具身智能概述：从经典机器人到AI驱动的新范式

第 1 章 具身智能概述：从经典机器人到 AI 驱动的新范式

一个房间里，Atlas 人形机器人正在越过一段乱石堆成的障碍；一万公里外的实验室里，Figure 01 接收到一句"把桌上的苹果递给我"的语音指令后，转身、识别、抓取、递送；与此同时，一辆特斯拉 Model 3 在城市街道上自行变道、避让行人、识别红绿灯——它没有写死的 if-else 规则，而是靠一个端到端的神经网络实时"思考"。这些看似毫不相关的画面，背后指向同一个技术范式：具身智能（Embodied Intelligence）。

具身智能不是某一个算法的名字，而是一类新系统的总称：智能体通过传感器与执行器，在物理世界中持续地感知、推理、行动，从而完成真实任务。本章回答三个根本问题：具身智能的核心定义是什么？它与传统 AI 和机器人学有何本质区别？为什么 2023 年以后，这个领域突然成为全球科技竞争的主战场？

1.1 问题的提出：为什么 AI 必须走出屏幕

过去十年，人工智能取得了惊人的进展。2016 年 AlphaGo 在围棋上以 4:1 击败世界冠军李世石；2020 年 AlphaFold 2 预测出超过 2 亿种蛋白质结构；2023 年 GPT-4 在律师考试、医学执照考试中达到人类前 10% 水平。这些成就的共同特征是：它们处理的是数字世界中的封闭问题——棋盘上的 19×19 个交叉点、20 种氨基酸的折叠组合、英语和代码的字符序列。

然而，物理世界与数字世界之间存在一条难以跨越的鸿沟。机器人学家 Rodney Brooks 在 1990 年代就指出：一只蝴蝶能在变化莫测的自然环境中飞行避障，而当时最先进的移动机器人连"在房间里不撞墙"都做不到。30 年后，这一观察仍然成立。一个大语言模型可以在 1 秒内写出关于"如何做蛋炒饭"的详尽说明，但让它指挥机械臂真正炒一盘蛋，失败率依然接近 100%。

这背后有三层原因：

第一，长尾分布。互联网文本中描述的世界是高度抽象化、统计化的，但物理世界充满罕见事件——被风吹倒的纸袋、地面反光的积水、流浪猫突然窜出。训练数据里这些情况出现频次极低，模型一旦遇到便无从应对。

第二，安全约束。在棋盘上下错一步，只是输掉一盘比赛；自动驾驶踩错一脚油门，可能就是一条人命。这种不可逆的物理后果，决定了具身智能无法像语言模型那样"大胆试错"。

第三，Sim2Real 鸿沟。研究者希望在仿真器里训练机器人，再把策略搬到现实。但仿真器无法完美还原摩擦、光照、接触动力学等细节，策略从虚拟迁移到真实时性能往往急剧下降。

正是在这三层压力下，AI 必须"走出屏幕"。它不再只是一段可以复制粘贴的代码，而必须有一个能够感知物理世界、施加因果影响的身体（embodiment）。这就是具身智能的核心命题。

1.2 哲学根基：身体不是心灵的容器

具身智能并非工程师的凭空创造，它有深厚的哲学根基。理解这层思想史，对后续章节理解"为什么世界模型是必需的"至关重要。

1.2.1 经典认知科学的心身二元论

17 世纪，笛卡尔在《第一哲学沉思集》中提出了影响深远的"二元论"：世界由两种实体构成——"心灵（res cogitans）"和"物质（res extensa）"，前者负责思考、推理，后者负责占据空间、构成物体。在这个框架下，大脑是思维的唯一载体，身体只是承载大脑的容器。换言之，认知本质上就是符号运算，符号可以脱离具体的物质形态——这就是后来符号主义 AI（GOFAI）的哲学源头。

符号主义 AI 在 1956 年达特茅斯会议后达到鼎盛。它的核心信念是：只要给计算机足够多的规则和知识库，它就能像人一样推理。研究者设计了 STRIPS 规划系统、专家系统 MYCIN、Cyc 常识知识库。然而 1980 年代末，符号主义遭遇了"知识获取瓶颈"和"框架问题"——人类根本无法把所有常识都写成规则，而机器人要处理的场景又总是落在规则覆盖之外。

1.2.2 梅洛-庞蒂的身体现象学

法国哲学家莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）在 1945 年的《知觉现象学》中提出了一种截然不同的观点。他指出：身体不是心灵的工具，而是认知本身的发生场所。

梅洛-庞蒂举了一个著名的例子：当盲人使用拐杖时，他并不是先"意识到拐杖"，再"意识到拐杖触及的物体"。熟练使用之后，拐杖变成了身体的延伸，物体的位置被直接感知为"在这里"，而非"拐杖尖端指向的位置是 30 厘米前方的桌腿"。这意味着知觉从来不是大脑对外部世界的被动表征，而是身体与环境持续互动的产物。

这一观点被现代认知科学吸收，发展出"具身认知（Embodied Cognition）"理论。具身认知认为：抽象概念建立在身体感觉经验之上（"重"对应沉重感、"暖"对应温度感）；思维过程受到身体结构、运动能力的制约；认知不是一个孤立的大脑功能，而是大脑-身体-环境三者构成的动力学系统。

1.2.3 机器人学中的具身转向

这一哲学转向直接影响了机器人学。1991 年，Rodney Brooks 发表论文《Elephants Don't Play Chess》，提出著名的"包容体系结构（Subsumption Architecture）"。他认为，传统 AI 把感知、建模、规划、行动分成独立模块是错的，机器人应该用一系列简单的行为层直接与环境交互——最底层是"不撞墙"，上一层是"漫游"，再上层才是"寻找目标"。智能不需要建立在世界模型之上，而是从身体与环境的实时互动中涌现。

Brooks 的观点过于激进（纯粹的 reactive 系统在复杂任务上能力有限），但他提出了一条重要原则：没有身体的智能是不完整的智能。这条原则后来被深度强化学习、世界模型等方法重新激活，并构成了今天"具身智能"研究的核心共识。

1.3 技术演进：从 Shakey 到 RT-2 的半个世纪

具身智能不是一夜之间出现的。理解它的技术演进路径，有助于我们看清当前研究处于历史坐标的什么位置。

1.3.1 早期阶段：符号主义机器人（1966—1990）

1966 年，斯坦福研究所（SRI）的 Charlie Rosen 团队启动了一个看起来野心勃勃的项目：用摄像机和遥控小车模拟一个机器人"猴子"，让它学会堆积木。这就是著名的 Shakey 机器人，1972 年成为第一个集成了视觉、规划与行动的完整机器人系统。

Shakey 的运行逻辑非常"古典"：摄像头采集环境——STRIPS 规划器生成动作序列——执行器按序列行动。它被公认为人工智能的早期里程碑，但也暴露了符号主义路线的问题：在一个"摆满相同尺寸积木的桌面"上表现尚可，房间稍微乱一点就陷入组合爆炸。

这一阶段还包括斯坦福大学的 Stanford Cart（1972，第一个自主导航小车）、日本早稻田大学的 WABOT-1（1972，第一个拟人机器人）。它们共同特征是：感知-规划-行动是分阶段的串行模块，每一步都依赖精确的世界模型。

1.3.2 行为主义阶段：包容架构与昆虫式智能（1985—2000）

Brooks 的包容架构打破了这种串行假设。1989 年的 Genghis 六足机器人没有中央世界模型，而是由 6 个独立的"行为模块"组成：站立、漫游、避障、趋向目标、寻声……低层行为可被高层行为"包容"或抑制。Genghis 在不平整地形上的稳定性远超当时基于规划的系统。

这一时期的另一个代表是麻省理工学院的 Cog 项目（1993—2003），由 Rodney Brooks 和 Lynn Andrea Stein 领导。Cog 是一个仿人上半身机器人，研究者试图让它通过与人类的社交互动学习"婴儿期"的认知能力。虽然 Cog 最终未能达到通用智能，但开辟了"机器人作为认知科学实验平台"的研究范式。

1.3.3 概率机器人与 SLAM 时代（2000—2015）

进入 21 世纪，机器人学家意识到：在真实环境中，传感器噪声和不确定性是不可避免的。Sebastian Thrun 领导的斯坦福车队赢得 2005 年 DARPA 无人车挑战赛，关键技术是基于概率的 SLAM（同步定位与地图构建）。它的核心思想是：把机器人位置和地图都表示为概率分布，用贝叶斯滤波不断更新。

这一阶段诞生了 ROS（机器人操作系统）、Gazebo 仿真器、OpenCV 等一系列基础设施。机器人学开始具备工程化的"流水线"，但学习能力仍然非常有限——大部分策略仍由人工设计，本质上还是"专家系统的物理化"。

1.3.4 深度强化学习时代（2015—2020）

2015 年前后，深度强化学习（Deep RL）在 Atari 游戏、围棋等任务上的突破，给机器人学带来了新希望。研究者开始尝试：能否让机器人自己"试错"，学会复杂动作？

DeepMind 的工作尤为典型。2018 年发布的 AlphaStar 在《星际争霸 2》中击败人类顶级职业选手，这个游戏的决策空间高达 $10^{26}$，远大于围棋。AlphaStar 的核心是模仿学习（先从人类高手的对局中学）+ 强化学习（再自我对弈优化）。虽然 AlphaStar 仍运行在数字环境中，但它展示的"高维状态空间下的长程决策能力"成为后续机器人决策研究的重要参考。

与此同时，Google 把这些方法推向真实机器人。2016—2018 年的机械臂抓取研究（如 QT-Opt）展示了一个重要结论：通过大规模并行化训练（同时间操控 14 台机械臂），机器人可以在真实世界中通过试错学到可靠的抓取策略。这条经验后来成为"数据规模比算法更关键"的先声。

1.3.5 视觉-语言-动作大模型时代（2022—至今）

2022 年是具身智能的转折年。这一年，Google DeepMind 发布 RT-2（Robotics Transformer 2），首次将互联网规模的视觉-语言模型（PaLI-X、PaLM-E）直接用于机器人控制。RT-2 的关键洞察是：把机器人动作也"语言化"——例如机械臂末端执行器的位姿可以用 6 个离散 token 表示。这样，训练好的 VLM 可以"零样本"执行从未见过的指令，比如"把可乐罐放进戴头盔的塑料恐龙"。

几乎同时，PaLM-E、RT-1（Google）、LLARVA（MIT）、OpenVLA 等模型相继发布，特斯拉在 FSD v12 中切换到端到端神经网络，Figure AI 拿到英伟达、OpenAI、微软 6.75 亿美元融资，1X Technologies 发布人形机器人 Neo Beta。具身智能正式成为继大语言模型之后的下一个风口。

下表总结了具身智能的五个发展阶段及其特征：

| 阶段 | 时间 | 代表系统 | 核心方法 | 关键局限 | |---|---|---|---|---| | 符号主义机器人 | 1966—1990 | Shakey, STRIPS | 逻辑规划 | 组合爆炸 | | 行为主义机器人 | 1985—2000 | Genghis, Cog | 包容架构 | 复杂任务能力有限 | | 概率机器人 | 2000—2015 | Stanley, ROS | SLAM, 贝叶斯滤波 | 学习能力弱 | | 深度 RL 机器人 | 2015—2020 | AlphaStar, QT-Opt | 模仿学习 + RL | 样本效率低 | | VLA 大模型 | 2022— | RT-2, FSD v12 | 视觉-语言-动作联合训练 | Sim2Real、安全、可解释性 |

1.4 核心定义与三大要素：感知-认知-动作闭环

在理解了思想史和历史路径后，我们可以给出具身智能的精确定义。

1.4.1 什么是具身智能

具身智能（Embodied AI / Embodied Intelligence） 是指智能体（agent）通过物理身体与传感器嵌入到真实环境中，通过持续的感知-认知-动作闭环，完成现实世界任务的能力。

这一定义有四个要点：

1. 必须有身体：可以是机械臂、移动底盘、人形机器人、自动驾驶汽车，甚至是一个在沙盒中行动的虚拟机器人（仿真具身）。但必须有执行器（actuator），能施加因果影响。 2. 必须有传感器：至少能感知到行动的结果（proprioception，本体感觉）以及环境的某些维度（视觉、触觉、声音、雷达……）。 3. 必须在闭环中运行：每个动作改变环境，环境改变又反过来影响下一次感知，构成持续循环。一次性执行后结束的"开环"任务（如离线数据标注）不构成完整的具身智能。 4. 必须面向真实目标：任务必须在物理世界中可验证——抓取、搬运、清洁、驾驶、对话陪伴、手术辅助。

1.4.2 三大核心要素

具身智能系统可以分解为三大要素，三者共同构成一个动态闭环：

感知（Perception）：把传感器原始信号转化为对环境的结构化表示。例如：

• 摄像头帧 → 目标检测、语义分割、光流估计
• 激光雷达点云 → 占据栅格地图、3D 物体检测
• 触觉传感器读数 → 接触力估计、滑动检测
• 麦克风音频 → 语音识别、声源定位

感知不只是"识别物体"，还包括状态估计——智能体自身在哪里？关节角度是多少？电池还剩多少？这种"自身-环境"双重感知构成了具身智能的基础输入。

认知（Cognition）：在感知基础上完成的推理与决策。它包含多个层次：

• **低层认知**：碰撞检测、避障、紧急制动——反应时间必须在毫秒级。
• **中层认知**：路径规划、动作序列生成、子任务分解。
• **高层认知**：语言理解、意图推断、长期规划、常识推理。

传统机器人系统把这三层用三个独立模块（感知-规划-控制）实现，现代具身智能则越来越多地用一个统一的神经网络（如 VLA 模型）端到端完成。

动作（Action）：把认知决策转化为物理输出。它包含两层映射：

• **策略映射**：高层决策 → 中层轨迹（如机械臂末端的目标位姿 + 抓取姿态）。
• **控制映射**：中层轨迹 → 电机电流/扭矩（涉及 PID、模型预测控制等经典控制算法）。

动作的质量决定系统能否真正"做出来"。一个完美的"抓取计划"如果撞上执行器精度限制，依然会失败。

1.4.3 闭环：具身智能的灵魂

感知、认知、动作三者不是"感知一次→思考一次→行动一次"的串行流程，而是以毫秒到秒级频率循环往复的闭环。下面这张图展示了完整闭环：

```mermaid flowchart TD Env[物理环境] Sensor[传感器阵列] Perception[感知模块] State[状态表示] WM[世界模型] Decision[决策规划] Action[动作执行器] Env

Env --> Sensor Sensor --> Perception Perception --> State State --> WM WM --> Decision Decision --> Action Action --> Env ```

闭环之所以重要，是因为物理世界充满不确定性。如果只看一次感知结果就行动，几乎必然失败。一个典型的例子是自动驾驶中的"幽灵刹车"——早期基于规则的系统在发现疑似障碍物时立即刹车，但因为没有闭环反馈路况演变，频繁造成追尾。引入端到端闭环后，系统会根据后几帧画面持续验证假设，显著降低误报率。

1.5 为什么传统 AI 在物理世界失效

我们已经多次提到，传统 AI 在物理世界"不好用"。这一节系统分析其原因，也是世界模型（World Model）出现的动机。

1.5.1 分布漂移（Distribution Shift）

传统监督学习的核心假设是：训练数据和测试数据来自同一分布。ImageNet 训练出的图像分类器在 ImageNet 测试集上准确率可达 90%+，但放到真实场景（光照变化、角度变化、遮挡）中准确率可能跌到 50% 以下。

物理世界的分布漂移比互联网数据严重得多。原因有三：

• **开放世界**：训练集无法穷举所有可能的物体、光照、天气、地形。
• **动态变化**：行人的姿态、车辆的轨迹都在持续演化，没有"标准状态"。
• **因果耦合**：一个物体被推动后，会引发其他物体的连锁反应，单帧推理无法捕捉。

1.5.2 长尾问题（Long-tail Problem）

分布漂移的极端表现就是长尾分布。互联网数据呈帕累托分布——少量高频内容占据大多数数据量；但物理世界的事件分布极度均匀，甚至更倾向于长尾。例如：

• 99% 的时间，自动驾驶面对的是直线行驶、跟车。
• 1% 的时间，必须处理行人横穿、双车事故、救护车逆向驶来。

那 1% 的场景往往就是 100% 的危险。传统方法难以覆盖这些角落——因为没有足够的标注数据，也因为工程师无法预想所有罕见组合。

1.5.3 安全与不可逆性

在文本生成中，模型编造一个事实顶多"胡说八道"；但在物理世界中，模型算错一个抓取点可能让价值数十万元的设备坠落。在自动驾驶、医疗机器人、工业装配中，一次失败就可能带来不可挽回的后果。这意味着：

• 不能使用纯试错的强化学习。
• 必须有冗余的安全机制（safety shield）。
• 必须可解释、可审计——工程师需要知道系统为什么做出某个决策。

1.5.4 样本效率（Sample Efficiency）

大语言模型的训练需要数万亿 token 的文本，GPT-4 的训练成本据估计超过 1 亿美元。这种"大力出奇迹"模式在物理世界不可能复制——一辆自动驾驶汽车撞坏一万次才能"出师"是不可接受的。

这正是为什么具身智能必须借助世界模型——世界模型让智能体在"内部仿真"中尝试大量动作，筛选出最优策略，再小规模地在真实环境中验证，从而把现实交互次数压缩几个数量级。世界模型将在第 4 章开始详细讨论。

1.6 关键挑战：三大待解难题

基于上面的分析，具身智能面临三大待解难题。它们也是后续章节的核心主题。

1.6.1 样本效率（Sample Efficiency）

如前所述，物理交互的成本远高于数字交互。如何在少量真实数据下学到可靠策略？主流路径有三：

• **世界模型**：在内部"想象"中学习（本书核心）。
• **迁移学习与元学习**：把已有任务的知识迁移到新任务。
• **人类示范学习（Imitation Learning）**：让机器人从人类示范中起步，减少探索。

1.6.2 安全探索（Safe Exploration）

强化学习中的"探索-利用"困境在物理世界被放大数倍。探索可能带来破坏性后果，利用又可能错