具身智能（Embodied AI）指拥有物理身体、能与真实世界直接交互的智能体——机器人是它的终极形态。与"云端的大模型"不同，具身智能强调"身体+智能"一体：通过视觉、触觉、力觉感知环境，用机械臂、轮式底盘或双足行走执行动作，在真实反馈中持续学习。2025-2026 年人形机器人的爆发（宇树春晚扭秧歌、Figure 与 OpenAI 合作、特斯拉 Optimus 量产爬坡）让具身智能成为继大语言模型之后最具确定性的下一波技术浪潮。

一、为什么需要"身体"

纯软件大模型虽然能力强大，却严重依赖预设接口——只能处理"被结构化好的文本/图像"，对物理世界的连续状态、力反馈、空间几何几乎无感。人类智能则深深植根于身体：婴儿通过伸手抓握学习因果，工人通过触觉判断零件是否合格，外科医生通过手感理解组织张力。具身假设（Embodied Hypothesis）是认知科学的经典观点——智能的形状由身体的形状决定。这也是为什么业内普遍认为：下一代 AI 突破不只来自更大的模型，而来自模型与物理世界的实时交互闭环。

二、技术栈：大模型 + 控制 + 硬件的三体合一

一套完整的具身智能系统由四层组成：

• 大脑：多模态大模型负责理解指令、推理任务、规划步骤。当前主流方案是 VLA（Vision-Language-Action）模型，将视觉、语言与机器人动作 token 在同一序列中联合训练，代表如 Google RT-2、智元 GO-1、字节 GR-1
• 小脑：运动控制层，处理步态平衡、机械臂轨迹、阻抗控制等技术，传统控制论与现代强化学习结合
• 身体：灵巧手（触觉传感器阵列 + 12 自由度关节）、关节电机（谐波减速器 + 力矩传感器）、电池续航；硬件成本仍是行业最大挑战
• 训练场：世界模型仿真（NVIDIA Isaac Sim、MuJoCo）+ 真机遥操作数据采集（宇树、Figure 用人类穿戴设备示范收集）

三、代表玩家与产品

• 国内：宇树科技（春晚《秧 BOT》让公众认识人形机器人，H1/G1 量产爬坡）、智元机器人（创始人"稚晖君"、A2 灵动机器人）、优必选（Walker S 在比亚迪工厂实训）、银河通用、星动纪元
• 海外：特斯拉 Optimus（马斯克 2026 年量产目标万台）、Figure AI（与 OpenAI 深度合作、Figure 02 已进 BMW 工厂）、1X Technologies（背靠 OpenAI 投资）、波士顿动力（液压 Atlas 退役转电动 Atlas）
• 上游供应链：绿的谐波（谐波减速器）、鸣志电器（伺服电机）、奥比中光（3D 视觉）、柯力传感（六维力矩）

四、落地时间表：场景分级是关键

• 已落地：工厂搬运、分拣、上下料（结构化环境、固定路线、低风险）
• 2026-2027 试点：商超导购、酒店配送、餐厅传菜、医院物流（半结构化环境、需要避障与人交互）
• 3-5 年：家庭服务、护理陪伴（开放环境、任务多样、需要长程任务规划）
• 5-10 年：家庭保姆级通用机器人（业内共识还远）

技术演进的瓶颈主要集中在三方面：数据稀缺（真实机器人交互数据远少于互联网文本数据）、硬件成本（整机目前 10-50 万元，与消费电子相差 1-2 个数量级）、安全性（家用机器人在人群中行动的安全标准远高于工厂机器人）。

五、与人形机器人的关系

人形只是具身智能的一种形态，轮式、四足、软体等都有价值。选人形是因为人类世界是为人形设计的（门把手、楼梯、桌椅高度），人形机器人可直接复用既有基础设施而不需要"机器人专用环境"。但并不意味着所有场景都必须人形——工厂内自主移动机器人（AMR/AGV）用轮式效率更高；医疗手术机器人更适合机械臂+主从控制。具身智能的核心是自主感知-决策-行动的闭环，与具体形态解耦。

六、常见问答

Q：具身智能和机器人是一回事吗？——机器人是硬件载体，具身智能是让机器人真正会干活的 AI 技术。传统机器人按预设程序执行固定任务，具身智能机器人能理解自然语言指令、自主应变、跨任务泛化。

Q：会取代哪些工作？——最先受冲击的是高度重复的体力劳动（搬运、分拣、装配）；需要精细操作与人际关怀的工作（护理、教育）短期内不会替代，而是人机协作。

Q：如何关注？：关注头部厂商的工厂落地案例而非 demo 视频；硬件成本下降曲线（减速器、电机价格）比人形 demo 更具投资参考价值。

词条信息基于 2026 年 8 月公开资料整理，由 AI智库（ai-zhiku.com）编辑团队维护。