具身智能

3 秒看懂

具身智能 = 会思考的身体。它让 AI 不仅拥有能推理、规划的“大脑”（算法与模型），更赋予其能在物理世界中进行感知与操作的“身体”（机器人、机械臂等物理实体）。其核心是让智能系统在真实或模拟环境中，实现从感知、理解、推理到行动的完整闭环，不再是只活在屏幕里的程序。

3 分钟产业解释

具身智能的产业目标是创造出能适应非结构化环境、并像人类一样进行灵巧操作的智能机器。它不等同于传统的“自动化机器”，后者依赖固定程序，对环境和任务的变动高度敏感；它也并非单纯给现有机器人加上一个语言聊天接口。
真正的具身智能系统包含三个核心闭环：

• 感知层：融合视觉、触觉、力觉、惯性测量等多模态信号，精细感知物理世界的几何、纹理、温度和力学特性，并将其转化为可被模型理解的语义信息。
• 决策与规划层：核心是“大脑”。利用多模态大模型或强化学习策略，对获取的环境信息进行推理，拆解复杂任务，规划出执行路径和动作序列。
• 执行与控制层：核心是“小脑”与“肌肉”。以高达毫秒级的频率进行实时、高精度的运动控制，驱动机器人全身的电机、液压等执行器，完成柔顺、精准、安全的物理操作。

这一轮产业爆发，主要由三大底层技术交汇驱动：多模态大模型极大提升了机器人的常识推理和零样本任务泛化能力；GPU加速的高保真物理仿真器让机器人在虚拟世界中低成本、大规模地试错学习成为可能；核心硬件供应链（高精度力矩传感器、高性能空心杯电机、边缘端高算力AI芯片）的成熟与成本收敛，使构建复杂、可靠、可量产的人形机器人不再是天方夜谭。目前，落地场景已覆盖汽车总装中的柔性插接、仓储物流中的无序分拣、医疗手术辅助以及家庭陪伴服务等，但距离真正通用的“全能管家”级具身智能仍有相当长的距离。

15 分钟专家深入

学术界与产业前沿专家的核心关切集中在：物理交互的不可逆性与样本的低效性。与数字世界不同，现实世界的物理交互一旦出错可能损坏传感器或环境，且一次失败的任务无法像游戏一样重来。因此，研究焦点高度集中于以下方向：

• 世界模型：让智能体在内部习得一个能够预测“当前状态 + 当前动作 → 下一时刻状态”的隐式动力学模型。这相当于让机器有了“想象力”，可以在采取行动前先在脑内“仿真”，大幅减少真实世界的试错成本。模型通常基于视频预测、Transfomer或扩散架构，在潜空间中学习，但长期预测存在的复合误差仍是重大挑战。
• Sim-to-Real 迁移：在 GPU 加速仿真器（如 NVIDIA Isaac Sim、MuJoCo）中并行运行成千上万个交互环境，通过强化学习训练策略。关键技巧是域随机化——在训练中随机改变摩擦力、光照、物体纹理、质量分布等物理参数，迫使策略学到不依赖特定环境物理参数的鲁棒特征。单一灵巧操作任务的仿真训练步数可达亿级（根据 OpenAI、ETH Zurich 等公开研究的训练规模估算）。再将训练好的策略通过少样本的在线系统辨识或领域自适应技术，迁移至真实硬件。尽管已有成功案例，但 Sim-to-Real gap 依然存在，使得策略在现实世界的成功率常常低于仿真环境中的表现，且对于需要精接触的任务远未达到 100% 可靠。
• 策略表征的演进：从早期基于精确物理模型的模型预测控制（MPC），向数据驱动的端到端策略演进。近期的技术热点是扩散策略，它将图像生成领域的扩散模型用于生成机器人动作序列，能极好地表达在高维连续控制空间中存在多种可能解（多峰性）的动作分布。此外，行动分块Transformer（Action Chunking Transformer）也逐渐成为主流，它将一个长动作序列分段预测，有效提升了长时序任务执行的稳定性和准确性。
• 基础模型的具身化：如何为机器人装上“通用大脑”，目前有两大技术流派。
  • 分层调用派：将大语言模型（LLM）/视觉-语言模型（VLM）作为顶层“任务规划器”。模型根据指令和环境信息，将“清理桌面”这类高级任务分解为 【找杯子】→【抓杯子】→【放入垃圾桶】 的子任务序列。顶层仅传递语义指令，而底层则由训练好的技能库（如抓取、放置、移动）通过高频控制执行。
  • 端到端派（VLA, Vision-Language-Action）：直接将视觉图像 Token 和自然语言指令 Token 输入一个统一的 Transformer 大模型，模型直接输出末端执行器或机器人关节的连续动作指令。这要求模型内化物理常识、空间几何与低层控制策略。该路线极度依赖海量的互联网图文视频数据与遥操作机器人数据的混合训练，典型模型规模已达数十亿至上千亿参数（如 Google DeepMind 的 RT-2 模型可达千亿参数级别，来源：Google DeepMind 2023年公开论文），其在未见过的物体和场景中的泛化能力已初步显现，但仍不稳定。
• 触觉与力控：视觉在透明、高反光、强烈遮挡或低光照环境下常常失效。灵巧操作的最终可靠性往往依赖于触觉与关节力控这一“最后防线”。具身智能必须解决高精度、高带宽的力与触觉信号处理与融合难题。目前，六维力/力矩传感器、以及基于视触觉（GelSight 类）、磁感式方案的指尖触觉阵列，正处在技术快速迭代和规模降本的关键期。

技术原理

最简明的具身智能闭环架构可抽象如下（简化示例，不含具体参数）：

物理世界 （包含各种物体与场景）
   │
   ▼
多模态传感器阵列 ──► 感知融合模块: (视觉+力+触觉+IMU+麦克风) ──► 状态估计与语义场景图
                                                        │
                                                        ▼
                                              ┌─ 世界模型(隐式预测)
                                              │      │
                                              ▼      ▼
                                      ┌─── 任务规划与决策层 ───┐
                                      │ (LLM/VLM规划器 或 端到端VLA模型) │
                                      └──────────┬──────────┘
                                                  │ (子任务/技能指令 或 高层动作基元)
                                                  ▼
                                    ┌─── 运动规划 + 全身控制 (WBC) ───┐
                                    │  (阻抗/导纳控制、模型预测控制)    │
                                    └──────────────┬─────────────────┘
                                                    │ (关节目标位置/力矩指令，100-1000Hz)
                                                    ▼
                                             执行器(电机/液压/气动)
                                                    │
                                                    ▼
                                        ┌ 物理世界状态变化 ──► 新观测 ──┐
                                        └──────────────────────────────┘

核心机制展开：

1. 高层的组合推理：如在分层架构下，视觉-语言模型接收到“将桌面上所有杂物清理掉”的指令，首先解析任务，输出可执行的原语序列：find(‘mug’) → pick(‘mug’, side='top-down') → place(‘mug’, target='trash_bin')。每一个操作原语再由其专属的底层策略执行，该策略接收实时视觉与本体感觉数据，直接输出高频率的电机控制指令。
2. 仿真内的大规模并行训练：在仿真软件中同时启动数千个并行数字孪生环境。一个强化学习策略网络（如MLP或Transformer）通过PPO或Q-learning算法，在这些环境中同时试错，并以梯度下降的方式更新网络权重。训练过程中会向环境注入大量随机扰动（如随机风场、物体质量、光照角度、地面摩擦系数），强迫策略学习出环境不变的核心特征。此时智能体完全不知真实物理世界的准确参数，但掌握了跨物理分布的鲁棒适应力。
3. 从像素到动作的端到端映射：输入为安装在机器人头部或第三视角的 RGB/RGB-D 图像流及自然语言指令<task>拿湿纸巾擦掉桌上的咖啡渍</task>。系统经视觉编码器（如ViT）和语言编码器串联，在交叉注意力机制下实现模态融合，并由一个基于扩散模型的动作头逐步从噪声中“降噪”生成一段连贯的未来动作轨迹。训练通常混合使用高质量的人类遥操作示教数据与海量仿真增强数据。由于当前端到端模型一次前向推理的延迟和算力开销，尚难以同时处理亚毫秒级的高带宽触觉反馈。因此，在执行高速接触性任务时，通常需要并联一个高频的底层力控/阻抗控制器作为补偿与安全冗余。

关键参数

衡量具身智能系统性能和成熟度的关键维度与参数包括：

• 任务成功率：在定义明确的结构化与非结构化环境中，完成端到端任务（如从杂乱仓库中拣选特定SKU）的百分比。例如，Dex-Net 系列算法在特定条件下的机器人抓取成功率可达 99% 以上（来源：UC Berkeley 公开研究，为实验室环境特定数据集结论）。但在更复杂的灵巧操作任务（如穿针、逐层叠放、柔性物体操作）上，公开成功率数据普遍较低，且无统一标准化基准。
• 泛化误差：模型对在训练中未出现过的物体形状（新几何体）、材质（如镜面、透明体）、场景布局和环境下进行操作的性能衰减程度，通常以成功率下降百分比来衡量。
• 数据效率：习得一项新技能所需的人类遥操作数据时长（单位：小时）或仿真交互的步数（单位：百万步）。当前SOTA的研究目标是最小化对人类示教数据的依赖，追求零样本或少样本学习。
• 鲁棒性与安全停机频率：系统在对抗外部碰撞干扰、传感器短暂失效、通信延迟抖动时的任务维持能力和安全响应速度。对于人机协作场景，必须精确限制每个轴的力和功率（如 ISO/TS 15066 标准）。
• 单体物料成本：一个完整具身智能本体（以人形机器人为例）的硬件物料清单成本，其在2024年行业平均值仍在数十万至上百万美元不等，是量产的最大障碍之一。产能与成本数据极为稀缺，多为公司商业机密。

技术路线

目前主流技术路线呈光谱式分布，既有侧重机理建模的传统派，也有完全拥抱数据驱动的端到端派。

注：上表综合自公开研究论文与产业发布口径，为定性研判，非精确量化对比。

上游

具身智能的硬件和基础软件供应链：

• 感知硬件：奥比中光、英特尔 RealSense 等3D结构光/ToF相机；览沃（Livox）、禾赛科技等的激光雷达；汉威科技、他山科技等的触觉传感器（柔性电子皮肤）；坤维科技等的六维力/力矩传感器。
• 边缘端计算芯片：英伟达（Jetson Thor/Orin系列）、高通（Robotics RB5/RB6平台）、地平线（征程系列）、华为昇腾等提供的端侧AI推理芯片。行业主流需求算力普遍在数十 TOPS 至 200 TOPS 之间（基于2023-2024年多家公司人形机器人公开方案估算）。
• 执行器与机电部件：特斯拉、波士顿动力等厂商自研高扭矩密度电机；核心供应商如绿的谐波、双环传动、三花智控提供谐波减速器、RV减速器和滚珠丝杠；汇川技术、步科股份提供伺服驱动系统；宁德时代、比亚迪提供高能量密度动力电池。
• 仿真与开发平台：英伟达（Isaac Sim/Omniverse平台）、Google（MuJoCo）、Open Robotics（Ignition Gazebo）、CoppeliaSim（V-REP）等。合成数据生成管线是软件栈的关键上游。
• 基础模型与算力基础设施：OpenAI、Google DeepMind、Meta 等提供基础语言/视觉模型，或开放供微调。大规模训练依赖AWS、Azure、阿里云等的GPU算力集群。

下游

具身智能的潜在应用市场覆盖国民经济主要部门：

• 工业制造：汽车总装与零部件装配（柔性插接、线束安装）、金属加工上下料、3C电子组装中的质量视检与精细操作。
• 仓储与物流：电商物流的无序分拣与打包、整箱码垛与拆垛、无人叉车搬运。据公开报道，Agility Robotics 的 Digit 机器人已在亚马逊仓库试点，Figure AI 与宝马签署商业协议（信息来源：两家公司官方新闻稿，2024）。
• 家用与商业服务：目标为家庭场景中的衣物整理、清洁、简单烹饪辅助，以及商用场景中的前台接待、夜间巡逻、物品递送。该领域目前仍处于高度探索期。
• 特种作业：核设施退役与危化品处理、电力与管道巡检、空间站在轨操作辅助、水下机器人（ROV/AUV）智能作业、精准农业中的采摘与除草。

受益公司

（本节仅基于公开新闻报道和产业链逻辑梳理公司涉足情况，不构成任何投资建议。）

• 核心整机厂商：特斯拉 (Optimus)、Figure AI、波士顿动力 (Atlas)、Agility Robotics (Digit)、1X Technologies (EVE, NEO)、智元机器人、宇树科技、傅利叶智能、优必选 (Walker系列)、小鹏汽车 (PX5) 等。这些公司处于价值链的核心整合位置。
• 核心零部件供应商：绿的谐波（减速器）、鸣志电器（电机）、峰岹科技（电机驱动）、奥普特/舜宇光学（机器视觉）、力合微/奥迪威（传感器）等，预计将受益于机器人整机放量的趋势。
• 算力与平台赋能：英伟达（提供从训练到仿真的全栈平台，最具平台级受益潜力）、高通（边缘计算与通信）、华为（昇腾算力与操作系统）。
• 软件与模型：Google DeepMind、OpenAI (投资Figure并提供模型)、字节跳动/TikTok (GR-1项目)等，提供或自研具身基础模型，是技术扩散的源头。

市场规模

由于具身智能和人形机器人仍处于产业化极早期，缺乏统一口径的权威统计，各界数据均为预测，差异巨大，仅供参考。

• 全球人形机器人市场：据高盛（Goldman Sachs）2022年报告预测，到 2030 年全球人形机器人市场规模可达 60 亿美元，到 2035 年有望达到 1540 亿美元。MarketsandMarkets 于 2023 年发布报告，预测全球人形机器人市场将从 2023 年的 18 亿美元增长至 2028 年的 138 亿美元，复合年增长率为 50.2%。需注意预测模型和前提假设差异。
• 中国工业机器人市场规模：根据高工产业研究院（GGII）数据，2023 年中国工业机器人市场销量约为 31.6 万台，市场规模约为 560 亿元人民币。具身智能是推动其向柔性化升级的关键技术。
• 供给与资本：当前全球具身智能领域年风险投资额已突破数十亿美元（据公开融资事件汇总估算，2024年热度不减），资本投入远超行业实际产生营收，处于核心技术适配、供应链打磨和早期市场验证的投资驱动阶段。核心零部件如行星滚柱丝杠、六维力传感器存在明显的产能瓶颈和高成本壁垒。

玩家对比

对主流人形机器人整机玩家的简要对比：

注：上述技术路线与商业化阶段均为基于公司官方公布信息和公开报道的综合判断。

风险

• 技术成熟度风险：通用具身智能的核心瓶颈——Sim-to-Real 泛化、精细操作成功率、对未知场景的可靠应对能力——并未根本解决，距离达到人类水平的灵巧度和可靠性，仍有鸿沟级差距。
• 供应链与成本风险：高精度力传感器、特种微型减速器/丝杠等核心零部件的良率、产能和成本控制，是决定规模化量产的关键瓶颈。若降本不及预期，所有市场预测都将落空。
• 大模型依赖与算法风险：对基础模型的依赖过重，可能沦为“组装厂”。同时，端到端模型的黑盒特性带来了不可解释性与安全性隐患，在工业生产中，难以预测的错误可能造成巨大损失。
• 数据获取与“飞轮”风险：所谓“数据飞轮”高度依赖机器人部署量，但在机器人足够好用、足够便宜之前，其部署量难以爆发，投资巨大但数据反哺缓慢，可能形成长期亏损的“死亡谷”。
• 伦理与安全政策风险：大规模人形机器人的应用将引发就业结构冲击、隐私侵犯（拥有自主感知和移动能力）等社会伦理问题，可能引致严格的甚至限制性的法律法规。

误读纠偏

• 误读1：“具身智能 = 把 ChatGPT 装进机器人”
  纠偏：大语言模型（LLM）能很好地承担高层规划、常识推理和人机交互的角色，但并不负责底层高频、实时的运动控制与物理交互。真正的具身智能必须处理物理接触中的碰撞、摩擦、柔性变形等非线性、瞬时性的复杂动态，这远远超出了纯文本/图像域大模型的能力边界。缺乏精细的环境模型和力控系统，仅靠语言和视觉无法安全、可靠地操作现实世界中的物体。

• 误读2：“仿真中训练好的策略可以直接‘零样本’完美部署到现实世界”
  纠偏：尽管域随机化等技术极大推动了 Sim-to-Real 的成功率，但现实世界存在大量仿真引擎无法完美建模的物理现象（如空气阻力对轻小物体的影响、非均匀摩擦、光线的多次反射和折射、组装的精密配合公差等）。目前的行业实践，仍普遍需要为每个新任务进行少量的现实世界数据微调或在线自适应学习。对高精度、高可靠性任务（如精密装配）而言，零样本完美迁移仍是未解决的前沿难题。

最新事件

• 2024年7月：世界人工智能大会（WAIC 2024）在上海举办，超过20款人形机器人集中亮相，成为全场焦点。特斯拉首次展出Cybertruck，并携Optimus Gen 2参展；国内厂商如达闼、宇树、智元、傅利叶等展示了在平衡行走、灵巧抓取、大模型对话等方面的最新进展，标志着行业进入技术路线百花齐放和资本催化的加速期。
• 2024年6月：北京银河通用机器人公司发布首代具身大模型机器人Galbot，号称具备抓取成功率超95%的泛化能力，并公布了其基于合成仿真大数据进行训练的技术路径（来源：公司新品发布）。
• 2024年上半年：NVIDIA 在 GTC 2024 上宣布了名为 GR00T 的通用人形机器人基础模型，以及提供机器人开发全栈解决方案的 Isaac 平台新版本，创始人黄仁勋提出“人形机器人是AI的下一个浪潮”，显著提升了产业界对具身智能基础模型的平台化预期。

跟踪指标

• 技术指标：顶级会议（ICRA, CoRL, RSS）论文中，公开 benchmark（如 RLBench, CALVIN, ManiSkill2）上的任务成功率和新任务泛化分数的刷新。
• 成本指标：特斯拉等头部厂商公布的 Optimus 类人形机器人目标定价与实际物料成本的下降趋势。目标是降至2.5万美元/台（来源：马斯克公开表态，为未实现目标），一旦接近，将构成行业重大拐点。
• 商业化指标：整机厂商与大型企业达成的实际商业试点合同数量与深度，从“试点”到“购买/租赁”的转化率。
• 资本指标：一级市场对头部具身智能公司的单笔融资额和估值变化，可作为衡量行业预期的情绪指标。
• 产业链指标：高精尖核心零部件的国产化率、供应链产能扩张计划、以及上游芯片算力密度和功耗比（TOPS/W）的迭代速度。

信源

本页面的综合信息主要来自以下公开渠道，而非单一定量研究：

• 企业官方：特斯拉、Figure AI、Boston Dynamics、Agility Robotics、优必选等公司官网及官方社交媒体。
• 行业报告：高盛《Humanoid Robot: The AI accelerant》；MarketsandMarkets《Humanoid Robot Market - Global Forecast to 2028》；高工产业研究院（GGII）关于中国工业机器人的年产量和市场规模数据。
• 学术前沿：arXiv.org 上 Robotics、CV、AI 板块的预印本论文；IEEE Xplore 收录的 ICRA、IROS 会议论文；CoRL、RSS 会议论文集，重点关注 Google DeepMind 的 RT 系列、扩散策略（Diffusion Policy）等工作。
• 科技媒体与财经终端：TechCrunch、The Verge、Bloomberg、Reuters 对重大融资和产品发布的实时报道。