞定",现在越来越多的需求是"能不能用一台机器解决多种换型"。这种需求变化直接推动了下游方案商开始认真评估具身智能技术,而不是停留在概念展示。

第二个信号在学术端。翻一翻近一年的论文,具身智能相关的方向占据了相当比重,尤其是视觉-语言-动作模型、操作技能学习、灵巧手操控这些细分方向。很多原来做纯视觉或纯自然语言处理的团队,开始把机器人作为应用出口。学术风向的转变通常会提前产业落地一到两年。

第三个信号在人才端。机器人本体设计、运控算法、数据采集系统这些岗位的招聘热度明显上升,而且出现了一批有自动驾驶背景的工程师进入机器人赛道。自动驾驶和具身智能在感知、决策、仿真这些技术栈上高度同源,这部分人才的流入会让行业的工程化能力上一个台阶。

但热度高不等于没有泡沫。我的真实感受是,现在很多Demo演示都存在明显的"滤镜"问题:环境是精心布置过的,操作序列是预设好的,成功率统计口径也各不相同。用行业的行话说,很多产品处于"实验室到产线之间的无人区"。正因为这样,我觉得更有必要把具身智能的技术框架、落地现状和瓶颈认真拆一遍,帮大家建立一个相对清醒的判断坐标系。

2. 拆开看:感知、决策、执行,谁才是当前短板

很多人谈到具身智能,脑子里只有"大模型+机器人"这一个公式。但真正的具身系统是一台极其复杂的"三合一"机器:眼睛负责感知,大脑负责决策,身体负责执行。每一环都有独立的难题,而且这三者之间还互相耦合。我习惯用一个简单的分层模型来理解它,这样无论是看论文还是评估产品,都能快速定位问题出在哪一层。

2.1 感知不只有视觉,力觉和触觉是"隐藏感官"

具身智能的感知层,最容易被人忽视的是力觉和触觉。视觉当然重要——物体识别、位姿估计、场景理解都靠它。但如果你真正用机器人去干过活,就会发现视觉只是"前菜"。机器人能不能稳妥地拿起一个鸡蛋而不捏碎,能不能把螺丝精准拧入直径只大0.1毫米的孔,这些动作依赖的是力觉和触觉反馈。人类在下意识里做这些动作时,指尖的力控精度可以达到非常高的水平,而机器人要做到同样的事情,需要多维力传感器和触觉传感器实时反馈,再由控制算法做出毫秒级的调整。

我在某个实验室看他们调试双轴力控打磨时,印象很深:机器人接触工件的一瞬间,力反馈数据会立刻跳动,如果控制频率不够高,打磨力就会忽大忽小,工件表面质量完全没法看。他们最后花了大量时间在力控算法的参数整定上,仿真里跑得再好,真机上的表现也要重新调。所以说,感知层的核心问题从来不是"装了多少传感器",而是"多模态数据如何在控制回路里被实时、稳定地使用"。

2.2 决策大脑:大模型、世界模型与强化学习的三角关系

决策层是当前进步最快、也最热闹的部分。大语言模型给机器人带来了"常识"——它知道杯子是易碎品,知道红色和蓝色是不同的颜色,知道"把桌上的苹果拿给我"这种指令的大致意图。这些常识对于传统规则系统来说几乎不可能手工编码,而预训练模型天然具备。

但光有常识不够,机器人还需要对物理世界建立"直觉"。这就引出了世界模型的概念:让模型能够预测"如果我向左推动这个罐子,它会往哪个方向滚"这类物理结果。世界模型一旦成熟,机器人就可以在内部进行大量的"脑内推演",而不是每次动作都要真跑一遍。再加上强化学习提供的试错优化能力——在仿真里跑几百万次,让策略网络逐步收敛到高成功率——这三者构成了当前决策层的核心技术底座。

需要注意,这三者的关系不是替代,而是互补。大模型负责冷启动和语义理解,世界模型负责物理预测,强化学习负责策略优化。就现状而言,大模型做语义理解已经很成熟,但 世界模型还在非常早期 ,大部分团队做的还是小规模、限定场景的物理预测。这也是为什么你会看到很多机器人Demo很聪明,但一旦场景偏离训练分布,行为就会变得非常不可控。

2.3 执行层:运控和操作耦合的"最后一厘米"难题

如果说感知和决策是"软件问题",那执行层就是"物理地狱"。机器人的末端执行器——尤其是灵巧手——是公认的硬骨头。人手的自由度有20多个,肌肉骨骼系统提供的柔顺性是任何机械结构都很难复刻的。目前市面上能买到的灵巧手,大多在10到15个自由度之间,而且每增加一个自由度,控制复杂度和成本都会显著上升。

执行层还有一个更底层的问题是运控和操作的耦合。机器人在移动中抓取,或者在人形机器人上完成双臂协同操作时,"身体姿势"和"手部动作"必须同时规划。很多研究团队习惯把这两件事分开做,但实际部署时你会发现,机械臂够不够得着、机器人会不会在发力瞬间重心失衡,这些都会直接决定任务成败。用一个不那么严谨的比喻:大脑想得很清楚,手也够灵活,但小脑和躯干跟不上,最终动作还是会失败。

我在实地走访机器人企业时最强烈的感受是:**决策层的进步速度,已经明显快于执行层硬件的迭代速度。**算法再聪明,落在精度不够的减速器、刚性不够的结构、响应不够快的电机上,最终表现也会大打折扣。所以当前阶段,软硬件的协同调优能力,往往比单点算法创新更稀缺。

3. 大模型遇上机器人:端到端路线和模块化路线怎么选

在所有技术路线问题里,讨论最激烈、分歧最大的就是端到端和模块化之争。这个问题直接决定了团队的产品架构、数据策略和人才需求,值得单独拿出来分析。

3.1 VLA模型:把"视觉-语言-动作"压进一个网络

近年来最受关注的端到端方向是VLA模型,也就是视觉-语言-动作模型。它的核心思路很直接:把摄像头拍摄的画面和人类下发的自然语言指令一起输入一个神经网络,网络直接输出机器人的动作参数,比如机械臂各关节的目标角度。

这个思路最大的优点是省去了传统流程中"感知模块→规划模块→控制模块"层层传递带来的信息损失和信息格式转换。早期模块化系统里,感知模块要先把图像转成物体位姿,规划模块再把位姿转成轨迹,控制模块再把轨迹转成关节力矩,每一层转换都可能引入误差。VLA用一个统一的网络把从像素到动作的映射关系直接学出来,等于打通了整个管道。

我在跟踪这方向时发现,头部实验室公开的方案里,模型规模、训练数据规模都在迅速增长,而且验证效果也在明显变好。但VLA不是万能药。它最大的软肋是数据饥渴——这类模型需要海量的"图像-语言-动作"三元组数据,而这类数据的采集成本远比纯文本数据要高得多。这也直接带出了下一个关键问题:数据从哪来。

3.2 数据从哪里来:遥操作、仿真、互联网视频三股势力

目前机器人训练数据有三大来源,各有各的取舍。

第一种是遥操作采集。让操作员戴着动作捕捉设备或使用主手摇杆,控制机器人完成真实任务,同时记录传感器数据。这种数据质量最高,因为动作是在真实物理环境中执行的,力反馈、物体相互作用都是真实的。但缺点也明显:采集速度慢,一个人一天可能只能采几十个有效片段,而且需要昂贵的设备和人手,规模化扩展很困难。

第二种是仿真训练。在物理仿真引擎里建立虚拟环境和机器人模型,大批量跑强化学习或模仿学习。仿真最大的优势是速度和规模——可以在几千个并行环境里同时训练,一夜之间产生上百万条经验。缺点是Sim2Real,即"仿真到现实"的迁移问题。虚拟环境中的物理规律、摩擦力、视觉渲染和真实世界总有偏差,仿真里练成的功夫,到真机上往往会"打折"。

第三种是从互联网视频学习。利用海量的人类操作视频,让模型学习操作行为的抽象模式。这个方向潜力很大,因为视频数据几乎免费且海量,但难点在于视频没有精确的机器人关节指令,只能通过逆动力学等方式间接学习,目前还很难作为主要训练数据。

我个人的判断是:未来不会是单一数据源通吃,而是一个 混合策略 ——仿真提供大规模探索和初筛,遥操作提供高质量示范和关键数据补充,互联网视频提供常识和先验。哪家团队能把这三者的数据管道打通并形成飞轮,哪家就可能建立真正的壁垒。

3.3 两条路线的取舍建议:稳定性优先还是泛化优先

端到端VLA和模块化方案各有适用的场景,我见过太多团队在这里反复纠结,所以我给一个比较实在的选型建议。

模块化方案的优势在于可控和可解释。每一个模块都有明确的输入输出、都有成熟的开源方案可以做兜底,出了问题可以定位到具体模块单独修。对工业场景,这种"出问题能修,修完能保证"的属性极其重要。但模块化方案也有天花板:各个模块之间的接口是人为定义的,在这个过程中信息会被简化,系统的上限受限于中间表征的表达能力。

端到端方案的优势在于泛化潜力。它不需要人为设计中间表征,网络可以从原始数据中自动发现规律。尤其是面对开放场景、语言指令和视觉特征组合极其多样的情况,端到端往往表现得更加"灵活"。缺点是稳定性差、调试困难,一旦出现系统性错误,你很难找到是哪个环节出了毛病。

我比较认可的做法是"分级混合":在完整任务层面用模块化架构控制风险,在具体环节内部引入端到端模型来提升能力。比如"识别物体用视觉模型,生成操作策略用VLA,底层运动控制用传统算法"。这套方案牺牲了一部分理想的端到端效果,但换来了工程可控性。对多数产品和项目来说,这是当前阶段最务实的答案。

4. 落地面面观:哪些场景先赚钱,哪些还在等拐点

讨论技术路线终究要落到"能不能用、有没有人买单"上。我把目前具身智能涉及的典型场景按成熟度排了个序,用三个大的类别来说,它们各自的技术要求、商业逻辑和现实差距其实完全不同。

4.1 工业制造:结构化环境里的确定性红利

工业制造是具身智能当前最有可能率先规模落地的领域,原因很简单:环境足够结构化,任务足够重复,ROI算得清。在一个汽车零部件工厂里,上下料、分拣、质检、搬运,这些工位的工作内容高度固定,物体类别有限,场地布置几乎不变。这种场景下,具身智能系统面临的泛化压力最小,主要比拼的是稳定性、节拍和成本。

不过别把工业落地想得太轻松。工业客户是非常现实的:你的机器人能不能在每天三班倒的工况下连续运行几千小时,故障率是多少,维护成本怎么算,这些都写进验收条款里。我见过不止一个项目在Demo阶段表现惊艳,一到产线上被真实的节拍要求一压就露馅。工业场景对机器人的"可靠性"要求是所有场景里最苛刻的,而可靠性恰恰是当前具身智能最需要证明的地方。所以我的判断是:未来两三年内,最先跑通的会是那些"高附加价值、多品种小批量"的柔性制造场景,而不是传统的大规模刚性生产线。

4.2 商业服务与人机共存:安全边界是最大成本

商业服务场景,比如餐厅送餐、酒店引导、商场导购,是具身智能另一个热门的试验场。这类场景的特点是:移动范围相对开阔,任务难度不算极高,但有一个绕不过去的大问题——人机共存。机器人要在人来人往的环境里安全作业,这不仅是技术问题,更是安全标准和保险问题。

我在一些商用展会上看到过很多服务机器人,深切体会到"安全边界"这四个字的重量。一台能在实验室稳定运行的机械臂,放到餐厅桌间通道里,一旦发生意外碰撞,后果不是算法能兜住的。所以商用场景的机器人,设计上普遍要做"降级处理"——速度限制、力限制、急停机制,甚至重新设计机械结构来避开危险动作。这些限制的直接代价是效率下降。商用场景的商业模型本来就是基于效率假设的,如果机器人因为安全限制只有人工六成的效率,客户就会重新算账。这个场景要规模起来,核心可能需要等更成熟的实时安全感知和硬件安全标准出来。

4.3 家庭场景:长尾任务为什么这么难

家庭场景是大家对具身智能期待最高、但也最难啃的骨头。表面上,"整理房间、洗碗、晾衣服"这些任务人类做起来毫不费力,但对机器人来说,这些恰恰是极端的open world挑战。家庭的布局每家不同,物体种类千差万别,光照、遮挡、随机摆放,而且任务的判断标准也很难量化——什么叫"整理好了"?这种需求模糊性让机器人的成功标准变得极难定义。

再加上家庭场景对成本极其敏感,用户不会为了一台几十万的机器人买单,这对硬件成本、安全性和正常运转时间都提出了极高的要求。目前真正在家庭里跑起来的,主要还是扫地机器人这类低维度、低自由度、任务单一的半具身设备。要它做长尾物理操作,还需要相当长的时间。我倾向于认为,家庭场景不会直接跳到一个"通用家务机器人"的终局,而是会经历多台专用设备协作、能力逐步叠加的长期过程。

5. 四个真实拦路虎:不解决别谈规模化

把话说得不好听一点:现在具身智能处于"技术大爆发、工程大困难"的阶段。我总结了四个最关键的硬问题,这四个不解决,规模化的故事就站不住脚。

5.1 物理交互数据的稀缺性

数据是当前最醒目的瓶颈。大模型的成功已经证明了"规模法则"——数据量越大、模型越大,能力越强。但文本数据可以随便爬,物理交互数据必须真实采集,成本高、速度慢、规模受限。举个直观的例子:训练一个大语言模型的数据可能是几十万亿token,而一个机器人操作策略如果有一百万条真实遥操作轨迹,已经是很了不起的规模了。两者之间存在几个数量级的差距。

数据稀缺直接限制了泛化能力。机器人只在训练过的物体、场景和动作上表现好,遇到没见过的情况就容易失败。这是目前所有具身智能团队都在头疼的问题。谁能解决数据规模问题,谁就拿到了下一阶段的入场券。

5.2 仿真到现实的"性能蒸发"

仿真训练是扩大数据规模的重要途径,但Sim2Real问题让这个途径充满损耗。物理引擎对接触力、摩擦力、软体形变的建模精度有限,仿真里训练得的策略,搬到真机上经常出现所谓"性能蒸发"——成功率从仿真中的百分之九十多,掉到真机上的百分之六七十,甚至更低。

解决Sim2Real的常见思路包括域随机化——在仿真里随机改变物理参数、视觉纹理和光线,让策略学会在各种条件下都能工作;也包括在预训练后用小规模真机数据进行微调。这些方法有效,但会增加不小的工程复杂度,而且每一次"仿真补课"都意味着额外的时间和成本。没有哪套现成的方案能够完全消除Sim2Real鸿沟。

5.3 硬件供应链和成本曲线

很多人过度关注算法,低估了硬件对具身智能的约束。高性能的灵巧手、六维力传感器、关节模组、高精度减速器,这些核心部件目前要么价格昂贵,要么产能有限。一台研究级的人形机器人造价动辄几十万,这样的成本结构决定了很难规模化落地。

好消息是硬件价格正在经历快速下降。随着更多供应商入场,核心部件成本正在沿着和激光雷达当年类似的价格曲线下探。但硬件行业的规律是:成本下降的前提是有足够的需求规模。在销量真正起来之前,供应链很难主动降价。这是一个"鸡生蛋蛋生鸡"的循环,目前还处在求解初期。

5.4 评测体系缺失:一场没有尺子的竞赛

最后这个问题比较少有人提,但其实极其致命:具身智能领域还没有一套公认的、可信的评测体系。大语言模型可以用考试题来对比分数,自动驾驶有一套成熟的路测里程和安全指标,但机器人操作任务,各家用的环境、物体、评价标准都不一样。今天你说你的抓取成功率是90%,他说他的操作成功率是85%,其实根本无法直接比较——因为测试条件完全不同。

评测体系缺失的后果是:行业无法客观筛选技术方案,资本难辨真假,客户无从评估供应商。市场上出现大量"自说自话"的宣传,劣质方案和优质方案在信息层面鱼龙混杂。我期待未来会出现类似自动驾驶数据集那样的公开基准,能提供标准化的任务集、统一的硬件接口和规范的评测方法。这一天到来之前,整个行业的信息成本都会非常高。

6. 接下来12个月,我会盯紧的五个方向

讲了这么多现状和问题,最后说说我对未来一年左右的判断。这些判断不算预测,更多是我基于技术演进规律和产业节奏的观察,分享给同样在关注这个方向的人做参考。

6.1 世界模型进入机器人大脑

世界模型的进展是我认为未来一年最值得关注的技术变量。一旦模型能够比较准确地预测动作后果,机器人的规划效率和安全性能都会有质的飞跃。它会先在一些物理规律相对简单的场景落地,比如桌面物体操作,再逐步扩展。世界模型的价值在于把机器人的能力从"记住套路"提升到"理解因果",这是通往通用操作能力的关键阶梯。

6.2 数据飞轮与共享数据集起步

我预期会看到更多组织开始尝试搭建"数据飞轮":机器人实际运行产生数据,数据回传后训练模型,模型更新后再部署到更多机器人上。这个循环一旦转起来,数据规模会以指数方式增长。同时,行业可能会出现一些开源的共享数据集或数据采集协议,大家一起往里贡献数据、共同受益。数据标准化的推进速度会直接影响整个行业的发展速度。

6.3 灵巧手价格下探与商业化拐点

随着供应链成熟和更多厂商进入,灵巧手的价格在接下来一年有望明显下降,从动辄数万元逐步走向万元级别,甚至更低。价格下降会带动更多应用场景愿意尝试复杂操作类任务。同时,我更关注的是灵巧手可靠性的提升——以前经常听说试了几天就损坏,这问题不解决,即使价格便宜也很难真正推广应用。

6.4 垂直场景的"轻量化"机器人先跑通

我不太看好一开始就做"全车型通用机器人"的节奏,反而更看好针对具体垂直场景做轻量化设计的路线。比如针对某个特定工序优化的单臂或双臂工站,针对实验室场景的智能操作平台,这些产品虽然不够"科幻",但小场景更容易打磨可靠性、控制成本,也更容易找到愿意付费的客户。创业团队如果能在两三个垂直场景建立强势地位,会比盲目做大而全的平台更安全。

6.5 安全合规走向工程化

我越来越觉得安全问题的本质是工程问题,而不只是算法问题。未来一年,包括力控柔顺算法、碰撞检测、动态避障、安全冗余设计、标准化测试流程在内的一整套安全体系会逐步走向工程化落地。相关的行业标准会开始成型,政府采购和大型企业的招标书里会出现越来越具体的安全验收条款。能够提前把安全体系做扎实的团队,会在市场竞争中获得明显优势。

这段时间跟踪具身智能,我最大的体会是:真正在这个行业里做实事的人,现在已经没空争论"现在是不是最好的时代"这种话题了,大家每天都在处理大量琐碎而关键的工程问题。一个动作成功率从80%提升到95%,背后可能是数千次的失败调试、无数轮的硬件修修改改。这条路比很多Demo里看起来要苦得多,但每一步有效率的确定性进步,都在把具身智能从愿景拉向真实。下一个和我一样在深夜盯着机器人日志的同行,希望这篇文章能给你提供一个相对冷静的参考视角。

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐