清华、北信科、复旦团队解读具身智能！如何让机器人懂物理、思考

当机器人能像人类一样理解自然语言指令，还能预判环境变化、自主规避物理风险时，通用人工智能的落地似乎不再遥远。近日，清华大学计算机科学与技术系，北京信息科学与技术国家研究中心，复旦大学可信具身智能研究所联合发布《Embodied AI: From LLMs to World Models》。系统性梳理了具身智能的技术脉络，尤其聚焦大语言模型与世界模型的协同。

▍先搞懂什么是具身智能？它和普通AI 有啥不一样？

提起AI，很多人会想到只在数字世界对话的系统，或是图像识别这类被动处理数据的工具，这些都属于离身智能，它们不直接和物理世界互动。

而具身智能的核心是活在物理世界里：它需要像人一样，通过传感器主动感知环境，用认知系统处理经验，再用执行器做出动作，形成感知- 认知 - 互动的闭环。就像家里的扫地机器人能避开桌椅、规划清扫路径、调整刷子转速，就是一种简单的具身智能；更复杂的像救灾无人机自主避开障碍物、工业机械臂灵活抓取不同零件，都属于这一范畴。

该研究团队强调，具身智能的终极目标是接近人类级别的通用智能，它不是只解决单一任务，而是能在动态、不确定的物理世界里自主适应。举个例子，一个具身智能机器人，既该听懂把客厅的杯子放到厨房，又该知道杯子是易碎品，还能避开路上的宠物。

▍从单感官到多感官，具身智能如何突破局限？

早期的具身智能更像偏科生，有的只靠视觉导航，有的只靠语言做任务规划，这种单模态模式有明显短板。

单模态与多模态具身智能

纯视觉的机器人，在昏暗环境或动态场景里很容易迷路；纯语言控制的机器人，可能会因为没考虑物理规律提出离谱指令。

后来技术转向多模态融合：把视觉、语言、触觉、听觉等信息整合起来。就像现在的服务机器人，既能通过摄像头看到物体位置，又能通过语言理解用户需求，还能通过触觉感知物体重量，这种多模态能力让它能更灵活地处理复杂任务，能够轻轻拿起装满水的玻璃杯。

研究团队用一张图形象对比两者：单模态是感知、认知、互动各管一摊，多模态则是三者互相配合、信息互通。而推动这一转变的关键，正是大语言模型和世界模型的突破。

▍两大核心技术：大语言模型负责懂，世界模型负责做

具身智能要在物理世界生存，需要解决两个核心问题：理解任务和符合物理规律。而大语言模型和世界模型，恰好分别补上这两个短板。

1. 大语言模型：让机器人能听懂、会规划

大语言模型的核心作用是赋予语义智能，它让机器人从只能执行固定指令，升级为能理解模糊、复杂的人类语言，并拆解任务。

举个例子，你跟机器人说准备下午茶，大语言模型会先做语义推理，理解下午茶通常包括泡茶、拿点心、摆盘子；再做任务分解，把大目标拆成去厨房拿茶壶、接水、加热、去冰箱拿蛋糕、放到茶几等具体步骤。

该研究团队提到Google 的 SayCan 案例：它给大语言模型搭配真实世界动作库，避免大语言模型提出不切实际的动作，同时用价值函数验证每个动作的可行性。不过早期大语言模型的局限也很明显，它依赖固定的动作库，换个新机器人或新环境，就可能水土不服。

多模态大语言模型

后来出现的多模态大语言模型进一步突破这个问题。就像PaLM-E、RT-2 这些模型，能直接处理图像、语言、触觉等多模态信息，看到杯子、听到拿杯子、感知杯子重量，直接输出控制机械臂的动作序列，不用再依赖固定动作库。

2. 世界模型：让机器人懂物理、能预判

如果说大语言模型负责想明白要做什么，世界模型就负责想明白这么做会有什么后果，它相当于给机器人建立大脑里的物理世界模拟器。

具身世界模型发展路线

世界模型主要做两件事：

• 构建内部表征：把传感器收集的复杂信息压缩成结构化的内部地图，包含物体位置、物理属性、空间关系。这样机器人不用每次都重新观察世界，就能快速调用关键信息。

• 预测未来变化：根据物理规律预判动作的后果。比如机器人想推桌子，世界模型会先模拟推桌子时会不会把上面的杯子碰倒；救灾无人机想穿过峡谷，世界模型会预判气流会不会让机身不稳。这种预判能力，能帮机器人避开风险、提高效率。

具身智能关键技术模型

研究团队提到几种主流的世界模型架构：RSSM 擅长处理时序信息，适合做短期动作预测；JEPA 擅长提取语义特征，适合理解物体属性；Transformer-based 模型则擅长处理长序列信息，适合复杂环境的长期规划。

不过世界模型也有短板，它擅长模拟物理，但不擅长理解抽象语义。它能预判推杯子会让杯子移动，但可能听不懂把杯子送给妈妈里的妈妈是什么意思，这就需要和大语言模型配合。

▍大语言模型+ 世界模型，1+1>2 的协同架构

该研究团队的核心观点之一是，单独用大语言模型或世界模型，都无法实现高级具身智能；只有让两者结合，才能打通语义理解和物理执行的鸿沟。

搭载多模态大语言模型与世界模型的具身智能

为什么这么说？看两者的互补性就知道，大语言模型懂语义，但不懂物理。它可能规划出让机械臂穿过桌子拿东西的步骤，却不知道这违反物理规律。世界模型的问题懂物理，但不懂语义。它能预判推桌子会碰倒杯子，却不知道为什么要推桌子。

而两者结合后，就能形成语义指导物理，物理约束语义的闭环，大语言模型先根据用户需求拆解任务，生成初步动作计划。世界模型验证这个计划是否符合物理规律，并预测每个动作的后果。如果计划有问题，世界模型反馈给大语言模型，大语言模型再调整计划。最终生成既符合用户需求、又符合物理规律的动作序列，让执行器落地。

该研究团队举了EvoAgent 的例子：这个具身智能体用大语言模型做任务规划和自我反思，用世界模型做环境建模和动作预测，结果能在不同环境里自主完成长期任务，全程不用人类干预。

简单说，大语言模型让机器人不糊涂，世界模型让机器人不莽撞，两者结合，才是具身智能走向实用的关键。

▍从家庭到工业，具身智能已经在改变什么？

以前的服务机器人，比如酒店送物机器人，只能走预设路线，遇到客人挡住就会卡壳；现在结合大语言模型和世界模型的服务机器人，能听懂把水送到302 房间，顺便问客人需不需要续杯，还能实时调整路线避开行人，甚至能根据客人的语气判断是否需要多送一瓶水。

研究团队提到的RT-2 机器人，能根据视觉信息自主识别杯子、桌子，再结合语言指令规划动作，哪怕杯子的位置和之前训练时不一样，也能灵活应对。

传统救灾无人机需要人类远程操控，在复杂环境里很容易失联，而具身智能无人机，能通过世界模型模拟环境风险，通过大语言模型理解救援指令，自主规划安全路径并传回受灾情况。

在工业领域，以前的机械臂，大多是专机专岗，换个生产线就不能用了，现在结合大语言模型和世界模型的机械臂，能通过大语言模型理解生产指令，通过世界模型预判抓取力度，不用重新编程就能切换任务。

▍具身智能还需要突破哪些难关？

现在的具身智能，还需要大量人类标注的数据或预训练，未来要实现自主进化，机器人能在新环境里自主探索，从失败中学习，甚至不用人类干预就能完成长期任务。

具身智能对硬件要求很高，机器人要实时处理多模态数据，还要快速做出反应，这需要更高效的芯片、更低延迟的传感器。未来的硬件优化，会更注重算法-硬件协同，针对大语言模型和世界模型的计算特点，设计专用加速器；或者通过模型压缩，让复杂的具身智能算法能在边缘设备上运行。

此外，单一机器人的能力有限，未来更需要群体具身智能，可以预见的是，未来场景下会出现多个救灾无人机协同搜索，多个工业机械臂配合组装，甚至机器人和人类协同完成任务。这需要解决群体认知问题，让机器人知道如何共享环境信息，如何分配任务，如何应对个别机器人故障。

具身智能机器人会直接和人类互动，安全性和可解释性至关重要。未来需要让机器人的动作可追溯，它为什么要这么做，万一出错了如何快速调整，还要确保它符合人类伦理，比如遇到危险时优先保护人类，而不是完成任务。

未来，当机器人能更自主、更安全、更灵活地在物理世界生存时，通用人工智能的梦想，或许就不再遥远。而大语言模型和世界模型的结合，正是这条路上最关键的一步。

论文地址：https://arxiv.org/pdf/2509.20021v1