具身中国005|具身智能是啥？当AI有身体，不仅会耍嘴皮还动手动脚

上一章我们把机器人拆成了四块：大脑、小脑、身体、感官。这一章，我们先钻进最神秘的那块——大脑。

你可能会问：机器人不就是一堆铁和电线吗，它真的有“大脑”？它到底是怎么“思考”的？

别急。我们从头讲起。

一、上古时代：机器人只会“背剧本”

时间倒回几年前。那时候的机器人，走的是一条“一步一个脚印”的笨办法：工程师给它写一份详细的“剧本”——“走到点A→弯腰→抓东西→起身→走到点B”。每一步都写得清清楚楚，机器人照着执行，就像一个不会临场发挥的演员。

这招在工厂里挺好使——因为工厂环境是固定的，零件永远放在同一个位置，灯光永远不变。但一旦出了工厂，机器人就傻了：如果地上有根充电线挡路，它不知道绕过去；如果工件被挪了位置，它伸手抓个空；如果灯光暗了一点，它可能直接“瞎”了。

简单说：活儿能干，换个场景立马变残废。 这种靠“剧本”活着的机器人，学名叫“基于规则的系统”。它的上限很低，因为人类不可能把全世界所有可能发生的情况都写进代码里[1]。

二、ChatGPT带来的“大脑移植手术”

2022年底ChatGPT横空出世，全世界第一次看到AI能像人一样聊天、写诗、编代码。但ChatGPT再厉害，它也活在屏幕里——它没有眼睛，没有手，不会帮你倒水。

研究者灵机一动：如果把ChatGPT这类大语言模型的“推理内核”移植到机器人身体里，会怎样？

效果立竿见影——机器人开始听懂人话、看懂环境，甚至零样本干活了。所谓“零样本”，就是没见过也能大概学个八九不离十。研究显示，基于大模型的VIOLA系统，在真实场景的零样本任务中，拿取成功率最高能到93.8%[2]。不是说机器人已经不怕任何场景了，但它确实不再被“死代码”锁死了。

这个“大模型+机器人身体”的组合，学术上叫具身智能（Embodied AI）。大白话就是：AI终于有了身体，不再只会动嘴皮子，还能动手动脚。

你可能听过“具身智能”这个词觉得很玄，其实它的核心就是三件事：你说人话，机器人听得懂；给它看画面，机器人看得懂；最终把听到看到的整理成行动方案，一键执行。

举个例子：你对机器人说“我渴了”，它不会理解成“我热了”或者“我想吃冰淇淋”，而是会推理出“渴了需要喝水”，然后找到水杯、拿起来、递给你。这种跨场景的常识推理，在以前靠写规则根本写不完，但现在大模型让它变成了现实[3]。

三、从“模块化”到“端到端”：大脑的进化之路

早期的具身智能系统，还是把“听懂”“看懂”“规划”分成三个独立模块，各自为政。这有点像三个部门一起做项目，但互相不沟通——效率低，还容易扯皮。

2024年以后，行业开始转向端到端（End-to-End）的路线。什么叫端到端？就是“输入到输出”一条龙：你把“我渴了”这句话和当前的视觉画面一起扔进模型，模型直接输出“走去桌子拿水杯”的动作指令，中间不跟你讨论解题步骤[4]。

特斯拉的自动驾驶和机器人就爱玩这套。Optimus Gen3的小脑算法深度复用FSD自动驾驶技术，基于端到端神经网络实现运动控制。在工厂测试中，一台Optimus可以24小时不间断工作，操作精度达99.7%，一台机器人等效于4名人类工人[5]。

端到端的最大好处是：减少了模块之间的信息损耗，让机器人反应更快、动作更自然。 缺点是：你得喂给它海量的“看到什么→应该做什么”的配对数据。这就是我们第3节要讲的数据问题。

四、现在的大模型，已经“进化”到什么程度了？

你可能在新闻里看到过这些数字：2017年至2023年，大模型在7项关键任务上的平均性能从50.5%提升到84.1%，相当于整个学科往前推了好几步[6]。这意味着，大模型不仅能聊天，还能做逻辑推理、数学计算、甚至写代码——而这些能力，恰恰是机器人理解复杂指令所必需的。

2026年春天，你可以看到中国机器人“大脑”的军备竞赛：

l 宇树科技向科创板提交IPO申请，计划募资42.02亿元，其中约20亿砸向智能机器人大模型研发项目[7]。

l 优必选自研大模型Thinker已进化出Thinker-VLA和Thinker-WM双版本，主攻场景泛化[8]。

l 智元机器人在2026年4月一口气发布了GO-2模型、GE-2动作世界模型和GO-3新一代基座模型，产能也拉到月产数千台的量级[9]。

l 自变量机器人在京发布WALL-B——全球首个“世界统一模型”架构下的具身智能基础模型，创始人宣布“35天后搭载WALL-B的机器人将首批入驻真实家庭”[10]。这话多少有点激进，但也传递出一个信号：大模型正把机器人从工厂拽进你家客厅。

【好了，小结一下】

这一节我们搞清楚了机器人“大脑”是怎么从“死记硬背”进化到“活学活用”的：

l 上古时代：机器人靠“剧本”活着，换场景就抓瞎。

l ChatGPT之后：大模型给了机器人常识推理能力，具身智能诞生。

l 端到端路线：不再分模块，输入直接到输出，反应更快。

l 当前战场：宇树、优必选、智元、自变量都在砸钱搞“大脑”，目标是让机器人先学会“理解世界”，再学会“干活”。

下一节，我们会钻进更具体的概念：VLA模型、世界模型、端到端——这些词到底啥意思？放心，我保证用你能听懂的方式讲清楚，不上数学课。

【给你划重点】

l 具身智能 = 大模型 + 机器人的身体。核心是“你说人话，机器人干人事”。

l 从“规则驱动”到“数据驱动”：以前靠人写代码，现在靠AI看视频自学。

l 端到端：输入（语言+视觉）→输出（动作指令），一条龙搞定，不拆模块。

l 当前行业共识：谁能先让机器人在真实场景里“学得快、干活稳”，谁就能赢。

【思考题】

你有没有遇到过那种“换个地方就不会做事”的尴尬？比如在自家厨房做饭行云流水，去朋友家就手忙脚乱。你觉得这种“场景泛化”能力对机器人来说，难点到底在哪里？

对具身智能感兴趣的同学，查阅陈甸甸主页，系统讲清机器人行业现状、产业链和未来趋势，《具身中国》连载中

数据来源：

[1] 基于规则的机器人局限性：Siciliano & Khatib, Springer Handbook of Robotics, 2016.

[2] VIOLA零样本表现：Goyal et al., “VIOLA: Object-Centric Imitation Learning”, CoRL 2023.

[3] 大模型常识推理能力：Wei et al., “Emergent Abilities of Large Language Models”, arXiv 2022.

[4] 端到端机器人控制：Levine et al., “End-to-End Training of Deep Visuomotor Policies”, JMLR 2016.

[5] Optimus工厂测试数据：Tesla 2026年第一季度更新信。

[6] 大模型性能跃升：Bubeck et al., “Sparks of Artificial General Intelligence”, arXiv 2023.

[7] 宇树科技IPO募资规划：宇树科技科创板招股书（2026年3月受理）。

[8] 优必选Thinker双版本：华源证券《人形机器人产业周报》，2026年4月。

[9] 智元AI矩阵及产能：智元机器人2026年4月合作伙伴大会。

[10] WALL-B及35天入驻家庭：自变量机器人在京发布会，2026年4月。