Embodied AI
为什么重要
深度解析
具身智能系统运行一个连续循环：传感器——摄像头、深度传感器、关节编码器，有时还有触觉——向感知软件栈送入数据，策略模型把观察转成动作命令，电机在物理世界执行命令，再产生新的观察。老式机器人用人工设计的流水线运行这套循环，建图、规划和控制各自有独立模块。当前浪潮会尽可能把整条流水线换成一个大型神经网络，直接借用大型语言模型的打法：以 Transformer 为主干，接收摄像头画面与自然语言指令，再输出电机命令。底层赌注是，造出流畅文本模型的配方——海量数据、海量模型、自监督预训练——也能造出通用物理技能，因为多模态模型如今已经能看图并对图像推理。
视觉语言动作模型
这一浪潮的招牌架构是视觉语言动作模型，也就是 VLA。VLA 从已经理解图像和文本的预训练视觉语言模型起步，再加入动作输出：电机命令被离散化成 token，模型预测它们的方式与聊天机器人预测词语相同。Google DeepMind 2023 年发表的 RT-2 证明这很重要——机器人被要求拿起“一种已经灭绝的动物”时，选择了一只恐龙玩具；它用到的是网络规模图文预训练中的知识，而这项知识从未出现在机器人训练数据里。Physical Intelligence 的 π0（pi-zero）又把这个想法延伸成跨多个机器人平台训练的通用策略，Figure 等公司的机器人实验室如今也在内部搭建自己的 VLA 软件栈。吸引力来自复用：模型从互联网继承关于物体、语言和场景的常识，只有运动层需要从零学习。
数据难题
数据是这个领域的硬约束。语言模型可以在从公共互联网抓取的数万亿 token 上训练，机器人动作却没有一张互联网：不存在一套现成语料，把摄像机画面与完成任务所需的精确电机命令配成对。最直接的路线是遥操作，由人类操作员远程控制机器人，或穿戴动作捕捉设备，演示叠衬衫、装洗碗机等任务。这样能产出高质量数据，速度却很慢——一套运营良好的设施每天也许能收集数千次演示，而通用策略可能需要数百万次。跨本体会让问题更糟：一条机械臂采集的数据很难迁移到几何结构不同的另一条手臂，因此每一种硬件平台都要重新面对收集问题。
另一条路线是模拟。策略通过强化学习，在 NVIDIA Isaac Sim 等物理模拟器中训练；数百万次试验只花 GPU 时间，再迁移到真实硬件——这就是 sim-to-real 流水线。模拟物理永远无法与现实完全一致，所以工程师会在训练中随机改变光照、纹理、摩擦力和物体质量；这种技巧叫领域随机化，迫使策略忽略差异。模拟生成的合成数据如今为大多数严肃项目补充真实演示，而学出来的世界模型承诺提供第三种来源：不在人工搭建的模拟器里，而是在神经网络的预测中训练策略。三条路线都还没有为物理技能产出经过验证的缩放定律；在那之前，谁有能力竞争，取决于数据收集的经济账。
难点不在思考
一个常见误解是，机器人落后于聊天机器人，只因为背后的模型更弱；换上更大的 LLM，差距就会消失。现实更接近 Moravec 悖论：成年人不费力完成的技能——穿过杂乱房间、接住掉落的玻璃杯、叠衣服——在计算上残酷得惊人，反而是下国际象棋或通过律师资格考试比较容易。语言模型看似超人，部分原因是文本是一条干净、完整的通道：模型理解一个句子所需的一切，都已经在句子里面。物理世界没有这种奢侈。接触力难模拟、更难感知，物体会变形、会滑落，而错误也不能按退格键撤销。把抽象符号连接到物理指代物——老牌的事实接地问题——正是身体逼模型必须解决的事，也解释了为什么一个会写十四行诗的系统，仍可能连灯泡都拧不上。
为什么是人形，又为什么是现在
当前浪潮的旗舰机器——Figure 的人形机器人、Tesla Optimus、Unitree H1 和 G1——都在追逐同一个论点：人造世界按人体设计，所以人形机器人天然继承了楼梯、门把手、工具和工作台。怀疑者反驳说，轮子比双腿高效，而机器人行业迄今最大的商业成功，例如 Amazon 仓库搬运机器人，看起来一点也不像人。让人形赌注变得可信的变化来自软件，不是硬件。执行器和摄像头成本已经下降多年，但直到基础模型崛起，人们才有理由相信同一套策略可以处理真实世界变化的长尾，而不必每个任务都配一名专业工程师。双腿能不能胜过轮子，远不如这种泛化能力究竟能不能成立重要。
真实部署是什么样
今天的真实部署范围很窄，也受到重度监督。人形机器人试点会在汽车工厂和仓库里执行搬运周转箱、分拣零件等有边界的任务；策略一旦迷糊，通常随时有远程人类操作员接管。安全规则仍会把机器人与人隔开，一方面因为策略的失败不可预测，另一方面因为认证制度落后于技术。计算也是约束：策略必须在机载硬件上以控制循环频率运行，因此团队会采用小型蒸馏模型和边缘AI推理，而不是数据中心规模的大脑。诚实的总结是，2020 年代中期的具身智能，大致站在语言模型爆发前的位置——演示很惊艳，经济账尚未证明，而真正的论据不是今天的能力，是进步的速度。