具身智能完全入门：从会聊天的 AI 到会干活的机器人

引言：一个你可能已经见过、但没系统了解过的领域#

你可能已经刷到过这些视频：特斯拉的 Optimus 人形机器人用灵巧的手指捏起鸡蛋；宇树的机器人去年春晚在台上扭秧歌；Figure 的机器人在仓库里分拣包裹，一干就是 200 小时不间断直播；谷歌 2026 年 7 月发布的 Gemini Robotics 2 让机器人从脚到指尖全身协调地走路、下蹲、捡东西。这些视频背后的技术，属于同一个正在快速膨胀的领域——具身智能（Embodied AI / Embodied Intelligence）。

如果你对这个领域完全陌生，这篇是为你写的。我们不预设任何背景，从”具身智能到底是什么”讲起，一路讲到它今天最核心的模型（VLA）、最大的瓶颈（数据）、最重要的基础设施（仿真与世界模型）、最热闹的载体（人形机器人），以及整个产业的现状和争议。读完你不仅能看懂那些演示视频在炫什么，还能大致判断哪些是真实的进步、哪些只是宣传。

先说结论式的一句话定义：具身智能，是让智能体（agent）拥有一副身体，在物理世界里通过”感知—决策—行动—再感知”的闭环与环境交互，从而完成真实任务的研究方向。ChatGPT 是”没有身体的智能”——它只能输出文字；具身智能则要求智能体”看得到、想得明白、动得了手”，并且要为每一个动作承担物理世界的后果。

为什么大模型火了之后，具身智能才跟着火#

具身智能的学术历史其实很长。哲学里的”具身认知”（embodied cognition）主张智能离不开身体——我们人类不是先在大脑里建一个完整的世界模型再行动，而是通过身体与环境持续交互才产生了智能。1991 年，机器人学家 Rodney Brooks 发表《Intelligence without Representation》，用”感知—行动直接耦合”的昆虫级机器人反驳了”先建模型、再推理”的经典 AI 路线，这被公认为现代具身智能的思想源头之一。图灵在 1950 年的经典论文里也提过：与其给机器模拟人脑，不如”给它最好的感官，再教它理解这个世界”。

但过去几十年，机器人的”身体”一直比”大脑”发达。传统工业机器人能精确重复同一条轨迹，但换一个工件、换一个环境就得工程师重新编程；学术界研究了多年的 SLAM、运动规划、最优控制，在实验室里很漂亮，一到开放环境就脆弱不堪。问题的根源是：机器人缺少一个能理解世界的通用”大脑”。每个任务都要人工拆解成”识别物体→判断状态→选择动作”，而这些中间步骤的接口都是人手写的，换一个场景就崩。

2023 年前后，大语言模型（LLM）改变了这个局面。ChatGPT 证明了一件事：互联网规模的文本预训练，可以让一个模型获得惊人的通用语义理解与推理能力。研究者立刻想到：如果把这个”大脑”装进机器人的身体呢？于是出现了一批把大模型与机器人结合的工作：先是用 LLM 做高层任务规划（SayCan，2022 年），再是把视觉、语言、动作全部揉进同一个端到端模型（RT-2，2023 年），最后是高频连续控制的通用模型（π0，2024 年）。到今天，“大模型做大脑、机器人做身体”已经成了整个行业的共识路线。

为什么是这几年爆发，还有三个现实因素：

硬件成熟了：高功率密度电机、谐波减速器、六维力传感器、触觉传感器成本不断下降，宇树的 G1 人形机器人只卖 9.9 万元，实验室买得起、量产有空间。
政策与资本到位了：2025 年 3 月 5 日，李强总理作《政府工作报告》，明确提出”建立未来产业投入增长机制，培育生物制造、量子科技、具身智能、6G 等未来产业”——“具身智能”首次写进政府工作报告。资本随之涌入：2025 年 1 至 10 月，国内具身智能领域融资总额超过 500 亿元、融资事件超 200 起，较 2024 年全年增长超过 400%。
算力与工具链就绪：端侧 GPU（如 NVIDIA Jetson 系列）、仿真平台（MuJoCo、Isaac Sim、Genesis）和开源数据集让研究门槛大幅降低。

一句话概括现状：2026 年的具身智能，处于”大脑刚成型、身体开始量产、数据还远远不够、应用正在从演示走向验收”的阶段。

具身智能的全局框架：感知—决策—行动闭环#

要理解这个领域，先掌握它的骨架。任何一个具身智能系统，本质上都在运行一个循环：

感知（Perception）：通过传感器读取环境。最常见的是一到三个摄像头（看物体、看手、看全局），加上本体传感器——关节角度、电机转速、力/力矩、IMU（惯导，用于平衡）。触觉传感器也在快速普及，Figure 03 的指尖就装了触觉阵列。
决策（Decision）：把感知结果和用户指令（自然语言，比如”把抽屉里的苹果放到桌上”）合在一起，决定下一步做什么、动作做到什么程度。
行动（Action）：把决策翻译成电机指令，驱动关节运动。动作往往以”动作块”（action chunk）的形式一次性输出未来几十个时间步的轨迹。
反馈（Feedback）：行动改变了世界，新的传感器读数回到第 1 步。

这个循环有两个关键特征，决定了它和”纯软件 AI”的本质区别：

实时性约束：机器人的控制频率是硬指标。桌面机械臂常见 20–50 Hz，灵巧操作要 50 Hz 以上，全身平衡控制要到 1 kHz 量级。模型想清楚要 2 秒？那机器人已经摔倒了。这与 LLM”慢慢想没关系”完全不同。
后果真实且不可逆：LLM 答错一道题，刷新重来；机器人抓错一个物体，可能打翻杯子、撞到人。所以系统必须分层——高层想慢一点没关系，底层必须在毫秒级兜住安全和稳定。

大脑、小脑与脊髓：三层结构#

把上面的闭环按时间尺度切开，自然得到三层结构，这也是今天所有产品级机器人系统的标准解剖方式：

层次	类比	职责	典型频率	典型实现
大脑	System 2	语义理解、任务分解、长程规划	1–10 Hz	视觉-语言模型（VLM），如 Helix 的 7B VLM、GR00T N1 的视觉-语言模块
小脑	System 1	把”意图”变成平滑的关节运动轨迹	100–200 Hz	小规模动作网络，如 Helix 的 80M 参数 Transformer、GR00T N1 的扩散 Transformer
脊髓	System 0	关节伺服、全身平衡、安全兜底	1 kHz	传统控制 + 学习型全身控制器，如 Helix 02 的 1000 万参数神经网络控制器

“System 1 / System 2”这个命名借自丹尼尔·卡尼曼《思考，快与慢》——慢思考负责语义和推理，快系统负责本能反应。2025 年，Figure 的 Helix、NVIDIA 的 GR00T N1、谷歌的 Gemini Robotics 三家互不知情地收敛到了同一套双系统设计，这成了行业的标志性共识；2026 年 Figure 又补上了第三层 System 0（1 kHz 全身控制器），把”脊髓反射”也交给神经网络。

两种路线：模块化流水线 vs 端到端大模型#

在这个框架下，历史上存在两条截然不同的实现路线：

传统模块化路线：感知（目标检测、SLAM 建图）、规划（任务规划、运动规划）、控制（MPC、PID）各自独立开发，用人工定义的接口拼装。优点是每一层都可解释、可调试；缺点是语义信息在层间传递中大量丢失——“把苹果放进抽屉”这句话，需要工程师预先定义”苹果""抽屉”的检测器、抓取姿态、运动约束，任何一环换环境就要重新调。开放世界任务对这条路基本无解。

端到端大模型路线：把”像素 + 语言”直接映射到”动作”，中间不设人工接口。模型的语义理解能力来自互联网规模的预训练，天然”认识”苹果和抽屉。这条路从 2023 年的 RT-2 开始成型，今天主流产品（Helix、GR00T N1、Gemini Robotics、π0）全部走这条路。端到端的代价是：中间过程不可解释、需要海量高质量数据、调试困难。它是”大脑—小脑”分层的，但每一层内部都是端到端训练的。

时间线：具身智能是怎么一步步火起来的#

时间	里程碑	意义
2022-04	SayCan（Google）	用 LLM 做任务规划、用技能库打分执行，第一个”大模型指挥机器人”
2022-12	RT-1（Google）	第一个现代 Transformer 机器人策略，130k 条演示数据，已见任务成功率 97%
2023-03	PaLM-E（Google）	参数最高达 562B 的具身多模态大模型，把机器人状态也当作”token”
2023-07	RT-2（Google DeepMind）	“VLA”概念诞生：动作写成文本 token 与互联网数据共同微调，6k 次评估中泛化能力超 RT-1 三倍
2023-10	Open X-Embodiment	跨机构数据集，22 种机器人本体、100 万+条演示，训练跨本体通用策略
2024-02	Genie（DeepMind）	从无标注互联网视频学出”可交互世界”，世界模型路线起点之一
2024-10	π0（Physical Intelligence）	首个流匹配（flow matching）VLA，50 Hz 灵巧操作，代表”连续动作”路线
2024-12	Genesis 开源	生成式物理仿真平台，比实时快 43 万倍，数据瓶颈的破局尝试
2025-02	Helix（Figure）	首个板载嵌入式 GPU 的双系统 VLA，35 自由度上半身高频控制，双机协作
2025-03	GR00T N1（NVIDIA）/ Gemini Robotics（Google）	人形机器人基础模型走向”开源平台”与”通用大脑”两种商业模式
2025-04	π0.5（Physical Intelligence）	首次在完全陌生的住宅里完成长时程灵巧任务，证明跨本体数据规模化有效
2025-06	V-JEPA 2（Meta）	自监督世界模型：100 万小时视频预训练，62 小时机器人视频即可零样本规划
2025-10	Figure 03 发布	面向家庭与商用的消费级人形平台，指尖触觉、2kW 无线充电
2026-07	Figure 03 第 1000 台下线；Gemini Robotics 2 发布	量产拐点信号；全身端到端控制与多机器人协作成为新战场

下面按”模型—数据—仿真—硬件—产业”五条线分别展开。

核心引擎：VLA 模型是怎样工作的#

今天具身智能的技术核心，是 VLA（Vision-Language-Action，视觉-语言-动作）模型。VLA 的输入是图像（可能多路）和语言指令，输出直接是动作。它把”看、想、动”放进同一个模型里端到端训练，是”大脑+小脑”的主体。

输入：模型”看”什么#

图像：通常 1–3 路摄像头，包括第三人称视角（看桌面/场景）和手腕/手掌视角（看手和抓取对象）。图像送入预训练的视觉编码器（如 CLIP、SigLIP、DINOv2 这类视觉 Transformer），得到视觉 token。
语言指令：如”把蓝色马克杯放进抽屉”，由分词器变成文本 token。
本体状态：关节角度、速度、夹爪开合度等，编码成少量 token 或直接拼进特征。没有这部分，模型不知道自己的手现在在哪。

输出：动作的两种表示方式#

机器人动作是连续的高维向量——每个关节一个角度值，加上频率要求，一个”动作”其实是一串未来若干时间步的轨迹。VLA 之间最大的分歧，就是怎么把连续动作变成模型能输出的东西。目前有两条主流路线。

路线一：离散动作 token（RT-2 开创）。把每个关节的动作值量化成 8 位（256 个桶），变成一个”文本 token”追加到序列末尾，让模型像生成文字一样自回归地生成动作序列。量化公式很朴素：

\text{bin}(x) = \left\lfloor \frac{x - x_{\min}}{x_{\max} - x_{\min}} \times 255 \right\rfloor

其中 $x$ 是某个自由度的动作值， $x_{\min}$ 、 $x_{\max}$ 是预定义的动作范围， $\lfloor \cdot \rfloor$ 是向下取整。比如关节角 0.5 弧度、范围 $[-1, 1]$ ，就映射到 bin 191（约 75%）。RT-2 就是用这个办法，把”动作”和”文字”塞进同一个序列，从而可以直接复用大模型的训练和推理基础设施——这是它最大的工程价值：动作和语言共用同一套 token 生态，互联网知识就能顺理成章地流进机器人控制。

但离散化有代价：8 位量化带来动作精度损失；自回归生成一串动作 token 慢（每步一个 token、逐个解码）；而且离散分布表达能力有限，难以表示高频平滑轨迹。π0 论文的实验里，基于自回归离散化的 OpenVLA 在需要 50 Hz 高频动作块的任务上明显落后。

路线二：连续动作 + 流匹配（π0 开创）。Physical Intelligence 在 2024 年 10 月发表的 π0 论文中，用**流匹配（flow matching）**直接生成连续动作。直觉如下：生成一个动作轨迹，等价于”把一个纯噪声轨迹逐渐变形为目标动作轨迹”。训练时，在噪声 $\mathbf{x}_0$ 和目标轨迹 $\mathbf{x}_1$ 之间做线性插值：

\mathbf{x}_\tau = (1 - \tau)\,\mathbf{x}_0 + \tau\,\mathbf{x}_1, \quad \tau \in [0, 1]

$\tau$ 是插值进度： $\tau=0$ 时是纯噪声， $\tau=1$ 时是真实动作轨迹。模型 $\mathbf{v}_\theta$ 的任务是学会”在这一步应该朝哪个方向移动”——即速度场。训练目标是让预测速度逼近真实速度 $\mathbf{x}_1 - \mathbf{x}_0$ ：

\mathcal{L} = \mathbb{E}_{\tau,\,\mathbf{x}_1}\left[\left\| \mathbf{v}_\theta\left(\mathbf{x}_\tau, \tau, \mathbf{c}\right) - \left(\mathbf{x}_1 - \mathbf{x}_0\right) \right\|^2\right]

这里 $\mathbf{c}$ 是条件——图像、语言、本体状态的融合表征， $\mathbb{E}$ 表示对随机采样的 $\tau$ 和目标轨迹求期望。推理时，从一个随机噪声轨迹出发，让模型沿着学到的速度场迭代（π0 用 10 步）逐步逼近真实动作分布，采样出一条动作轨迹。对比离散 token：流匹配直接输出连续值，无量化误差，一步生成整条轨迹（无需逐个 token 自回归），而且天然能表达多峰分布——同一任务有多种合理解法时（比如可以从左边或右边抓杯子），它不会像均方误差回归那样把多种解法”平均”成一个不可能的动作。这是 π0 选择流匹配的深层原因。

动作块（Action Chunking）：一次预测未来 50 步#

无论哪种表示，VLA 都不是”每步推理一次”，而是一次预测未来 H 步的动作块，π0 取 $H = 50$ 。原因有三：

匹配控制频率：灵巧操作要 50 Hz 控制，而一次模型推理要几百毫秒，逐帧推理跟不上。一次输出 50 步（1 秒的动作），按 20 Hz 的机器人每 0.8 秒重新推理一次即可衔接。
减少复合误差：自回归逐帧预测时，误差会逐帧累积；一次性预测整块轨迹，模型内部可以做全局协调。
平滑性：块内动作天然平滑，不会出现帧间抖动。

代价是动作块之间可能出现接缝——π0 论文里提到尝试过块间动作平均，反而损害性能，最终选择开环执行（块内不再修正）。

π0 的架构：一个模型，两套专家#

π0 的架构是当前 VLA 设计的代表，值得细看。它基于一个 7B 参数的预训练视觉-语言模型（PaliGemma），图像和语言先经过 VLM backbone 得到融合表征；然后动作由一个**动作专家（action expert）**模块生成——这是一个约 3 亿参数的稀疏 MoE（混合专家）网络，特征维度 1024、MLP 维度 4096，接收融合表征和带噪声的动作块，输出每一步的速度场。

关键设计是Transfusion 式联合训练：同一个模型、同一次前向，语言/图像 token 走交叉熵损失（离散），动作 token 走流匹配损失（连续），两者共享 backbone。这样动作专家能继承 VLM 全部语义知识，同时只为了动作质量单独优化。动作专家刻意做得小（3 亿 vs 70 亿），因为推理时流匹配要迭代 10 次前向，太大则达不到 50 Hz。

下面这张是 π0 论文的框架总览图（Figure 3）：左侧是预训练数据混合（自有的灵巧操作数据集 + Open X-Embodiment 等开源数据，合计一万小时、7 种机器人本体），中间是流匹配 VLA 模型本身——大的 VLM 骨干（权重从 PaliGemma 初始化，提供互联网预训练的表征）加一个专门处理机器人状态与动作的小动作专家，右侧是它最终控制的多种机器人平台：

π0 框架总览：数据混合训练流匹配 VLA——大 VLM 骨干加小动作专家，控制多种机器人本体（图片来源：π0 论文 Figure 3）

π0 的能力上限直接看论文里的演示图（Figure 2）最有说服力：一个带轮子的移动操作机器人（基座 + 机械臂）端到端地完成叠衣服全流程——从烘干机取出衣物、装入衣篮、把衣篮搬到折叠台、再逐件折叠。这类”取—搬—折”的多阶段灵巧任务正是离散 token 类 VLA 此前做不好的场景：

π0 控制移动操作机器人叠衣服：取衣、装篮、搬运、逐件折叠（图片来源：π0 论文 Figure 2）

RT-2 的架构：把动作变成语言的一部分#

回到 2023 年的开山之作 RT-2，它的设计更简单也更激进：在预训练的视觉-语言模型（PaLI-X 55B / PaLM-E 5B）上，把机器人演示数据和互联网视觉-语言任务数据（如视觉问答）混合微调（co-fine-tune）。动作被量化成文本 token 直接拼进序列，模型对机器人数据学”动作语言”，对互联网数据学”世界知识”，两者在同一个模型里互相增益：

RT-2 共微调架构：机器人轨迹数据与互联网视觉-语言数据混合训练，动作以文本 token 形式输出（图片来源：RT-2 论文 arXiv:2307.15818）

RT-2 的评估数据说明了这条路的价值。下图为论文的总体性能对比（Figure 4）：按”已见训练任务”与三类泛化评估（未见物体、未见背景、未见环境）分组，每组又分简单/困难案例，柱高即成功率。RT-2 的两种实例（55B 的 PaLI-X 基座与 PaLM-E 基座）在已见任务上与 RT-1 相当，但在所有泛化类别上明显拉开差距——平均成功率是此前最强基线 RT-1 的 3 倍以上，例如未见物体上约 62%（RT-1 只有 32%）：

RT-2 总体性能：已见任务及未见物体/背景/环境三类泛化评估的成功率对比（图片来源：RT-2 论文 Figure 4）

RT-1 本身在已见任务上已经达到 97%，但一换场景就掉到 32%——这正是”大模型知识注入动作”前后最鲜明的对比：RT-2 认识”香蕉”和”垃圾桶”不是因为在机器人数据里见过它们，而是因为互联网图片教会了它。

双系统与”大小脑”分工#

单模型 VLA 有一个矛盾：模型越大、语义越强，推理越慢，跟不上控制频率。2025 年三家公司的解法殊途同归——拆成两个模型：

Figure Helix（2025 年 2 月）：System 2 是约 7B 参数的 VLM，7–9 Hz 慢推理，负责理解任务和规划；System 1 是 8000 万参数的 Transformer，200 Hz 快速生成连续动作。两个模型协同，首次实现对整个人形机器人上半身 35 个自由度的连续控制，并只用一套权重同时控制两台机器人协作，且完全跑在嵌入式低功耗 GPU 上。
NVIDIA GR00T N1（2025 年 3 月，全球首个开源人形机器人基础模型）：System 2 是 10 Hz 的视觉-语言模块，System 1 是 120 Hz 的扩散 Transformer，权重开源。
Google Gemini Robotics（2025 年 3 月）：在 Gemini 2.0 基础上把动作做成模型的原生模态，同时提供”具身推理”版本（Gemini Robotics-ER）负责规划。

双系统解决了”慢思考+快动作”的矛盾，也让 VLA 从实验室走向产品。2026 年 7 月 30 日，谷歌发布 Gemini Robotics 2，把控制范围从”上半身”扩展到从脚到指尖的全身——走路、下蹲、伸展、抓取一体化，还首次支持不同类型机器人实时协作；同系列的 On-Device 2 轻量版只需几小时数据就能适配新本体。

数据：具身智能最大的瓶颈#

模型架构半年一换，但所有人都承认：具身智能当前最大的瓶颈不是模型，是数据。LLM 有整个互联网做语料，机器人却几乎没有”动作语料”——互联网上没有机器人动作轨迹。这带来一个残酷的数量级对比：一个 VLA 的预训练数据量以”万小时”计，而高质量机器人演示数据的采集，靠的是人拿着遥操作设备一帧一帧地教。

三种数据来源#

1. 遥操作（Teleoperation）数据。人类操作员通过示教器或特制设备（如斯坦福的 ALOHA 低成本双臂系统，2023 年开源）控制机器人演示任务，同时记录全部传感器读数。优点：动作质量高、有明确的”正确答案”；缺点：采集慢、成本高、难以规模化。RT-1 的 130k 条演示就是这样攒出来的。这是目前质量最高的数据，也是各家公司重金自建”数据工厂”的原因（智元机器人在上海就建了数据采集工厂，让工人”教”机器人收拾碗筷、叠衣服）。

2. 人类视频数据。第一人称视频（如 Meta 的 Ego4D，3670 小时）里有人做任务的完整过程，却没有动作标签。近年出现的”潜在动作（latent action）“技术可以从视频里提取隐式的动作表示，让模型从无标签人类视频中学习。优点：规模潜力巨大；缺点：人的身体结构和机器人不同（具身差异，embodiment gap），视角也不同，数据利用率低。

3. 仿真数据。在物理仿真器里大规模并行生成训练数据，速度可以远超实时（见下一节）。优点：便宜、可无限生成、可自由改变场景；缺点：仿真与真实物理有差距（sim2real gap），完全在仿真里练的策略直接上真机往往不行。

重要的公开数据集#

Open X-Embodiment（2023 年 10 月，Google 牵头、34 家机构共建）：22 种机器人本体、100 万+条演示轨迹，目标就是训练”跨本体”的通用策略——同一个模型换一个机器人也能用。π0 的预训练就大量使用了它。
DROID（斯坦福等，2024 年）：564 个家庭环境中采集的 7.6 万条演示，是目前最大规模的”真实家庭”操作数据集。
AgiBot World（智元机器人，2024 年底）：百万级轨迹级别的国产大规模数据集，含多种精细操作。
LIBERO：一套基准仿真任务集，VLA 社区事实上的”跑分场”，openpi 等项目都用它验证微调效果。

数据策略：模仿学习为主，跨本体规模化#

当前 VLA 的训练主流程是模仿学习：把演示数据当作监督信号，训练模型”看到同样的输入就输出演示里那样的动作”，本质上就是监督学习。强化学习（RL）在真实机器人上困难重重——采样慢、成本高、奖励函数难设计，所以 RL 主要用在仿真里做提升。

最有说服力的数据实验来自 π0.5（Physical Intelligence，2025 年 4 月）。它的预训练数据里只有 2.4% 来自”目标机器人平台”，其余 97.6% 全部是其他机器人、其他实验室的数据和网络数据；后训练阶段再用少量住宅场景演示微调。结果 π0.5 在三个从未见过的真实住宅里，完成了”清洁厨房、整理卧室”这类长时程、灵巧的开放式任务（把物品放进抽屉、衣服放进洗衣篮、餐具放进水槽）。更关键的是，预训练场景数从 3 个增加到 104 个时，任务平均性能持续提升——这说明跨本体、跨平台的数据规模化是有收益的，具身智能正沿着”数据飞轮”的道路走，只是比 LLM 慢得多。

仿真与世界模型：先在虚拟世界练一万遍#

机器人不能拿真机无限试错，于是仿真成了具身智能的第二根支柱。它承担三个职责：生成训练数据、大规模评测模型、安全地测试危险场景。

Genesis：把仿真加速到 43 万倍实时#

2024 年 12 月，卡内基梅隆、斯坦福、MIT CSAIL、NVIDIA、清华等 20 多家机构的华人团队历时两年打造的开源平台 Genesis 发布，把”生成式仿真”带进了主流视野。它同时是四样东西：一个从零重写的通用物理引擎（刚体、流体、软体、颗粒、布料都支持）、一个纯 Python 的机器人仿真平台、一个光追级照片真实感渲染器、以及一个生成式数据引擎——用自然语言就能让平台自动生成场景、任务、奖励函数、资产、策略和带物理规律的视频。

Genesis 最震撼的是速度：在单张 RTX 4090 上模拟 Franka 机械臂能达到 4300 万 FPS——比真实世界快约 43 万倍，比 Isaac Gym、MuJoCo MJX 等主流 GPU 加速仿真器快 10–80 倍；曾演示在 26 秒内训练出一个可迁移到真机的运动策略。NVIDIA 的 Jim Fan 评价说，一个小时的仿真计算相当于机器人获得十年的训练经验。2025 年 5 月，团队又发布了 Genesis World 1.0，开源了跨平台 GPU 编译器（Quadrants）和写实渲染器（Nyx），并给出了一个很有说服力的评测数据：机器人基础模型在真实世界里评测需要一台真机和操作员连续运行 200 多小时，而在 Genesis 里数万次测试不到 0.5 小时就能跑完，且仿真评测结果与真机 rollout 的相关性达到 0.9（Pearson 相关系数 0.8996）。

Genesis World 全栈：物理引擎、仿真平台、渲染器与生成式数据引擎的架构（图片来源：Genesis 官方文档）

世界模型：让 AI 先在脑子里推演#

比仿真更进一步的是世界模型（World Model）：让模型学会”世界如何演化”——给定当前状态和一个动作，预测接下来会发生什么。有了这种预测能力，机器人就可以”在脑子里试错”：想象几种动作方案各自的后果，选最好的再执行，而不是每件事都靠真实世界试错。

世界模型有三大流派（2024 年前后几乎同时出现）：OpenAI 的 Sora 路线是”生成世界”（文本/图像→视频模拟）；Meta 的 V-JEPA 是”理解世界”（学视觉表征但不生成像素）；DeepMind 的 Genie 是”参与世界”（生成可直接交互的世界——Genie 2 在 2024 年底做到了三维可交互世界，Genie 3 在 2025 年 8 月升级为 24 fps 照片级真实感的实时交互世界，2026 年 2 月 Waymo 甚至用它构建了自动驾驶的专用世界模型）。

Meta 的 V-JEPA 2（2025 年 6 月，1.2B 参数）是理解路线的代表：在超过 100 万小时的互联网视频上用自监督掩码预测训练——遮住视频的一部分，让模型预测缺失内容。它展示了具身应用上的惊人效率：后训练的 V-JEPA 2-AC 模型只看了不到 62 小时的无标注机器人视频，就能零样本部署到两个不同实验室的 Franka 机械臂上完成抓取和搬运——不需要任务专用训练、不需要奖励信号。下图是它的整体框架：视频编码器提取时空表征，预测器学会推演未来状态，控制模块把预测变成动作：

V-JEPA 2 概览：100 万小时视频掩码去噪预训练；下游与 LLM 对齐做动作分类、视频问答等理解任务；冻结编码器后训练动作条件预测器 V-JEPA 2-AC，在模型预测控制（MPC）闭环中驱动机器人（图片来源：V-JEPA 2 论文 Figure 1）

但世界模型远未成熟，一个诚实的证据：V-JEPA 2 在”物理规则违背检测”基准（IntPhys 2）上只比随机水平略好——它能预测”看起来合理”的未来，但还不理解”一个杯子从桌上掉落应该摔碎”这种物理常识。2026 年的综述类文章把**世界行动模型（WAM）**称为下一个前沿：把”预测未来状态”和”生成动作”统一进一个模型，从而能用无标签互联网视频（Ego4D、HowTo100M）来训练——这可能是继模仿学习之后，破解数据瓶颈的下一条路。

身体与硬件：机器人本体#

模型再强，也要有身体承载。机器人本体（embodiment）是具身智能的第三根支柱，形态五花八门：机械臂（Franka、UR5e，适合桌面操作）、四足机器人（宇树 Go2、ANYmal，适合巡检）、灵巧手（多指末端）、以及最受关注的人形机器人。

为什么执着于人形#

人形机器人最大的卖点不是”像人”，而是兼容人类环境：楼梯、门把手、椅子、工具都是为人设计的，人形本体不需要改造环境就能用。代价是难：双足平衡、35+ 个自由度的高维控制、高功率密度的关节执行器，每一项都是硬骨头。所以业内的务实共识是”先有灵巧手和机械臂解决操作，人形解决移动与通用性”。

一台人形机器人由什么组成#

执行器：无框力矩电机 + 谐波减速器，是成本大头——上游核心零部件（减速器、控制器、传感器、AI 芯片）在人形机器人成本里占比高达约 70%。
传感器：双目/全景相机、IMU（平衡）、六维力传感器（感知接触力）、触觉传感器（Figure 03 的指尖触觉阵列让它能捏鸡蛋）。
算力：嵌入式 GPU（如 NVIDIA Jetson Thor）承载 VLA 推理，Helix 这类模型已经能完全板载运行。

几个代表性本体（截至 2026 年年中）#

本体	关键参数	最新状态
Tesla Optimus 2.5	22 自由度五指灵巧手	2025 年底在弗里蒙特工厂运行；V3 计划 2026 年夏季小批生产，2026 年产量目标 5 万台
Figure 03	35 自由度上半身、指尖触觉、手掌摄像头、2kW 无线充电	2026 年 7 月第 1000 台下线，时产 1 台、良率 80%+；已批量进驻宝马工厂（全球车企首个规模化付费商用的人形机器人项目）
宇树 G1 / H1	G1 售价 9.9 万元，H1 曾上 2025 年春晚扭秧歌	国产”价格屠夫”，把研究门槛打了下来
智元远征系列	配合 AgiBot World 数据集	上海自建数据采集工厂

产业格局：“卖大脑”与”卖整机”两条路线#

2026 年的机器人产业出现了清晰的分野：

垂直整合派：Figure（自研 Helix 模型 + 自建 BotQ 工厂，2026 年 7 月第 1000 台 Figure 03 下线，规划年产能 1.2 万台，创始人目标四年交付 10 万台）、特斯拉（自研 FSD 技术栈迁移到 Optimus）。自己掌控模型、硬件、工厂，闭环最快，但重资产。
平台/大脑派：谷歌明确喊出”不卖本体，只卖大脑”——Gemini Robotics 2 的目标是成为”任何机器人的操作系统”；NVIDIA 走开源生态（GR00T N1 权重开放 + Newton 物理引擎 + Cosmos 数据生成），像为 LLM 卖铲子一样为具身智能卖”模型+仿真+算力”。
中国厂商：宇树、智元、优必选、众擎等以整机硬件见长，同时都在补模型能力；小鹏何小鹏预计 2026 年具备 L3 初阶能力的人形机器人将进入适度规模商业化量产。

产业与政策：一场真实的竞赛#

政策端，除了前面提到的”具身智能”首入 2025 年《政府工作报告》，还有一串配套动作：2025 年 4 月，“人形机器人技术要求”系列国家标准获批立项；2025 年 11 月，国家发改委表示我国具身智能产业正以超过 50% 的增速发展，预计 2030 年达到千亿元市场规模，并将建立健全行业准入和退出机制。地方层面，北京规划 2027 年底前突破百余项关键技术、培育千亿级产业集群；上海张江机器人谷集聚了 90 多家企业，建成了全国首个异构人形机器人训练场；深圳规划落地 50 个十亿级应用场景。

产业端的标志性事件（2026 年上半年）：

Figure 03 的”验收季”：2026 年 6 月底批量进驻宝马南卡罗来纳工厂（此前 Figure 02 已稳定运行 11 个月、参与 3 万台宝马 X3 的生产、完成超 9 万次零部件装载）；2026 年 8 月，Figure 03 在实验室自主攀爬工业梯子——无遥控、无预设动作序列，被认为是”移动与操作耦合”的首次完整呈现。但也有人提醒：爬梯子是实验室演示，时产 1 台才是体系能力，“2026 年最大的叙事风险，是把演示当验收”。
Gemini Robotics 2（2026 年 7 月 30 日）：全身端到端控制 + 多机器人协作，标志着”大脑”竞争进入下半场。
资本：Figure 2025 年 9 月融资超 10 亿美元、估值 390 亿美元；国内具身智能 2025 年融资超 500 亿元，宇树、乐聚等头部公司进入 IPO 流程。

挑战与开放问题#

把热闹放一边，这个领域公认的硬骨头还有六块：

数据稀缺与泛化：真实演示数据仍然又少又贵，跨本体迁移（embodiment gap）没有根治；长尾任务（“我的厨房”和”别人的厨房”完全不同）依然吃力。
物理常识与空间理解：世界模型对物理规律的理解还很浅（V-JEPA 2 在 IntPhys 2 上仅略优于随机）；模型普遍缺乏扎实的 3D 空间表征，很多操作靠”猜”。
长时程任务与记忆：几十秒的任务已经能做了，但”把整个屋子收拾干净”这种需要长期记忆、持续学习、抗遗忘的任务还差得远。
安全与可靠性：模型会幻觉出危险动作；人机协作场景下，物理安全必须由毫秒级系统兜底（这正是 System 0 存在的原因）；目前缺少公认的安全评测标准。
评测体系缺失：真实世界评测贵（一个模型测一轮要 200 小时真机），仿真评测又怕失真；业界呼吁建立”高复杂度 + 多模态 + 长时程”的统一基准。
成本与量产：谐波减速器、力矩传感器等核心零部件供给不足、良率有限；千亿市场规模是预期，真金白银的订单还在起步。

给零基础者的学习路径#

如果你对这个领域产生了兴趣，按这条路径走成本最低：

建立框架：把本文的”感知—决策—行动闭环”和”大脑/小脑/脊髓”三层模型记住，这是理解一切后续文章的地图。
读三篇论文：RT-1（看演示数据长什么样）、RT-2（看 VLA 和共微调怎么来的）、π0（看连续动作路线怎么做的）。前两篇都不长，π0 的附录值得细看。
在仿真里动手：先不要买机器人。MuJoCo 免费、入门平缓，适合跑经典控制；想体验最新工具就用 Genesis（纯 Python，文档齐全）；跑分用 LIBERO 基准。
微调一个真 VLA：Physical Intelligence 的 openpi 开源了 π0/π0.5 的 PyTorch 实现和微调配置，一张消费级 GPU 就能在 LIBERO 上跑通微调——这是目前”亲手摸到 VLA”门槛最低的方式。
关注前沿方向：VLA 架构演进（扩散/流匹配、世界行动模型）、触觉与 3D 空间表征、跨本体数据规模化、板载算力优化。arXiv 的 cs.RO（机器人学）和 cs.LG 两个分类足够用了。

小结#

具身智能 = 大脑（大模型与 VLA）+ 数据（遥操作/人类视频/仿真）+ 身体（机器人本体与传感器）+ 世界模型（在虚拟世界预演），四者缺一不可。用一句话概括它和 ChatGPT 的区别：语言模型学会了”说什么”，具身智能要学会”做什么、怎么做、做错了怎么办”——后者多了真实世界的反馈闭环，也多了真实世界的全部复杂性。

2026 年的具身智能，处在”模型路线已收敛（端到端 VLA + 双系统）、数据飞轮刚开始转、人形机器人开始量产、评测与安全标准还没跟上”的早期阶段。演示视频正在变多，但离”千家万户的机器人管家”还有相当距离。对这个领域最诚实的判断是：它的每一场演示都在被放大，它的每一个瓶颈也都真实存在；但模型、数据、硬件三条曲线同时在快速上升，这是过去几十年机器人研究从未有过的局面。

音乐

音乐