开发者Club

3分钟搞懂具身智能

具身智能是让 AI 有一副身体，在真实世界里看清环境、听懂指令、动手把事做完。本文讲清它为什么比聊天难得多、VLA 模型怎么把“看懂”变成“动作”、训练数据从哪来，以及 2026 年人形机器人真实干到了哪一步、看演示视频时该注意什么。

开发者Club
更新于
3 分钟阅读
AI人工智能具身智能Embodied AI人形机器人VLA物理 AI特斯拉 OptimusFigure宇树Gemini Robotics
阅读 —收藏 —

一句话定义

具身智能（Embodied AI）= 让 AI 拥有一副身体（机械臂、轮子或双腿），用摄像头和传感器感知真实环境，听懂人的指令后自己规划动作、动手执行，在物理世界里把一件事做完。

拿叠衣服来说：你问 ChatGPT 怎么叠 T 恤，它能写出一份步骤清单；具身智能要做的，是让一台机器人从一堆衣服里认出 T 恤，抓起这块软塌塌、每次形状都不一样的布，叠好后放进抽屉，并且在叠歪了的时候自己发现、自己把叠歪的衣服重新叠整齐。

这两年常听到的物理 AI（Physical AI）、人形机器人，都和具身智能有关：物理 AI 是英伟达等公司更常用的叫法，意思基本一样；人形机器人只是具身智能的一种身体形态，后面会讲到，它并不是唯一的形态。

叠一件 T 恤，为什么比写一篇文章还难？

AI 研究里有个老说法叫莫拉维克悖论：对人来说很难的事，比如下围棋、解数学题，对计算机反而容易；对人来说不费脑子的事，比如走路、拿杯子、系鞋带，对计算机却极难。原因是这些动作人类已经练了几亿年，早就变成了本能，我们自己都说不清是怎么做到的，也就很难教给机器。

对人很难的事机器很轻松，对人很容易的事机器反而很吃力

落到工程上，难点主要有三个：

  • 每一次都不一样：软件世界里，同样的输入可以得到同样的结果。物理世界里，杯子的位置差了两厘米、光线暗了一点、桌面更滑一些，动作就得跟着调整。布料、线缆、食物这类软的、会变形的东西更麻烦，同一件衣服每次被抓起来的样子都不同。
  • 要求实时反应：聊天 AI 想 3 秒再回答没关系，机器人走路时如果 3 秒才反应过来要摔倒，人早就摔在地上了。平衡、抓握这类动作需要每秒调整几十到几百次。
  • 出错的代价是真实的：聊天 AI 说错一句话，你可以让它重新回答；机器人捏碎一只杯子、撞到旁边的人，后果没法撤回。所以力度控制和安全设计，比“能不能做到”还要重要。

这也解释了为什么大语言模型火了好几年，家里却还没有一台能帮你收拾房间的机器人：语言能力只解决了“听懂要做什么”，没有解决“手该怎么动”。

看、想、动：机器人的大脑分几层？

早期的机器人主要靠工程师写规则：先用视觉算法识别出零件，再按写好的程序把机械臂移动到固定坐标。这种做法在汽车工厂的流水线上很好用，因为零件每次都放在同一个位置；但只要环境一变，程序就得重写。

现在主流的做法是 VLA 模型（Vision-Language-Action，视觉-语言-动作模型）。它的思路是在多模态大模型的基础上，把“输出文字”换成“输出动作”：

输入: 摄像头画面 + 一句指令("把桌上的苹果放进碗里")
  ↓
VLA 模型: 理解画面里有什么、苹果在哪、碗在哪
  ↓
输出: 一连串关节角度和夹爪开合的指令
  ↓
机器人执行, 摄像头再拍一帧, 模型根据新画面继续调整

动画：机械夹爪叠 T 恤时右袖没折进去，摄像头拍一帧发现后，展开重新叠好，再放进抽屉

可以看出，这和 Computer Use 里“看截图、输出鼠标坐标”的循环很像，只不过输出从鼠标点击换成了几十个关节的转动角度，而且每秒要算很多次。

问题在于，大模型“想”得慢，关节需要“动”得快。所以很多公司用快慢两层的结构来解决这个矛盾，有点像人的大脑和脊髓：大脑想清楚“去拿那个杯子”，具体手指怎么弯、身体怎么保持平衡，交给反应更快的神经去完成。

  • Figure 的 Helix：慢的一层是一个 70 亿参数的视觉语言模型，负责看懂场景、理解指令；快的一层是一个小得多的模型，按 Figure 的说法每秒输出 200 次动作指令，负责把意图变成连贯的动作。
  • Google DeepMind 的 Gemini Robotics 2：分成一个负责理解指令、拆解步骤、检查进度的推理模型（ER 2），和一个负责具体动作的 VLA 模型，另外还有一个可以直接在机器人上离线运行的小模型。

这种分层的好处是，上层可以直接用已经很强的大模型来理解世界，下层专心把动作做得又快又稳。

慢的一层看懂场景和指令，快的一层每秒 200 次生成连贯的关节动作

真正缺的，是机器人干活的数据

大语言模型能变强，靠的是互联网上海量的文字。但网上几乎没有“机器人拿起一只杯子时，每个关节转了多少度”这种数据，这是具身智能和其他 AI 方向最大的区别之一。目前补数据主要有四条路：

数据来源怎么做优点缺点
遥操作人戴着设备远程操控机器人做一遍，把动作录下来数据最准，和真机完全一致慢、贵，一个人一天只能录有限的几小时
仿真在虚拟环境里让机器人练几百万次便宜、可以大量生成虚拟世界和真实世界有差距，练好的动作搬到真机上常常不灵
人类视频让模型看人做家务、干活的视频，学习动作数量多，场景丰富人手和机械手结构不同，需要额外“翻译”
真机部署机器人在工厂、仓库干活时持续记录成功和失败最贴近真实工作得先有机器人能上岗，才能开始积累

2026 年的一个明显趋势是，各家都在加大人类视频的比重。Figure 发布 Helix 2.5 时就说，这个模型先用自己收集的大规模人类行为数据做预训练，再用真机数据训练，达到同样效果需要的专门任务数据比上一代少了一半。英伟达在 2026 年 3 月预告的 GR00T N2 模型，也把“世界模型”（能预测动作做完之后画面会怎么变化的模型）加了进去，让机器人先在“脑子里”推演一遍再动手。

Figure Helix 2.5 在 30 个陌生家庭里的零样本成功率：用人类行为数据预训练前后的对比 图注：Figure 发布 Helix 2.5 时公布的测试结果。机器人被带进 30 个从没去过的家庭，事先没有在这些家庭里采集过任何数据。深灰色柱子是没有用人类行为数据集 Index 预训练的模型，浅灰色是用了 Index 的模型；前三组是三项不同的家务，最右边的 pooled 是三项合起来的结果，成功率从 8% 提高到了 56%。柱子上方的分数是成功次数和总次数。

真机数据飞轮也开始转起来：越多机器人在工厂里干活，就能采集越多真实的成功和失败记录，再反过来训练模型。这也是为什么很多公司宁愿先在工厂里做低价值的搬运活，也要尽早让机器人上岗。

不只是人形机器人

一提到具身智能，很多人脑子里就是一个和人差不多高的双足机器人。但从实际干活的情况看，人形只是其中一种形态：

  • 机械臂：工厂和实验室里最常见，固定在桌子或产线旁边，负责抓取、装配、分拣。
  • 轮式底盘加双臂：用轮子代替双腿，稳定、省电、成本更低，很多仓库、药店、商超里的机器人是这种样子。
  • 四足机器狗：用在巡检、救援和科研里。宇树的招股资料显示，2025 年它的四足机器人收入占主营业务的四成以上。
  • 广义上的具身智能：自动驾驶汽车、扫地机器人也需要感知环境、做决策、控制身体，很多研究者把它们也算进来。

既然人形不是最省事的形态，为什么这么多公司还在押注人形？主要理由是：人类的工厂、仓库和家里，楼梯、门把手、货架高度、工具都是按人的身材设计的，人形机器人理论上不用改造环境就能直接用，还能直接学习人类的动作视频。不过双足走路的稳定性、电池续航和成本，也让人形成了最难落地的一种形态。

2026 年，机器人真实干到了哪一步？

先看整体规模。据 IDC 统计，2025 年全球人形机器人出货量约 1.8 万台，同比增长约 508%，中国厂商占了大头，智元和宇树各出货约 5000 台。但 IDC 列出的主要用途是商业演出、科研教育、数据采集和导览接待，并不是在工厂里正式干活。2025 年春晚上扭秧歌的宇树机器人，就属于演出这一类。

再看主要玩家，截至 2026 年 11 月：

公司代表产品目前的进展
特斯拉Optimus2026 年第三季度财报电话会上，马斯克说已在弗里蒙特的量产线上开始早期生产，预计 2027 年底前后开始交付客户；量产时间表此前已多次推迟
FigureFigure 03 + Helix2025 年 2 月结束与 OpenAI 的合作，转向自研模型；在宝马工厂做过试点；2026 年 9 月发布 Helix 2.5，在 30 个从没去过的家庭里做整理、叠毛巾、铺床，整项任务成功率 56%；机器人不对外销售
波士顿动力电动版 Atlas2026 年 1 月在 CES 发布量产版，当年的产量供给现代汽车和 Google DeepMind；现代计划 2028 年起在汽车工厂使用；和 DeepMind 合作接入 Gemini Robotics 模型
Google DeepMindGemini Robotics 22026 年 7 月发布，首次能控制人形机器人的全身动作；推理模型可在 Google AI Studio 使用，动作模型仅向合作伙伴开放
Physical Intelligenceπ 系列模型只做“机器人大脑”，不做硬件；2026 年 4 月发布 π0.7，模型已在合作方的仓库打包、叠衣服
英伟达GR00T 模型 + Isaac 仿真平台给整个行业提供模型、仿真工具和芯片，自己不卖机器人
宇树科技G1、H2、R1 等2025 年人形机器人卖出 5500 多台，2026 年 8 月在科创板上市；R1 在 2026 年 6 月降到 2.99 万元起，主要用在科研、教育、应用开发和文化表演
智元机器人远征、灵犀等系列2025 年出货量和宇树相当，全尺寸人形机器人出货量居全球第一
1XNEO面向家庭的人形机器人，售价 2 万美元或每月 499 美元；计划 2026 年在美国交付，截至 2026 年 10 月还没有公开确认的客户交付；不会的家务由 1X 员工远程操控完成

把这些放在一起看，大致的落地顺序是：演出和科研 → 工厂、仓库里的固定工序 → 特定行业 → 家庭。工厂和仓库的环境相对固定、任务重复，出了问题有专人处理，所以最先落地；家庭环境最乱、要做的事最复杂，还涉及老人小孩的安全，所以放到了最后。

具身智能的落地顺序：演出和科研、工厂和仓库、特定行业，最后才是家庭

还有一点需要注意：Helix 2.5 在陌生家庭里 56% 的成功率，已经是行业里很亮眼的成绩，但这也意味着差不多一半的任务没有做完。Gemini Robotics 2 也是一样，按 DeepMind 公布的测试，人形机器人从桌上拿东西的准确率是 68.4%，从地上拿东西只有 45.7%。这些数字都在快速提升，但离“交给它就不用管”还有不小的距离。

Gemini Robotics 2 控制人形机器人从桌上、地上、货架上拿东西的准确率 图注：Google DeepMind 发布 Gemini Robotics 2 时公布的测试结果。测试用的是 Apptronik 的 Apollo 人形机器人，配上 Inspire 的灵巧手，从桌上（table）、地上（floor）、货架上（shelf）拿东西的准确率分别是 68.4%、45.7% 和 76.3%，柱子上的竖线是误差范围。从地上拿东西需要机器人弯腰下蹲、同时保持平衡，成绩明显低于另外两项。

看机器人演示视频时，要注意什么？

具身智能是新闻最热闹的 AI 方向之一，演示视频很多，但视频和真实能力之间的差距也最大。如果你在网上看到一段机器人做家务、干活的视频，可以留意这几点：

  • 是不是自主完成的：有些视频里的机器人其实是人在远程操控，也就是遥操作。正规的公司一般会在视频里标注“autonomous”（自主）或“teleoperated”（遥操作），没标注的要多留个心眼。
  • 有没有加速：很多视频角落里会写着“2x”“4x”，说明实际速度只有画面里的一半甚至四分之一。
  • 是一镜到底还是剪辑过：剪辑过的视频可能只保留了成功的那几次。真正能说明问题的，是公司公布的成功率和连续工作时长。
  • 炫技不等于能上班：后空翻、跳舞说明运动控制很强，但工厂要的是连续工作 8 小时、遇到异常能自己处理、不需要人时刻盯着。
  • 能不能买到、谁在用：“已有客户”和“已经批量交付”是两回事，有没有公开的部署数量和工作数据，比发布会上的演示更有参考价值。

对普通人来说，别因为看到一个机器人慢慢递了一把扳手，就以为明年家家户户都会有机器人保姆。但也别因为现在不成熟就忽略它，如果机器人真的能稳定干体力活，首先收益的会是制造业的用工结构、老龄化社会的照护，以及高危环境里的作业。

时效性提醒

具身智能是目前融资最多、变化最快的方向之一，下面这些信息容易过时：

  • 特斯拉 Optimus、1X NEO 等产品的量产和交付时间，官方说法经常调整
  • Helix、Gemini Robotics、π、GR00T 等模型几个月就会更新一代，成功率数据也会跟着刷新
  • 宇树等国内厂商的产品价格和出货量变化很快

建议：以各公司官方发布和可以核实的客户部署为准，看到“已经量产百万台”“明年进入千家万户”这类说法时，先找一找原始出处。

💬 互动话题：如果家用机器人只能先学会一项本领，你更希望它稳稳地叠好衣服、洗完碗，还是能扶着家里的老人安全走动？

📖 相关阅读：

资料来源：

上一篇
3分钟搞懂Computer Use(电脑操作AI)
下一篇
3分钟搞懂开源大模型

评论

登录后即可发表评论

登录账户

加载评论中...