具身智能：从计算到认知的演进与落地路径

一、智能演进：从计算、感知到认知

人工智能的发展路径，一直是研究者反复讨论的问题。业界通常把AI的演进划分为三个阶段：计算智能、感知智能和认知智能。

第一阶段是计算智能。经过半个多世纪的发展，计算机在运算速度和存储容量上已经远超人类。但这一阶段的系统本质上是在处理符号，并不理解符号指向的世界。

第二阶段是感知智能。计算机视觉和语音识别的成熟，让机器能够识别图像中的物体、听懂语音指令，这标志着感知智能的到来。

第三阶段是认知智能，目标是让机器在理解的基础上进行推理和规划。目前大模型的快速发展，让人们重新思考一个问题：仅靠大规模预训练，能否走到认知智能？如果不能，下一步该往哪里走？

一种越来越受关注的观点认为，AI需要与物理身体结合，才能获得可靠的推理能力。具身智能正是围绕这一观点展开的研究方向。

二、具身智能的定义与理论根基

“具身”指智能体拥有物理实体，能够通过身体感知世界、作用于世界。从这个角度看，智能不只存在于计算单元之中，而是身体、大脑与环境三者相互作用的结果。

这一定义改变了传统AI的隐含假设。传统方法常把智能等同于符号运算，而强化学习等技术的实践表明，智能体通过与环境交互来学习和调整行为，这一过程不可忽略。

理论上，卡尔·弗里斯顿提出的自由能量原理常被用来解释这一过程。该原理认为，生物体通过最小化预测误差，维持自身与环境的稳定耦合。在工程中，这一思想对应预测编码：模型先预测下一时刻的观测，再用实际传感器数据修正预测，修正量同时驱动动作调整，形成感知与行动的闭环。

三、三条学派主线如何在具身智能中汇合

理解具身智能，需要先看清三条学派主线的分工。

• 符号主义以逻辑推理和知识表示为核心，适合做可解释的规划与约束检查。
• 联结主义以神经网络为代表，从数据中学习分布式表示，擅长处理图像、语音等高维输入。
• 行为主义强调智能体与环境的实时交互，认为复杂行为可以在感知与动作的循环中逐步形成。

具身智能并不否定其中任何一条路线。实际系统通常同时需要表征学习能力，依靠联结主义处理感知数据；需要交互闭环，依靠行为主义保证动作能随环境变化及时调整；还需要可解释的推理环节，依靠符号主义检查任务步骤是否合理。

四、两个技术热点：空间智能与任务规划

空间智能指智能体对三维空间的表征、理解与推理能力。二维图像识别只需判断画面中有什么，空间智能还要求判断物体的位置、朝向、遮挡关系，以及机器人自身在空间中的位姿。机器人要完成导航、抓取和多机协作，都要先具备这一能力。常见的技术包括三维重建、语义地图构建和空间关系推理。

任务规划指把高层指令转化为可执行的动作序列。目前一个值得关注的方向是VLA（视觉-语言-动作）大模型。这类模型接收图像和自然语言指令，直接输出机器人的动作或子任务序列。例如，用户说“把桌上的杯子放进水槽”，模型需要先识别杯子和水槽的位置，再规划抓取、移动和放置的步骤。传统规划算法擅长保证步骤的可行性，大模型擅长理解模糊指令，两者结合的混合架构是目前的常见做法。

这两个方向指向同一个难点：具身智能的瓶颈不在于单一模态的识别精度，而在于多模态感知、空间理解与动作决策之间的紧密配合。任何一环出错，都会影响整个任务的完成。

五、三条实现路径及对比

目前具身智能的主要实现路径有三条。

路径一：人形机器人。 人形机器人的形态与人类的生活和工作环境相匹配，因此被视为具身智能的重要载体。其技术栈包括运动控制、平衡算法、灵巧操作和人机交互。主要难点是硬件成本高、运动稳定性不足，以及在新环境中的泛化能力有限。

路径二：大模型加实体的强化学习。 这条路线把大模型的语义理解和推理能力迁移到机器人上，再通过强化学习在仿真或真实环境中优化策略。它的优势是可以复用大模型已有的世界知识。难点在于仿真到现实的迁移（sim-to-real gap）：仿真中的摩擦、质量和传感器延迟与真实情况存在偏差，策略在仿真中表现好，到真机上可能失效。常用的缓解方法是域随机化，即在训练时对这些物理参数做一定范围的随机扰动。奖励函数的设计也很困难，设计不当会让智能体学会钻空子。

路径三：通过群体协同实现涌现。 大量智能体通过网络连接并协同工作时，系统层面可能出现单个智能体不具备的能力。例如，多台仓储机器人共享地图和任务队列，整体调度效率会明显高于各自独立工作。这一路径的关键在于通信协议、任务分配和系统可靠性。

对比维度	人形机器人	大模型加强化学习	群体协同
算力要求	高，需要板端实时运动控制与云端模型	高，训练阶段需要大量仿真算力	中，单体算力要求低，整体依赖网络与调度
工程成熟度	早期，少数场景试点	研究活跃，部分任务已有演示	较高，仓储、物流等场景已有成熟方案
硬件成本	高	取决于本体，可在现有机械臂上验证	低到中，可复用已有移动平台
主要落地阻碍	成本、稳定性、安全认证	sim-to-real 迁移、奖励设计	通信延迟、任务分配、故障隔离

三条路径并不互斥。实际系统常常是组合形式：人形机器人可以借助大模型做任务规划，同时通过云端协同完成多机调度。

六、具身智能的三层价值

随着具身智能进入生产和生活，它的价值可以分为三层。

第一层：观测更多细节。 具身智能体可以在工作现场持续采集多维数据，例如振动、温度、视觉和力反馈。在复杂制造场景中，这些数据能帮助工程师发现传统人工巡检难以察觉的问题。

第二层：发现新规律。 智能体在与环境交互的过程中，会收集到大量关联数据。通过分析这些数据，它可以提示人类注意之前未被关注的规律，为决策提供线索。

第三层：参与科学验证。 当智能体能在物理世界中设计实验、记录结果并修正假设时，它就成为科学发现过程中的参与者。这一层的要求最高，需要可靠的实验控制、完整的数据记录和可复现的流程。

三层价值逐级递进，从观测到发现，再到验证。开发者在设计系统时，可以先把第一层做扎实，再逐步扩展。

七、代码示例：感知、决策、执行的闭环

下面的代码展示具身智能系统的基本结构。它不能直接运行在某个具体机器人上，但体现了模块划分和数据维度。

import gymnasium as gym
import numpy as np
# 观测空间：关节角度（7维）+ 末端位姿（7维）+ 图像特征（512维），共526维
# 动作空间：7个关节的目标增量，取值范围 [-1, 1]，类型 float32
OBS_DIM = 526
ACT_DIM = 7
class EmbodiedAgent:
    def __init__(self, perception, planner, actuator):
        self.perception = perception  # 输入：原始传感器数据；输出：shape (526,) 的观测向量
        self.planner = planner        # 输入：shape (526,) 观测；输出：shape (7,) 动作
        self.actuator = actuator      # 输入：shape (7,) 动作；输出：gymnasium 标准的 step 返回值
    def step(self, env):
        obs = self.perception.observe(env)                 # 感知环境，shape (526,)
        action = self.planner.plan(obs).astype(np.float32)  # 决策，shape (7,)
        # 真实机器人中，execute 通常通过 ROS 2 发布关节指令（如 rclpy 的 Publisher）
        next_obs, reward, terminated, truncated, info = self.actuator.execute(action)
        return next_obs, reward, terminated, truncated, info

这段代码体现的循环是感知、决策、执行和反馈。每个模块内部都可能很复杂，但模块之间的接口和数据维度必须明确。维度不一致是工程中最常见的错误之一，因此建议在模块边界处加入形状检查。

八、产业落地与伦理挑战

在产业层面，具身智能的应用场景正在扩展。制造业中的柔性装配、医疗领域的手术辅助和康复训练、物流仓储中的自主搬运，都是比较典型的方向。2025年政府工作报告在培育未来产业的部分提到了具身智能，与量子科技、生物制造、6G等并列。这说明政策层面已把具身智能视为推动人机协作和产业升级的方向之一。

伦理挑战同样需要重视。当辅助型智能体能替人类做出越来越多的决策时，人的主体性边界在哪里？当智能体具备持续学习能力，行为发生变化后，责任应由谁承担？在医疗和工业安全等场景中，这些问题需要在设计阶段就明确责任链条、人工接管机制和日志追溯方案，而不是等出了问题再补救。

九、开发者落地检查清单

在启动具身智能项目前，可以逐项确认以下内容。

1. 明确任务边界，写清楚输入、输出和成功标准。
2. 为每个模块定义接口和数据维度，并在边界处做形状检查。
3. 在仿真中先验证策略，再进入真机测试，并记录仿真与真机的差异。
4. 对摩擦、质量、延迟等物理参数做域随机化，检验策略的鲁棒性。
5. 设计奖励函数时，检查是否存在智能体钻空子的可能。
6. 设置急停、人工接管和安全区域限制，并在真机测试前完成验证。
7. 保存传感器数据、决策日志和执行记录，便于复现问题和追溯责任。

十、小结

具身智能把智能放回身体与环境之中。它要求研究者同时关注感知、推理和行动，也要求技术路线在符号、联结与行为之间取得平衡。对开发者而言，先明确任务边界，把接口和仿真验证做扎实，比追求复杂模型更能决定项目成败。对企业而言，选择与自身场景匹配的实现路径，并提前考虑安全与责任问题，才能在产业升级中稳步推进。