北京
过去十年，人工智能几乎全部活在玻璃屏幕后面。我们通过聊天窗口、API接口、手机应用和仪表盘与模型打交道。这些"没有身体"的系统能处理文本、生成代码、创作图像、计算复杂统计，却对它所分析的世界没有任何物理感知。
它概念上知道杯子是什么，但从没拿起过一只杯子，没感受过它的重量，也没调整过握力防止它滑落。这个限制正在快速消解，具身智能（Embodied AI）的时代正在到来——多模态基础模型、空间计算与实体机器人三者交汇。
什么才算具身智能
具身智能指的是通过物理身体直接与物理世界交互的智能体，形态包括人形机器人、四足机器、自动驾驶车辆或机械臂。它们和工厂笼子里执行硬编码重复脚本的传统工业机器人不同，靠的是视觉-语言-动作模型（VLA）。
这套模型让智能体具备三种能力：
- 感知：实时解读连续的视觉与触觉传感器数据流。
- 推理：把自然语言指令（比如"清理厨房台面上洒的咖啡"）翻译成一串有逻辑的空间步骤。
- 行动：执行流畅的物理动作，根据环境反馈动态调整力度、握持和轨迹。
VLA模型把三层合成一层
过去机器人领域有一个根本性的割裂：计算机视觉管感知，运动规划器管控制，自然语言处理管指令。把这些彼此独立的软件栈连接起来，出了名的脆弱。
VLA模型把这些层次统一进一个端到端架构。用大量视频流配机器人遥测数据训练多模态神经网络之后，物理智能体能把任务泛化到陌生环境。遇到从没见过的物体，它不会宕机，而是从视觉上下文推断物体的物理属性，判断怎样安全地与之交互。
这种能力会重塑几个主要行业。传统工厂自动化每上一条新产品线，都要砸数百万美元做定制工装；具身智能机器人可以直接部署进现有仓库和装配线，靠演示视频或口头指令学会新的分拣、打包、装配流程。全球人口老龄化之下，护理人力供给跟不上需求，具身智能助手可以协助安全搬动病人、取药、辅助理疗、处理养老机构里的家务。从灾后救援、核设施退役到深海维修和太空探索，物理智能体还能替人进入危险环境，自主完成复杂的物理修复作业。
莫拉维克悖论仍在挡路
进展惊人，但物理智能要面对纯软件模型从未遇到的难题。
莫拉维克悖论说的是：对人类困难的事，比如下大师级象棋、解微积分，对AI很容易；对幼儿容易的事，比如穿过杂乱的房间、拿起一枚鸡蛋而不捏碎，对AI异常困难。
现实世界的延迟与安全也是硬约束。在物理空间里，一次计算延迟或一次动作幻觉，可能造成物品损坏或人身伤害，实时控制回路必须以毫秒级精度运转。硬件耐久性与能量密度同样卡脖子——轻量执行器、高密度电池、耐用的触觉传感器，都还是重大工程瓶颈。
第一代AI给了机器视觉和听觉，第二代给了它们语言和推理能力。当前这一代要给的，是手、脚和空间感知。随着具身智能成熟，机器会从屏幕后面走出来，以真正有能力的伙伴身份，走进人类的物理世界。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
