具身智慧

3 秒看懂

具身智慧 = 會思考的身體。它讓 AI 不僅擁有能推論、規劃的“大腦”（演算法與模型），更賦予其能在物理世界中進行感知與操作的“身體”（機器人、機械臂等物理實體）。其核心是讓智慧系統在真實或模擬環境中，實現從感知、理解、推論到行動的完整閉環，不再是隻活在螢幕裡的程式。

3 分鐘產業解釋

具身智慧的產業目標是創造出能適應非結構化環境、並像人類一樣進行靈巧操作的智慧機器。它不等同於傳統的“自動化機器”，後者依賴固定程式，對環境和任務的變動高度敏感；它也並非單純給現有機器人加上一個語言聊天介面。
真正的具身智慧系統包含三個核心閉環：

• 感知層：融合視覺、觸覺、力覺、慣性測量等多模態訊號，精細感知物理世界的幾何、紋理、溫度和力學特性，並將其轉化為可被模型理解的語義資訊。
• 決策與規劃層：核心是“大腦”。利用多模態大型模型或強化學習策略，對獲取的環境資訊進行推論，拆解複雜任務，規劃出執行路徑和動作序列。
• 執行與控制層：核心是“小腦”與“肌肉”。以高達毫秒級的頻率進行即時、高精度的運動控制，驅動機器人全身的電機、液壓等執行器，完成柔順、精準、安全的物理操作。

這一輪產業爆發，主要由三大底層技術交匯驅動：多模態大型模型極大提升了機器人的常識推論和零樣本任務泛化能力；GPU加速的高保真物理模擬器讓機器人在虛擬世界中低成本、大規模地試錯學習成為可能；核心硬體供應鏈（高精度力矩感測器、高效能空心杯電機、邊緣端高算力AI晶片）的成熟與成本收斂，使建置複雜、可靠、可量產的人形機器人不再是天方夜譚。目前，落地場景已覆蓋汽車總裝中的柔性插接、倉儲物流中的無序分揀、醫療手術輔助以及家庭陪伴服務等，但距離真正通用的“全能管家”級具身智慧仍有相當長的距離。

15 分鐘專家深入

學術界與產業前沿專家的核心關切集中在：物理互動的不可逆性與樣本的低效性。與數字世界不同，現實世界的物理互動一旦出錯可能損壞感測器或環境，且一次失敗的任務無法像遊戲一樣重來。因此，研究焦點高度集中於以下方向：

• 世界模型：讓智慧代理在內部習得一個能夠預測“當前狀態 + 當前動作 → 下一時刻狀態”的隱式動力學模型。這相當於讓機器有了“想像力”，可以在採取行動前先在腦內“模擬”，大幅減少真實世界的試錯成本。模型通常基於影片預測、Transfomer或擴散架構，在潛空間中學習，但長期預測存在的複合誤差仍是重大挑戰。
• Sim-to-Real 遷移：在 GPU 加速模擬器（如 NVIDIA Isaac Sim、MuJoCo）中並行執行成千上萬個互動環境，通過強化學習訓練策略。關鍵技巧是域隨機化——在訓練中隨機改變摩擦力、光照、物體紋理、質量分佈等物理引數，迫使策略學到不依賴特定環境物理引數的魯棒特徵。單一靈巧操作任務的模擬訓練步數可達億級（根據 OpenAI、ETH Zurich 等公開研究的訓練規模估算）。再將訓練好的策略通過少樣本的線上系統辨識或領域自適應技術，遷移至真實硬體。儘管已有成功案例，但 Sim-to-Real gap 依然存在，使得策略在現實世界的成功率常常低於模擬環境中的表現，且對於需要精接觸的任務遠未達到 100% 可靠。
• 策略表徵的演進：從早期基於精確物理模型的模型預測控制（MPC），向資料驅動的端到端策略演進。近期的技術熱點是擴散策略，它將影像生成領域的擴散模型用於生成機器人動作序列，能極好地表達在高維連續控制空間中存在多種可能解（多峰性）的動作分佈。此外，行動分塊Transformer（Action Chunking Transformer）也逐漸成為主流，它將一個長動作序列分段預測，有效提升了長時序任務執行的穩定性和準確性。
• 基礎模型的具身化：如何為機器人裝上“通用大腦”，目前有兩大技術流派。
  • 分層呼叫派：將大語言模型（LLM）/視覺-語言模型（VLM）作為頂層“任務規劃器”。模型根據指令和環境資訊，將“清理桌面”這類高階任務分解為 【找杯子】→【抓杯子】→【放入垃圾桶】 的子任務序列。頂層僅傳遞語義指令，而底層則由訓練好的技能庫（如抓取、放置、移動）通過高頻控制執行。
  • 端到端派（VLA, Vision-Language-Action）：直接將視覺影像 Token 和自然語言指令 Token 輸入一個統一的 Transformer 大型模型，模型直接輸出末端執行器或機器人關節的連續動作指令。這要求模型內化物理常識、空間幾何與低層控制策略。該路線極度依賴海量的網際網路圖文影片資料與遙操作機器人資料的混合訓練，典型模型規模已達數十億至上千億引數（如 Google DeepMind 的 RT-2 模型可達千億引數級別，來源：Google DeepMind 2023年公開論文），其在未見過的物體和場景中的泛化能力已初步顯現，但仍不穩定。
• 觸覺與力控：視覺在透明、高反光、強烈遮擋或低光照環境下常常失效。靈巧操作的最終可靠性往往依賴於觸覺與關節力控這一“最後防線”。具身智慧必須解決高精度、高頻寬的力與觸覺訊號處理與融合難題。目前，六維力/力矩感測器、以及基於視觸覺（GelSight 類）、磁感式方案的指尖觸覺陣列，正處在技術快速迭代和規模降本的關鍵期。

技術原理

最簡明的具身智慧閉環架構可抽象如下（簡化示例，不含具體引數）：

物理世界 （包含各種物體與場景）
   │
   ▼
多模態感測器陣列 ──► 感知融合模組: (視覺+力+觸覺+IMU+麥克風) ──► 狀態估計與語義場景圖
                                                        │
                                                        ▼
                                              ┌─ 世界模型(隱式預測)
                                              │      │
                                              ▼      ▼
                                      ┌─── 任務規劃與決策層 ───┐
                                      │ (LLM/VLM規劃器 或 端到端VLA模型) │
                                      └──────────┬──────────┘
                                                  │ (子任務/技能指令 或 高層動作基元)
                                                  ▼
                                    ┌─── 運動規劃 + 全身控制 (WBC) ───┐
                                    │  (阻抗/導納控制、模型預測控制)    │
                                    └──────────────┬─────────────────┘
                                                    │ (關節目標位置/力矩指令，100-1000Hz)
                                                    ▼
                                             執行器(電機/液壓/氣動)
                                                    │
                                                    ▼
                                        ┌ 物理世界狀態變化 ──► 新觀測 ──┐
                                        └──────────────────────────────┘

核心機制展開：

1. 高層的組合推論：如在分層架構下，視覺-語言模型接收到“將桌面上所有雜物清理掉”的指令，首先解析任務，輸出可執行的原語序列：find(‘mug’) → pick(‘mug’, side='top-down') → place(‘mug’, target='trash_bin')。每一個操作原語再由其專屬的底層策略執行，該策略接收即時視覺與本體感覺資料，直接輸出高頻率的電機控制指令。
2. 模擬內的大規模並行訓練：在模擬軟體中同時啟動數千個並行數字孿生環境。一個強化學習策略網路（如MLP或Transformer）通過PPO或Q-learning演算法，在這些環境中同時試錯，並以梯度下降的方式更新網路權重。訓練過程中會向環境注入大量隨機擾動（如隨機風場、物體質量、光照角度、地面摩擦係數），強迫策略學習出環境不變的核心特徵。此時智慧代理完全不知真實物理世界的準確引數，但掌握了跨物理分佈的魯棒適應力。
3. 從畫素到動作的端到端對映：輸入為安裝在機器人頭部或第三視角的 RGB/RGB-D 影像流及自然語言指令<task>拿溼紙巾擦掉桌上的咖啡漬</task>。系統經視覺編碼器（如ViT）和語言編碼器串聯，在交叉注意力機制下實現模態融合，並由一個基於擴散模型的動作頭逐步從噪聲中“降噪”生成一段連貫的未來動作軌跡。訓練通常混合使用高質量的人類遙操作示教資料與海量模擬增強資料。由於當前端到端模型一次前向推論的延遲和算力開銷，尚難以同時處理亞毫秒級的高頻寬觸覺反饋。因此，在執行高速接觸性任務時，通常需要並聯一個高頻的底層力控/阻抗控制器作為補償與安全冗餘。

關鍵引數

衡量具身智慧系統性能和成熟度的關鍵維度與引數包括：

• 任務成功率：在定義明確的結構化與非結構化環境中，完成端到端任務（如從雜亂倉庫中揀選特定SKU）的百分比。例如，Dex-Net 系列演算法在特定條件下的機器人抓取成功率可達 99% 以上（來源：UC Berkeley 公開研究，為實驗室環境特定資料集結論）。但在更復雜的靈巧操作任務（如穿針、逐層疊放、柔性物體操作）上，公開成功率資料普遍較低，且無統一標準化基準。
• 泛化誤差：模型對在訓練中未出現過的物體形狀（新幾何體）、材質（如鏡面、透明體）、場景版面配置和環境下進行操作的效能衰減程度，通常以成功率下降百分比來衡量。
• 資料效率：習得一項新技能所需的人類遙運算元據時長（單位：小時）或模擬互動的步數（單位：百萬步）。當前SOTA的研究目標是最小化對人類示教資料的依賴，追求零樣本或少樣本學習。
• 魯棒性與安全停機頻率：系統在對抗外部碰撞干擾、感測器短暫失效、通訊延遲抖動時的任務維持能力和安全響應速度。對於人機協作場景，必須精確限制每個軸的力和功率（如 ISO/TS 15066 標準）。
• 單體物料成本：一個完整具身智慧本體（以人形機器人為例）的硬體物料清單成本，其在2024年行業平均值仍在數十萬至上百萬美元不等，是量產的最大障礙之一。產能與成本資料極為稀缺，多為公司商業機密。

技術路線

目前主流技術路線呈光譜式分佈，既有側重機理建模的傳統派，也有完全擁抱資料驅動的端到端派。

維度	基於模型的控制 (MPC/最優控制)	無模型強化學習	端到端基礎模型 (VLA)	分層架構 (大型模型+技能庫)
資料需求	極低（僅需系統的物理引數辨識）	極高（隨機試錯，離策略或線上策略訓練）	極高（依賴網際網路資料+海量遙操作示教）	中高（底層技能各自需要資料，頂層規劃依賴LLM/VLM現有能力）
對新任務的泛化	極差，依賴人工重新精確建模	中，對訓練分佈內的變化有較好泛化力	中高，表現出令人鼓舞的零樣本語言引導泛化，但動作執行尚不穩定	高，新任務通常只需重寫頂層規劃Prompt，無需重訓底層技能
即時控制性能	高，但最佳化求解需較強機載算力	極高，推論過程通常只需一次網路前向傳播	低-中，大型模型端側推論延遲（數百毫秒至秒級）仍是瓶頸	中，頂層規劃器呼叫頻次低，底層即時性高
精細力控能力	高，可對接觸力、力矩施加顯式約束	中，高度依賴獎勵函式的設計技巧	低（目前狀態），對精細觸覺和力反饋的融合尚不成熟	高，底層技能策略可專門最佳化精細力控
可解釋性	高，計算過程白盒	低，黑盒神經網路	極低，黑盒大型模型	中，頂層規劃步驟可讀
典型產業代表	高精度工業焊接、打磨	腿足式機器人的複雜地形行走	Google RT系列、Figure 01早期原型機、清華UniTree具身智慧大型模型	特斯拉Optimus（推測）、NVIDIA GR00T平台、大多數商業人形機器人初創公司

注：上表綜合自公開研究論文與產業釋出口徑，為定性研判，非精確量化對比。

上游

具身智慧的硬體和基礎軟體供應鏈：

• 感知硬體：奧比中光、英特爾 RealSense 等3D結構光/ToF相機；覽沃（Livox）、禾賽科技等的雷射雷達；漢威科技、他山科技等的觸覺感測器（柔性電子皮膚）；坤維科技等的六維力/力矩感測器。
• 邊緣端計算晶片：輝達（Jetson Thor/Orin系列）、高通（Robotics RB5/RB6平台）、地平線（征程系列）、華為昇騰等提供的端側AI推論晶片。行業主流需求算力普遍在數十 TOPS 至 200 TOPS 之間（基於2023-2024年多家公司人形機器人公開方案估算）。
• 執行器與機電部件：特斯拉、波士頓動力等廠商自研高扭矩密度電機；核心供應商如綠的諧波、雙環傳動、三花智控提供諧波減速器、RV減速器和滾珠絲槓；匯川技術、步科股份提供伺服驅動系統；寧德時代、比亞迪提供高能量密度動力電池。
• 模擬與開發平台：輝達（Isaac Sim/Omniverse平台）、Google（MuJoCo）、Open Robotics（Ignition Gazebo）、CoppeliaSim（V-REP）等。合成數據生成管線是軟體棧的關鍵上游。
• 基礎模型與算力基礎設施：OpenAI、Google DeepMind、Meta 等提供基礎語言/視覺模型，或開放供微調。大規模訓練依賴AWS、Azure、阿里雲端等的GPU算力叢集。

下游

具身智慧的潛在應用市場覆蓋國民經濟主要部門：

• 工業製造：汽車總裝與零部件裝配（柔性插接、線束安裝）、金屬加工上下料、3C電子組裝中的質量視檢與精細操作。
• 倉儲與物流：電商物流的無序分揀與打包、整箱碼垛與拆垛、無人叉車搬運。據公開報道，Agility Robotics 的 Digit 機器人已在亞馬遜倉庫試點，Figure AI 與寶馬簽署商業協議（資訊來源：兩家公司官方新聞稿，2024）。
• 家用與商業服務：目標為家庭場景中的衣物整理、清潔、簡單烹飪輔助，以及商用場景中的前臺接待、夜間巡邏、物品遞送。該領域目前仍處於高度探索期。
• 特種作業：核設施退役與危化品處理、電力與管道巡檢、空間站在軌操作輔助、水下機器人（ROV/AUV）智慧作業、精準農業中的採摘與除草。

受益公司

（本節僅基於公開新聞報道和產業鏈邏輯梳理公司涉足情況，不構成任何投資建議。）

• 核心整機廠商：特斯拉 (Optimus)、Figure AI、波士頓動力 (Atlas)、Agility Robotics (Digit)、1X Technologies (EVE, NEO)、智元機器人、宇樹科技、傅利葉智慧、優必選 (Walker系列)、小鵬汽車 (PX5) 等。這些公司處於價值鏈的核心整合位置。
• 核心零部件供應商：綠的諧波（減速器）、鳴志電器（電機）、峰岹科技（電機驅動）、奧普特/舜宇光學（機器視覺）、力合微/奧迪威（感測器）等，預計將受益於機器人整機放量的趨勢。
• 算力與平台賦能：輝達（提供從訓練到模擬的全棧平台，最具平台級受益潛力）、高通（邊緣計算與通訊）、華為（昇騰算力與作業系統）。
• 軟體與模型：Google DeepMind、OpenAI (投資Figure並提供模型)、字節跳動/TikTok (GR-1專案)等，提供或自研具身基礎模型，是技術擴散的源頭。

市場規模

由於具身智慧和人形機器人仍處於產業化極早期，缺乏統一口徑的權威統計，各界資料均為預測，差異巨大，僅供參考。

• 全球人形機器人市場：據高盛（Goldman Sachs）2022年報告預測，到 2030 年全球人形機器人市場規模可達 60 億美元，到 2035 年有望達到 1540 億美元。MarketsandMarkets 於 2023 年釋出報告，預測全球人形機器人市場將從 2023 年的 18 億美元增長至 2028 年的 138 億美元，複合年增長率為 50.2%。需注意預測模型和前提假設差異。
• 中國工業機器人市場規模：根據高工產業研究院（GGII）資料，2023 年中國工業機器人市場銷量約為 31.6 萬臺，市場規模約為 560 億元人民幣。具身智慧是推動其向柔性化升級的關鍵技術。
• 供給與資本：當前全球具身智慧領域年風險投資額已突破數十億美元（據公開融資事件彙總估算，2024年熱度不減），資本投入遠超行業實際產生營收，處於核心技術適配、供應鏈打磨和早期市場驗證的投資驅動階段。核心零部件如行星滾柱絲槓、六維力感測器存在明顯的產能瓶頸和高成本壁壘。

玩家對比

對主流人形機器人整機玩家的簡要對比：

公司	代表產品	核心技術路線與特點	商業化階段	關鍵進展與時間線
特斯拉 (Tesla)	Optimus (Gen 2)	複用FSD視覺神經網路與硬體；自研執行器；強調通用性、低成本量產能力	內部工廠測試	Gen 2於2023年12月公佈，實現了更快的步行速度、更輕的重量及多模態感知。馬斯克預測2025年小規模生產，但尚未有官方時間表。
Figure AI	Figure 01	與OpenAI合作，深度融合多模態大型模型，實現端到端語言-視覺-動作控制	早期原型，工業驗證	2024年1月與寶馬達成商業協議，推進汽車製造場景。2024年3月公佈與大型模型結合後令人矚目的自然語言互動與任務執行能力。
波士頓動力 (Hyundai)	Atlas	從液壓轉向全電動平台，具備世界級的全身動態運動能力（跳躍、後空翻等）	工業試點	2024年4月釋出全新全電動Atlas，定位為工業應用，相比液壓版更安靜、更節能。商業落地以巡檢和物料搬運為切入點，母公司現代汽車為首要大客戶。
Agility Robotics	Digit	獨特仿鴕鳥雙足設計，專注倉儲物流搬運的最後一公里	早期量產與商業化交付	2023年在奧勒岡州開設全球首家人形機器人工廠“RoboFab”，計劃年產萬臺。已在亞馬遜倉庫進行試點測試。
優必選 (UBTECH)	Walker S	中國老牌人形機器人公司（上市），關鍵零部件如伺服舵機高度自研	教育、商用接待到工業探索	Walker S於2023年釋出，已進入蔚來汽車全工藝場景“實訓”，在總裝車間進行初步操作驗證（來源：優必選官方公告）。

注：上述技術路線與商業化階段均為基於公司官方公佈資訊和公開報道的綜合判斷。

風險

• 技術成熟度風險：通用具身智慧的核心瓶頸——Sim-to-Real 泛化、精細操作成功率、對未知場景的可靠應對能力——並未根本解決，距離達到人類水平的靈巧度和可靠性，仍有鴻溝級差距。
• 供應鏈與成本風險：高精度力感測器、特種微型減速器/絲槓等核心零部件的良率、產能和成本控制，是決定規模化量產的關鍵瓶頸。若降本不及預期，所有市場預測都將落空。
• 大型模型依賴與演算法風險：對基礎模型的依賴過重，可能淪為“組裝廠”。同時，端到端模型的黑盒特性帶來了不可解釋性與安全性隱患，在工業生產中，難以預測的錯誤可能造成巨大損失。
• 資料獲取與“飛輪”風險：所謂“資料飛輪”高度依賴機器人部署量，但在機器人足夠好用、足夠便宜之前，其部署量難以爆發，投資巨大但資料反哺緩慢，可能形成長期虧損的“死亡谷”。
• 倫理與安全政策風險：大規模人形機器人的應用將引發就業結構衝擊、隱私侵犯（擁有自主感知和移動能力）等社會倫理問題，可能引致嚴格的甚至限制性的法律法規。

誤讀糾偏

• 誤讀1：“具身智慧 = 把 ChatGPT 裝進機器人”
  糾偏：大語言模型（LLM）能很好地承擔高層規劃、常識推論和人機互動的角色，但並不負責底層高頻、即時的運動控制與物理互動。真正的具身智慧必須處理物理接觸中的碰撞、摩擦、柔性變形等非線性、瞬時性的複雜動態，這遠遠超出了純文本/影像域大型模型的能力邊界。缺乏精細的環境模型和力控系統，僅靠語言和視覺無法安全、可靠地操作現實世界中的物體。

• 誤讀2：“模擬中訓練好的策略可以直接‘零樣本’完美部署到現實世界”
  糾偏：儘管域隨機化等技術極大推動了 Sim-to-Real 的成功率，但現實世界存在大量模擬引擎無法完美建模的物理現象（如空氣阻力對輕小物體的影響、非均勻摩擦、光線的多次反射和折射、組裝的精密配合公差等）。目前的行業實踐，仍普遍需要為每個新任務進行少量的現實世界資料微調或線上自適應學習。對高精度、高可靠性任務（如精密裝配）而言，零樣本完美遷移仍是未解決的前沿難題。

最新事件

• 2024年7月：世界人工智慧大會（WAIC 2024）在上海舉辦，超過20款人形機器人集中亮相，成為全場焦點。特斯拉首次展出Cybertruck，並攜Optimus Gen 2參展；國內廠商如達闥、宇樹、智元、傅利葉等展示了在平衡行走、靈巧抓取、大型模型對話等方面的最新進展，標誌著行業進入技術路線百花齊放和資本催化的加速期。
• 2024年6月：北京銀河通用機器人公司釋出首代具身大型模型機器人Galbot，號稱具備抓取成功率超95%的泛化能力，並公佈了其基於合成模擬大數據進行訓練的技術路徑（來源：公司新品釋出）。
• 2024年上半年：NVIDIA 在 GTC 2024 上宣佈了名為 GR00T 的通用人形機器人基礎模型，以及提供機器人開發全棧解決方案的 Isaac 平台新版本，創始人黃仁勳提出“人形機器人是AI的下一個浪潮”，顯著提升了產業界對具身智慧基礎模型的平台化預期。

追蹤指標

• 技術指標：頂級會議（ICRA, CoRL, RSS）論文中，公開 benchmark（如 RLBench, CALVIN, ManiSkill2）上的任務成功率和新任務泛化分數的重新整理。
• 成本指標：特斯拉等頭部廠商公佈的 Optimus 類人形機器人目標定價與實際物料成本的下降趨勢。目標是降至2.5萬美元/臺（來源：馬斯克公開表態，為未實現目標），一旦接近，將構成行業重大拐點。
• 商業化指標：整機廠商與大型企業達成的實際商業試點合同數量與深度，從“試點”到“購買/租賃”的轉化率。
• 資本指標：一級市場對頭部具身智慧公司的單筆融資額和估值變化，可作為衡量行業預期的情緒指標。
• 產業鏈指標：高精尖核心零部件的國產化率、供應鏈產能擴張計劃、以及上游晶片算力密度和功耗比（TOPS/W）的迭代速度。

信源

本頁面的綜合資訊主要來自以下公開渠道，而非單一定量研究：

• 企業官方：特斯拉、Figure AI、Boston Dynamics、Agility Robotics、優必選等公司官網及官方社交媒體。
• 行業報告：高盛《Humanoid Robot: The AI accelerant》；MarketsandMarkets《Humanoid Robot Market - Global Forecast to 2028》；高工產業研究院（GGII）關於中國工業機器人的年產量和市場規模資料。
• 學術前沿：arXiv.org 上 Robotics、CV、AI 板塊的預印本論文；IEEE Xplore 收錄的 ICRA、IROS 會議論文；CoRL、RSS 會議論文集，重點關注 Google DeepMind 的 RT 系列、擴散策略（Diffusion Policy）等工作。
• 科技媒體與財經終端：TechCrunch、The Verge、Bloomberg、Reuters 對重大融資和產品釋出的即時報道。