文：王智遠 | ID:Z201440

周末和朋友聊天，提到具身智能。有諸多觀點，但讓我意外的是，大家具身智能的理解不太一樣。

有的說，機械臂在工廠內能自動搬運貨物，這是具身智能；有的朋友認為，具身智能應該像人一樣能走路的機器人。還有人說，具身智能像大模型一樣，有意識、認知。

這些觀點到底哪個是準確的呢？說實話，我也有點懵；于是，回來后趕緊惡補了這堂課，搞清楚具身智能到底是什么。

01

什么是具身智能，和傳統人工智能核心區別是什么？

準確而言，具身智能（Embodied Intelligence）分為具身（Embodiment)、具身的 （Embodied）、具身智能(Embodied AI)、以及非具身智能（Disembodied AI）四個維度。

具身，指具有支持感覺和運動（sensorimotor）的物理身體。而具身的，強調智能體，通過身體與環境交互來實現智能行為，它可交互、具有感知。

比如：

一個掃地機器人，用攝像頭感知環境，用輪子移動來探索周圍，再通過傳感器識別障礙物并自動調整路徑，最終完成清掃任務；這種用身體和環境的直接交互，來實現功能的過程，就是具身的。

那具身智能呢？可以總結為，一個一個身體力行的智能體，不僅擁有身體，還支持物理交互，能夠用身體與環境的交互實現智能行為，像家用服務機器人、無人車等非常符合核心特征。

而非具身智能（Disembodied AI）是沒有身體，只有大腦、智能被動接受人類采集、制作好的數據，像一個紙上談兵、或運籌帷幄的家伙。

寫到這，問題來了：通過概念可以看出，具身的和具身智能很像。到底如何區別它們呢？

簡單粗暴地說，“具身的”靠身體跟環境互動，比如：機械臂抓個東西、搬個貨，干點基礎活兒；而“具身智能”高級多了，不光要動手，還得會動腦，要感知環境、自己做決定，還能邊干邊學，越干越聰明。

說白了，“具身的”是純體力活，而“具身智能”是“體力+腦力”的結合體。

這或許，也是宇樹科技創始人王興興在昨天（2025年3月23日）接受《每日經濟新聞》采訪時提到的觀點。

他說，現在人形機器人最大的坎兒是大模型，尤其多模態大模型。多模態搞定了，具身智能離通用人工智能就不遠了。

所以，王興興那句“具身智能到通用已經很快了”，在暗示：大模型一突破，機器人滿地跑的日子真不遠了；明白這些，你也就理解了什么是具身智能，它和傳統人工智能的核心區別是什么。

02

既然這樣，當前具身智能發展是處于“嬰兒期”還是“青春期”呢？

我覺得還處在嬰兒期。這不是瞎說。大家都這么認為。

中國信通院（CAICT）2024年的報告里提到，工業和服務領域確實已經有一些成熟的案例，但這些應用，基本都局限在特定場景，功能有限，離全能型全收還差得很遠。

其他報告里，也差不多是同一個意思；說白了，要讓具身智能干更復雜、更廣泛的工作，還要在很多地方下功夫，其中，更根本的是底層能力的不足。

一個最顯眼可見的例子是：減速機。

什么是減速機？你可以把它看成機器人的“關節”，連接動力源和執行機構的關鍵部件。咱們國家在核心零部件和材料技術上進步很快，也實現了部分國產化，但和人類關節那種靈活自如的能力相比，差距非常明顯。

比如說，工業機器人常用的兩種“關節”：RV減速器和諧波減速器。RV減速器像健身房里壯漢的膝蓋，能扛起幾百公斤的重物；諧波減速器則像瑜伽達人的手腕，能靈活轉動還不費勁。

國產RV減速器已能替代進口（雙環傳動市占率15%），但要讓機器人像人類關節那樣既能舉啞鈴又能繡花，還差著代際差距。

目前來看，國內減速機領域的領先企業包括國茂股份、中大力德、綠的諧波、雙環傳動等，它們的產品主要用在工業機器人領域。

雙環傳動在RV減速器市場中表現突出。它從2013年開始立項研發RV減速器，經過多年的努力，在2017年實現了量產，填補了國內在這一領域的空白。

2021年，雙環傳動成功打破了日本納博特斯克長期以來的市場壟斷，其產品在國內市場的占有率達到了15.1%，成為國產品牌第一。

所以，從時間軸上看，我們在核心零部件上已經取得不少進展，要讓機器人像人一樣靈活自主，還有很長的路要走。

在調研時我發現，像減速機這種關鍵部件是冰山一角，還有好多地方要突破。最值得一提的是：機器人的“小腦”，也就是它的運動控制系統。

小腦的組成包括，運動規劃模塊、動力學控制模塊、傳感器融合系統，以及技能學習與分解模塊。這些模塊協同工作，才能讓機器人能夠像人類一樣靈活地完成各種動作。

這么說，你也許感觸不大。我舉個例子：

機器人找到冰箱的位置、避開障礙物走過去，再用合適的力度拉門。難點在于，怎么在復雜動態環境（比如有人突然擋路）中快速規劃路徑，還要在長時間任務中保持穩定，這得靠規劃模塊來實現了。

再比如，要協調全身關節的動作，調整走路時的重心、控制手臂的力度，目前的挑戰是，怎么讓機器人像人一樣靈活應對突發情況。比如：被人推一下也不摔倒。

還有，融合把傳感器融合在一塊，也是一大難題。

你想，現在有很多攝像頭、IMU（慣性測量單元）、力覺傳感器，怎么把數據捏合到一塊，做到視覺、觸覺同步進行呢？最新報告顯示，這些都要進一步研究。

另外，技能學習和分解模塊也要進一步突破。教機器人開門，要把動作拆解成“接近門、抓把手、旋轉、拉門”等基本操作，再通過強化學習訓練。

但目前這些技能很難在不同場景下復用。比如：換個門把手形狀就懵了。

這一切表面上看似簡單的動作，背后是一系列復雜的融合挑戰，每一個小進步都要在硬件、軟件上持續投入，才能讓人一樣靈活智能。

03

如果實現難度這么大，那么，評價具身智能標準，到底應該以完成任務為主，還是以環境適應為主呢？

我認為，問題的關鍵在于到底要追求專用性，還是通用性。

專用性是什么？拿工業機器人來說，在流水線上，它替代了人，專注地完成焊接、裝配這些固定任務；服務機器人也一樣，專注于清潔、搬運。這就是完成任務的專業性，它們在特定場景下表現出色，效率高、精度高。

那通用性，或者說環境適應性呢？我再舉個例子：

奧運會上，突然停電了，大家都找不到安全出口。這時候，機器人該扮演什么角色？它肯定不能像其他人一樣摸黑亂撞，它得是個超級智能體，迅速感知環境變化，引導人們安全疏散。

這個問題聽起來有點荒誕，卻恰恰戳中了具身智能評價體系的死穴：現在的廠商到底是在比拼誰擰螺絲釘更快，還是誰能應對突發狀況？

所以，環境適應為主的機器人，顯然是一個更高層次的目標。它技術難度高，短期很難實現，但它更貼近人類的本質。畢竟，人類之所以被認為智能，不僅是因為能完成具體任務，更在于能在環境中隨機應變。

因此，我認為完成任務更適合目前發展，它能有效推動具身智能在垂直行業的落地；而以適應環境為主，則是未來需要突破的方向。

那么，在當前技術條件下，哪些具體技術突破最有可能推動具身智能從專用性向通用性邁進？

最近有一篇論文叫：《Exploring Embodied Multimodal Large Models: Development, Datasets, and Future Directions》，里面重點提到了具身多模態大模型（EMLMs）技術

這篇論文厲害的地方在于，它填補了現有研究中的一個空白。研究團隊啃了300多篇文獻，從基礎大模型到仿真技術，全都捋了一遍，尤其是像機器人怎么感知環境、怎么導航、怎么跟人互動這些關鍵問題，都講得挺透徹。

具體來說，論文提到了四點：

一，跨模態預訓練和微調。怎么研究出更聰明的跨模態預訓練和微調方法，讓不同模型在任務中都能表現得很好；二，自監督學習。怎么讓模型通過沒標注的數據，學到更豐富的知識，變得更靈活、更實用。

三，怎么把多模態模型跟強化學習結合起來是個好方向；最后一點是，端到端的發展。現在有很多大模型是為不同任務設計，但未來，朝著一個大模型包攬所有任務的方向發展，會是一個重要的趨勢。

所以，最后得出結論是：現在最大挑戰是怎么把多模態感知、推理和行動整合到一起。說白了，核心集中在大腦、小腦上。

04

另外一個是高精尖的傳感器技術。為啥是傳感器，不是硬件？

傳感器像一把鑰匙，能把現實中的各種信息，轉化成機器能理解的數據。比如溫度、壓力、位置。在國家戰略層面，傳感器是關鍵的“勝負手”——它的性能直接決定了重大裝備和戰略產品的質量。

舉個例子：

咱們國家的高鐵“和諧號380AL”，一輛列車上有超過1000個傳感器，平均每個零部件都得有個傳感器盯著；這些傳感器干啥用？監測列車運行狀態、檢查軌道有沒有問題、保障列車安全防護。

再看看醫療領域，你拍心電圖、量血壓、測血糖靠什么？依然是傳感器。現在的醫生，很多時候靠傳感器給的數據做判斷。

前段時間，宇樹科技G1機器人火了，能跳舞、完成拍手、扭腰等動作，還能跟著音樂節奏舞動，甚至能施展揮拳、旋踢等高難度武術動作，回旋踢完之后，腿可以穩穩落地而不倒。

這背后靠什么？還是傳感器。

傳感器讓機器人有了“觸覺”，能感知地面情況，從而靈活調整動作。換句話說，傳感器不僅提升了機器人的運動能力，還讓它能夠更好地感知環境，完成更復雜的任務。

宇樹科技這樣的通用機器人為啥受到國內外青睞？不是因為它便宜，是它成了綜合性選手。正是傳感器技術的發展，才推動機器人從“專用型選手”向“通用型高手”邁進，為未來帶來更廣泛的應用可能。

所以，不管是具身多模態大模型的技術突破，還是高精尖傳感器的升級換代，都在給具身智能添磚加瓦，讓它從只能干“專活”的小工，變成啥都能干的“全能選手”。

希望以上分析能帶來點新啟發，使你看問題時多幾個新角度。