具身智能是什么？让 AI 有身体、在世界里行动

具身智能（Embodied AI）指拥有身体、能感知环境并通过行动与之交互的人工智能。它不只是在数据里学习、在屏幕上回答问题，而是要在世界里做事：看见杯子，伸手去拿，拿稳，不打翻。最典型的代表是机器人，也包括在仿真环境里行动的虚拟智能体。

和普通 AI 有什么不同

聊天机器人答错了，重新问一遍就好；机器人动作错了，东西就真的摔了。具身智能必须面对真实的物理约束：重力、摩擦、惯性、动作延迟、传感器的噪声，以及动作失败带来的实际后果。它需要把感知（看、听、摸）、决策（下一步做什么）和动作（怎么控制关节和手指）连成一个完整的回路，这比纯软件的任务难得多。

从哪来

具身智能的思想可以追溯到上世纪 80 年代 Rodney Brooks 的行为主义机器人学，他主张智能来自身体和环境的直接交互，而不是先在脑子里建一个完整的世界模型再行动。“Embodied AI”作为固定说法，是在 2018 到 2019 年前后随着深度强化学习和仿真平台的兴起流行起来的，比如 Meta 等机构 2019 年发布的 Habitat 仿真平台，让在虚拟家居环境里训练智能体成为可复现的实验。

现在的热点

大模型让具身智能迎来了新一轮热潮。思路是把大模型的理解和推理能力搬到机器人身上：用视觉语言模型理解“把桌上的红色杯子放进水槽”这样的指令，再由视觉语言动作模型（VLA）直接输出机器人的动作。研究界常把具身智能分成几块来看：具身感知、具身交互、具身智能体，以及从仿真到现实的迁移。最后这一块尤其关键，因为在仿真里练好的技能，搬到真实世界常常会失灵。

人形机器人、家务机器人、工业机械臂、自动驾驶，都是具身智能的落地方向。它被很多人看作 AI 从“会说”走向“会做”的下一站，但距离在开放环境里稳定可靠地干活，还有很长的路。