机器人第一次睁眼：具身智能的起点
第 1 章 机器人第一次睁眼：具身智能的起点
那个月夜，机器人看见了台阶
2024 年某个深秋的夜晚，加州山景城的一条测试道路上，一台人形机器人正在独自行走。它叫 Walker S，是来自中国深圳优必选公司的最新型号，身高一米七二，体重接近六十公斤，体内装满了电机、减速器、力矩传感器和一块高性能计算芯片。它走得不快，步伐却异常稳健——这是它被设计出来之后完成的第无数次户外行走测试。
但就在它即将通过一段人行道的时候，它的左脚停住了。
不是摔倒，不是故障，不是操作员的远程干预。它的脚悬在离地面大约八厘米的高度，纹丝不动地停了整整两秒钟。然后，它轻轻地把脚抬高了一点，又向前迈出去，稳稳地踩上了人行道的边缘。
操作员盯着监控屏幕愣住了。
事后回看日志，他们发现了一行之前从未出现过的代码触发记录："unseen_elevation_detected: lateral_step_detected, adaptive_lift_triggered"——检测到未训练过的台阶边缘，触发自适应抬腿动作。
Walker S 的训练数据里从未包含过这种场景。它的研发团队过去几年一直在室内平坦地面上训练它走路，户外坡道、台阶、井盖、积水，这些在真实世界里稀松平常的东西，对它来说本应是"不存在"的。它的视觉系统识别出了一组从未被标记过的像素：水平面突然抬升，边缘清晰，宽度约等于一步。它没有这条记忆，没有这条规则，没有这条预编程动作。
但它停了下来，并且找到了解决方案。
这个"灵光一现"的瞬间——一台机器在它的训练分布之外做出了合理行动——被《MIT Technology Review》在内的多家媒体评为 2024 年机器人领域最具标志性的画面之一。它的意义远不止"机器人能爬台阶"这么简单。它指向了一个正在重塑整个人工智能版图的新范式：当 AI 拥有了身体，并且能够用这个身体与真实世界持续交互时，某种根本性的变化正在发生。
这种变化，就是本书要讨论的主题。我们给它一个名字：具身智能（Embodied Intelligence）。
在接下来的十五章里，我们会一层层地拆解这个主题：从"机器人如何第一次看见世界"，到"机器如何理解'我'这个概念"，到"机器会不会做梦"，再到"当机器开始做梦，人类应该怎么办"。我们会涉及神经科学、机器人学、语言模型、认知哲学、工程实践、伦理与法律的交叉地带。我们会问一些看似天真的问题——机器人有感觉吗？机器人有自我吗？机器人会不会撒谎？——然后尽可能用严谨的方式给出回答。
但所有的追问，都从这一章开始。
这一章要回答一个最基础的问题：当人工智能拥有身体之后，会发生什么本质性的变化？ 为了回答这个问题，我们会先给"具身智能"下一个清晰的定义，再解释它和过去七十年人工智能的根本不同，然后解释为什么 2020 年代被视为具身智能的"GPT 时刻"，最后用三个真实公司的进化故事把这个抽象命题落到地面上。
让我们开始。
---
1.1 什么是具身智能？身体，是智能的一部分
要理解"具身智能"，最好先理解它的反义词——"无身智能"（Disembodied Intelligence）。
过去七十年，人工智能主要是无身的。
1956 年达特茅斯会议之后的几十年里，AI 主要表现为两种形态：一种是坐在机房里运行的大型程序，比如下国际象棋的 Deep Blue、回答问题的 IBM Watson；另一种是活在屏幕里的对话系统，比如苹果的 Siri、亚马逊的 Alexa、OpenAI 的 ChatGPT。它们都极其聪明——在某些维度上已经远远超过了人类——但它们都没有身体。它们的"输入"是文字、图像、语音信号；它们的"输出"是文字、声音、偶尔的图像。它们不触碰世界，世界也不以力学的方式反馈给它们。
你问 ChatGPT："苹果是什么味道？"它能写出令人惊叹的描写，但它的嘴巴里从未有过一颗苹果。你让它"把桌子上的杯子递给我"，它做不到——不是它不愿意，是它根本没有"桌子"，没有"杯子"，没有"手"，没有"递"这个动作发生的物理空间。
这就是无身智能的边界：它被困在符号里。
具身智能是对这种边界的一次根本突破。它的定义是：拥有物理身体、能够与环境实时交互、并通过这种交互产生和发展智能的 AI 系统。
我们把这个定义拆成三个要素来看。
第一，它必须有物理身体。 这个身体可以是任何形态——人形机器人、四足机器人、机器狗、机械臂、自动驾驶汽车、无人机，甚至是一个能在液体里游动的软体机器人。身体是它接入物理世界的接口。没有身体，它就无法直接作用于世界。
第二，它必须与环境实时交互。 这是关键。具身智能不是"装在身体里的 AI"。一台安装了大语言模型的冰箱不是具身智能——它没有与环境实时交互。一台按照固定脚本跳舞的机器人也不是具身智能——它的"行动"不依赖于"感知"的当下反馈。真正的具身智能，它的每一个动作都在回应环境，它的每一个感知都在塑造下一步动作。这种持续不断的"感知—行动—再感知—再行动"的循环，是具身智能的核心特征。
第三，它通过这种交互产生和发展智能。 这点最微妙，也最具哲学意味。它的意思是：智能不是预先装在芯片里的，智能是在身体与世界的互动中"长出来"的。
这个观点并不是新观点。它的思想源头可以追溯到 1940 年代。
二战期间，控制论先驱诺伯特·维纳（Norbert Wiener）在研究防空火炮的时候意识到：有效的打击目标行为，本质上是一个"感知—决策—行动—反馈—修正"的闭环。这套思想后来被发展成"控制论"（Cybernetics）。1950 年代发展认知科学的先驱们，例如法国哲学家梅洛-庞蒂（Maurice Merleau-Ponty）提出了"身体是认知的主体"这一命题。再往后，1980 年代发展心理学家让·皮亚杰（Jean Piaget）的继承者们——尤其是罗迪·布鲁纳（Rodney Brooks）和罗尔夫·普费弗（Rolf Pfeifer）——明确提出：智能不是大脑的产物，而是身体、大脑、环境三者互动的产物。
但为什么这个观点在 2020 年代突然变得重要？因为它终于有了实现它的工程条件。
---
1.2 从"思考"到"行动"——一场认知范式的转移
要真正理解具身智能的革命性，最好把它和"传统 AI"做一个清晰的对比。
传统 AI 的典型范式是输入 → 思考 → 输出。你给它一张图片，它识别出"猫"；你给它一段话，它翻译成英文；你给它一个问题，它给出一个答案。整个过程发生在"信息空间"里。输入是数据，输出也是数据，中间的"思考"——不管它是由规则、统计模型还是深度神经网络完成——都发生在计算机内部，与物理世界无直接关联。
这种范式在很多任务上取得了惊人的成就。2012 年 AlexNet 在 ImageNet 图像识别比赛上一举夺冠，2016 年 AlphaGo 击败李世石，2022 年 ChatGPT 让全世界看到了大语言模型的威力。这些成就共享一个隐含假设：智能是关于信息和推理的，与物理无关。
具身智能的范式完全不同。它的核心是感知 → 思考 → 行动 → 反馈 → 再感知的闭环。让我们用 Walker S 看见台阶那个场景来走一遍这个闭环：
- **感知（Perception）**：机器人的摄像头和激光雷达扫描前方环境，将物理信号转化为视觉数据。它"看见"前方的水平面突然出现了一个抬升。
- **思考（Reasoning）**：机器人的内部模型分析这个视觉数据。它比对训练时见过的场景，发现这个场景与任何已知模式都不匹配。它把这个不匹配标记为"未知地形特征"。
- **行动（Action）**：基于这个判断，它决定改变原本的步行模式。它让左脚悬停，让腿部关节进入"自适应抬腿"模式。
- **反馈（Feedback）**：它的力矩传感器和足底压力传感器实时报告腿部受力情况。如果抬腿过低，它增加角度；如果过高，它减小角度。这个反馈是连续的、以毫秒为单位的。
- **再感知**：抬腿动作改变了机器人看到的世界——它的视角变化了，前方的几何关系被重新计算。它继续根据新的感知调整下一步动作，直到踩稳。
整个过程，从"看见台阶"到"踩稳"，大约只用了两秒钟。但这两秒钟里发生了几十万次感知—行动循环。
这个闭环有几个传统 AI 不具备的特征。
第一，它是连续的，不是离散的。 传统 AI 的输入和输出之间有一个明确的边界——你提问，它回答，中间是黑盒。但具身智能的"感知—行动"是连续的流，没有起点和终点。机器人始终在感知，始终在行动，中间没有"停下来等下一个问题"的状态。
第二，它是不确定的，必须实时调整。 物理世界充满了噪声和意外。一阵风、一个反光、地面的一块湿滑——这些都是传统 AI 不需要处理的。具身智能必须时刻准备应对意外。它的每一个行动都不是"完成"，而是"假设"，下一个感知会告诉它这个假设对不对。
第三，它依赖身体的物理属性。 一台机器人的步态算法不能脱离它的腿长、关节自由度、电机扭矩、电池电量。智能是被身体的物理参数"塑形"的。一台有两只手和一台有六只手的机器人，会发展出不同的"智能"——不是因为芯片不同，而是因为身体不同。
第四，它会改变智能本身。 这是最反直觉的一点。传统 AI 学到的"知识"是数据里的统计规律，比如"猫和狗常一起出现"。具身智能学到的"知识"，是身体与世界互动过程中积累的经验，比如"在这种地面上以这个速度行走，重心放在第三关节最稳"。这种知识是"身体的记忆"，离开了这个身体就失去意义。
我们可以画一张图来直观对比这两种范式：
```mermaid flowchart LR subgraph TraditionalAI[传统 AI 的范式] A1[数据输入] --> B1[信息空间内的推理] B1 --> C1[数据输出] end
subgraph EmbodiedAI[具身智能的范式] A2[感知环境] --> B2[内部推理] B2 --> C2[物理行动] C2 --> D2[环境反馈] D2 --> A2 end ```
这张图看起来简单，但它表达了一个深刻的转变：传统 AI 是"输入—输出"的直线，具身智能是"感知—行动—反馈—再感知"的闭环。这个闭环就是具身智能的"灵魂"。
---
1.3 为什么是现在？具身智能的"GPT 时刻"
如果具身智能的思想早在 1980 年代就提出了，为什么它在 2020 年代才突然爆发？
答案是一个简单的英文词：convergence——多股技术力量的同时成熟。
具身智能需要四样东西同时具备：足够聪明的"大脑"、足够灵活的身体、足够便宜的硬件、足够多的真实数据。在 2020 年代之前，这四样东西从来没有同时具备过。
1.3.1 大脑的成熟：基础模型让机器人"看懂世界"
过去十年最深刻的 AI 进展，是基础模型（Foundation Model）的出现。所谓基础模型，就是在海量数据上预训练出来的、可以迁移到多种任务的大型神经网络。它最著名的代表是大语言模型——GPT 系列、LLaMA、Claude、文心一言、通义千问——但它的思想不限于语言。
2021 年开始，视觉基础模型开始爆发。CLIP 模型证明：机器可以学会把图像和文字描述对应起来，从而理解图像的"语义"，而不只是识别像素。2022 年，视觉问答模型、开放词汇目标检测模型相继出现。2023 年，多模态大模型（如 GPT-4V、Gemini）把视觉、语音、文字整合在一起。
这些进展对机器人来说是革命性的。
过去的机器人视觉系统是"专用"的：一个模型只识别特定物体，识别杯子要一个模型，识别门要另一个模型，识别台阶又要另一个模型。这意味着工程师要为每一个新场景训练一个新模型，工作量极大，泛化能力极差。
现在，借助基础模型，机器人可以用同一个"大脑"理解大量不同的视觉场景。它不一定在训练时"见过"前方台阶，但它能理解"水平面的突然抬升意味着地形高度变化"——因为它在海量互联网图像里学过这种语义关系。这种从"识别特定物体"到"理解场景语义"的跨越，是机器人泛化能力第一次真正具备工程条件。
2023 年，Google DeepMind 推出了 RT-2（Robotics Transformer 2）。这个模型的革命性在于：它直接把大语言模型的能力迁移到机器人控制上。它让机器人不仅能"理解语言指令"，还能"把语言指令转化为动作"。当用户说"把可乐递给我"，它能在几秒钟内理解这句话的意图、识别可乐、规划动作序列。这种"语言—视觉—动作"统一建模，是具身智能的"GPT 时刻"到来的关键信号。
1.3.2 身体的进化：硬件成本十年降百倍
机器人身体的关键部件有四个：电机、减速器、传感器、计算芯片。过去十年，这四个部件的成本和性能都发生了戏剧性的变化。
电机：人形机器人需要大量高扭矩密度电机。十年前，一台能输出足够扭矩的电机成本数千元人民币。现在，随着无刷直流电机和新型谐波减速器的普及，单台电机成本降到几百元，部分国产型号甚至降到百元级。
减速器：这是机器人最贵的部件之一。谐波减速器过去被日本哈默纳科（Harmonic Drive）垄断，单价高达数千元。现在，国内厂商绿的谐波、来福谐波已经能生产出性能接近、价格只有一半的产品。
传感器：力矩传感器、深度相机、激光雷达的价格都断崖式下降。十年前，一台工业级激光雷达售价几十万元；现在，固态激光雷达降到几千元。Intel 的 RealSense 深度相机一度售价数千元，现在部分型号降到几百元。
计算芯片：过去机器人需要专门的工控机，体积大、功耗高、价格贵。现在，NVIDIA 的 Jetson 系列、英特尔的 NUC、苹果的 M 系列芯片，让高性能 AI 推理可以在低功耗下运行。一台携带了 RTX 4090 的小型工作站，价格也只有万元级别。
所有这些部件加起来，让一台具备基本能力的人形机器人从十年前的"实验室级别"（数百万美元）降到今天的"消费级潜力"（十几万元人民币）。这不是技术奇迹，这是规模化的红利——和电动汽车的发展曲线高度类似。
1.3.3 数据的爆发：真实世界交互数据的指数增长
AI 的燃料是数据。传统 AI 的燃料是互联网数据——文本、图片、视频。具身智能需要的燃料是机器人与物理世界交互的数据——动作轨迹、力反馈、视觉—运动配对。
这种数据过去极度稀缺。一台机器人运行一小时，能产生的数据量远小于一台自动驾驶汽车；而且不同机器人之间的数据格式不一致，难以共享。
2020 年代出现了几个变化。
第一，仿真平台大规模成熟。 NVIDIA 的 Isaac Sim、谷歌的 DeepMind MuJoCo、OpenAI 的 Gym，让机器人可以在虚拟环境中大规模训练。仿真里跑一小时，相当于真实世界里跑几个月。虽然仿真和现实之间仍有差距（"sim-to-real gap"），但配合域随机化（Domain Randomization）和域适应（Domain Adaptation）技术，仿真训练已经能大幅提升真实机器人的能力。
第二，遥操作成为数据工厂。 2023 年开始，许多公司部署了"人类操作员远程操控机器人"的工作站。操作员戴着 VR 头显和力反馈手套操控机器人，机器人把动作记录下来，作为训练数据。这种"遥操作数据采集"的方式成本远低于让机器人自主探索。
第三，跨机器人数据共享开始出现。 Google DeepMind 的 Open X-Embodiment 项目汇集了 22 个不同机构、超过 100 种机器人类型的数据，让"会抓杯子的机械臂"的经验可以迁移到"会推门的轮式机器人"。这是机器人领域第一次出现类似 ImageNet 那样的"公共数据集"。
第四，自动驾驶和具身智能开始数据互通。 自动驾驶汽车本质上也是一种具身智能体——它在物理世界里感知、决策、行动、反馈。特斯拉、Waymo、小鹏等公司积累的数十亿公里驾驶数据，正在成为具身智能训练的重要资产。
1.3.4 资本的涌入：从概念到产业
最后一个变量是资本。
2020 年之前，机器人领域的投资主要集中在工业机器人（机械臂）和特定服务机器人（扫地机器人）。人形机器人和通用具身智能被视为"长期愿景"，商业化遥遥无期。
2023 年开始，一切都变了。特斯拉宣布 Optimus 量产计划、Figure AI 完成 6.75 亿美元融资（估值 26 亿美元）、1X Technologies 完成 1 亿美元融资、Sanctuary AI 获得英伟达投资，国内的宇树、智元、银河通用、星动纪元等公司也纷纷拿到大额融资。整个赛道在两年内涌入了超过 100 亿美元的风险资本。
资本涌入的意义不仅是钱。它意味着：具身智能从学术概念变成了产业目标。 一个产业目标的可怕之处在于，它会调动一切资源去实现它——工程师会被高薪挖走，供应链会被迅速建立，问题会被快速暴露和解决。
这四个变量——聪明的大脑、便宜的身体、海量的数据、涌入的资本——在 2020 年代第一次同时具备。这正是具身智能的"GPT 时刻"到来的原因。
如果说 ChatGPT 的发布让世界第一次看到了大语言模型的威力，那么 2023—2025 年的这波人形机器人浪潮，就是让世界第一次看到了具身智能的雏形。它还远未成熟，但它的轮廓已经清晰可见。
---
1.4 三个公司的进化史：具身智能的三条道路
抽象的定义需要落到具体的公司和人。下面我们用三个真实案例——波士顿动力、Figure AI、特斯拉 Optimus——来展示具身智能的三种不同发展路径。
1.4.1 波士顿动力：让身体先于大脑
1992 年，MIT 教授马克·莱特博（Marc Raibert）创立了波士顿动力公司。他的想法非常明确：在讨论智能之前，先让机器人动起来。
这是一个反当时主流的选择。1990 年代，AI 学界普遍认为"智能先于行动"——先把大脑做好，再装到身体里。莱特博的判断相反：身体本身就是智能的一部分。 如果机器人都走不稳、跳不起来、摔倒了自己起不来，那再聪明的大脑也没用。
这个判断塑造了波士顿动力长达三十年的技术路线。
2005 年，他们发布了四足机器人 BigDog，能在雪地、岩石、斜坡上行走，被美国国防部视为"战场骡子"。
2008 年，LittleDog 进一步小型化，成为机器人学习研究的经典平台。
2013 年，发布人形机器人 Atlas 的初代版本，使用液压驱动，能在户外行走和跳跃。
2017 年，Atlas 完成了著名的"后空翻"，震惊了整个科技界。2018 年，Atlas 在跑酷中连续跳过障碍物、单脚跳跃、转身，展现了惊人的运动能力。
2019 年，Spot 四足机器人商业化，成为全球首款商用四足机器人，被部署到工地、矿山、警局