具身智能（Embodied AI）指的是拥有物理身体、能在真实环境中感知和行动的 AI 系统。机器人手臂、移动机器人、人形机器人、自动驾驶车辆都属于这一类。它的对照面是纯软件的 AI——大语言模型再强，也只是在处理符号，不需要面对一杯洒了的水。
「具身」这个词强调的是：智能不只是脑子里的推理，还来自身体与环境的持续交互。你没法只靠读书学会骑车，也没法只靠看视频学会拧螺丝——这类知识必须在真实的力反馈和失败里长出来。
先用一句话抓住它
具身智能是「有身体、会动手、能从后果里学」的 AI，它的世界不能撤销。
对比一下就清楚了。软件 Agent 调错一次 API，重试一次就行，代价接近于零。机器人抓杯子失手，杯子碎了、水洒了、可能还砸到了旁边的东西——没有撤销键。这一个差别，几乎决定了具身智能所有技术选择的走向：更保守的策略、更严格的安全边界、以及对仿真的高度依赖。
它由哪几层构成
这是一个闭环：感知 → 理解 → 规划 → 执行 → 环境变化 → 重新感知。关键差异在于闭环的频率和时限。软件 Agent 想三十秒再动手没关系，机器人在抓取过程中如果控制回路慢了几十毫秒，物体就掉了。所以典型架构是分层的：上层用大模型做慢速的语义理解和任务规划，下层用专门的控制策略做高频动作生成。
近两年的主要变化是视觉-语言-动作模型（VLA）的出现：把视觉输入、语言指令和机器人动作放进同一个模型里端到端训练，让「把桌上的红色杯子放进水槽」这类自然语言指令可以直接映射到动作序列，而不用为每个任务单独编程。
最大的瓶颈是数据
互联网上有海量文本和图像，但没有海量的机器人动作数据。每一条「在这个场景下、这个物体、这个力度、这样抓成功了」的数据，都需要真实机器人真实操作才能采到，成本极高，而且换个机型、换个环境就未必迁移得过去。
这就是为什么合成数据和世界模型在具身领域被反复提起。思路是：先训练一个能预测「如果我这样动，环境会变成什么样」的模型，然后让机器人在这个模拟世界里练习成千上万次，把学到的策略再迁移到真机上。NVIDIA 的 Cosmos 就是把世界生成、未来状态预测、物理推理和机器人训练串成一条链路的代表性尝试。
仿真到现实的迁移（sim-to-real gap）仍是核心难题：仿真里摩擦、形变、光照和传感器噪声都做了简化，练得再好也可能一上真机就失效。常见对策是域随机化——在仿真里故意把参数抖乱，逼策略学出对差异不敏感的行为。
和相邻概念的区别
和世界模型的关系：世界模型是「能预测环境如何演变」的模型，是具身智能的关键组件之一，但它本身可以是纯软件的。具身智能一定要有身体，世界模型不一定。
和 Agent 的区别：软件 Agent 的动作是调 API、写文件、发请求，作用于数字世界；具身智能的动作作用于物理世界。两者在「感知—决策—行动—反馈」的结构上高度相似，差别在于错误的可逆性和实时性要求。
和多模态 AI 的区别：多模态是能处理图像、语音、视频等多种输入，是具身智能的必要能力，但不充分——理解一张厨房照片和在厨房里把碗放进洗碗机，是两件事。
和边缘 AI 的关系：机器人的控制回路必须低延迟，不能等云端往返，推理因此大量发生在设备本地，属于典型的边缘 AI 场景，这让小模型和量化在具身场景里格外重要。
容易误解的地方
「具身智能等于人形机器人」——人形只是形态之一，而且往往不是最优解。固定机械臂、轮式底盘、无人机、自动驾驶车都是具身智能。选人形主要是为了适配为人类设计的环境和工具，代价是控制难度和成本大幅上升。
「大模型接上机器人就成了」——语言模型擅长的是语义层面的规划，但它对物理量没有可靠的直觉：多大的力会捏碎鸡蛋、这个角度会不会撞到、地面湿滑时该怎么调整。这些必须由专门的控制策略和真实数据来补。
「演示视频代表能力」——具身领域的演示和量产之间差距特别大。剪辑掉的失败次数、环境是否经过布置、是否遥操作、成功率是多少、连续运行多久会退化，这些才是判断能力的关键。看到惊艳演示时，先问成功率和自主程度。
「产业已经成熟」——截至 2026 年，具身智能在工业分拣、物流搬运等结构化场景已有真实落地，但通用家庭场景仍处在早期。融资规模和产品成熟度是两回事。
普通人怎么理解它的进展
一个实用的判断维度是环境的结构化程度：环境越固定、物体越标准、任务越重复，落地越早。所以工厂产线和仓库先跑通，家庭厨房最难——后者物体千奇百怪、布局天天变、容错率还低。
另一个维度是是否需要精细力控。搬箱子和叠衣服的难度差着量级，因为后者要处理柔性物体的形变，这是当前研究里最难的方向之一。看到某个具身产品时，用这两把尺子量一量，大致就能判断它离你有多远。