自从今年春节以来，DeepSeek和宇树机器人是两个最令人关注的产品，这两个产品都与AI大模型相关，特别是具身智能机器人。
最近一段时间内，国内对于具身智能的支持力度达到了空前的高度。2月27日，北京人民政府发布《北京具身智能科技创新与产业培育行动计划（2025-2027年）》，发力“具身智能+”；无独有偶，3月3日，深圳市科技创新局更是发布了《深圳市具身智能机器人技术创新与产业发展行动计划（2025-2027年）》，定好了接下来3年的行动路线，抢跑具身智能。
所以在如此大热之下，工程师非常有必要了解具身智能这项技术。那么，具身智能到底是什么？对于机器人来说，AI是如何应用起来的？大模型用于机器人计算，究竟颠覆和进步在哪？
看懂具身智能
具身智能（Embodied AI）是指通过物理实体与环境交互来实现智能增长的智能系统。简而言之，具身智能可以理解为“具身化的人工智能”。具身智能的形态并不局限于“人形”，其外观也不能作为判断是否属于具身智能的依据。
根据应用场景和用途的不同，具身智能可以呈现多种形态。例如，通用智能机器人、搭载AI系统的大型工业设备以及自动驾驶系统等，都属于具身智能的具体表现形式。其核心在于“智能”，而GPT-4、Sora等AI技术的突破，实现了对文本、视觉、语音等多模态信息的理解与转换。将这些AI技术嵌入到机器人等物理实体中，能够显著增强其对环境的感知、交互及任务执行能力。
具身智能体框架
目前，很多人对于具身智能有着一定的概念误区：第一，具身智能不等于“大模型+机器人”，而是“人工智能+机器人等物理实体”；第二，具身智能不等于智能体（Agent），二者各有交叉和侧重；第三，具身智能不等于人形机器人，而是可以搭载到任意形态的机器人身上，包括：
基座型机器人：如机械臂等固定基座型机器人，常用于实验室自动化、教育和工业领域，通常具有高精度和重复性，适合执行需要精确控制的任务；轮式机器人：因高机动性而广泛应用于物流、仓储和安全检查，能够在平坦的地面上快速移动，适合在室内或结构化环境中执行任务；履带机器人：具有强大的越野能力，适用于农业、建筑和灾难应对，能够在复杂的地形上行走，是野外作业和极端环境探索理想选择；四足机器人：以稳定性和适应性著称，适合复杂地形的探测和救援任务，能够模仿动物的行走方式，在不平坦的地形上保持平衡和稳定性；人形机器人：凭借灵巧的手部操作能力，在服务业、医疗保健、工业等领域展现出广阔前景，其旨在模仿人类外形和动作，使其能够更自然地与人类互动和在人类环境中工作；仿生机器人：通过模仿自然生物的运动方式，能够在复杂动态环境中执行特定任务。这类机器人的设计灵感来自于自然界中的生物，如蛇形机器人、鱼形机器人等，能够适应特殊的环境和任务需求。
人工智能与机器人技术的发展并非孤立，而是相互促进、共同演进。人工智能为机器人提供了“大脑”，使其具备感知、思考和决策能力；而机器人为人工智能提供了“身体”，使其能够与现实世界交互并获取经验与知识。
随着人工智能算法，尤其是多模态大模型技术的突破性进展，机器人产业的发展将显著加速。这些技术进步提升了机器人的智能水平，使其能够自主判断和识别，并执行复杂的多阶段语义推理任务。这不仅增强了机器人的泛化能力，也加速了人形机器人量产的进程。
不过，根据Gartner技术成熟度曲线来看，具身智能目前仍处于技术萌芽期。尽管大模型技术推动了其成为科技产业的热点，但初创公司在技术和商业化路径上仍未找到有效方案。在成本和技术层面，仍需克服诸多挑战，包括数据获取难题、弱解释性问题、模型能力待提升、技术路线不确定、缺乏验证方法、算力水平制约、伦理与安全问题。
给机器人系统接上“大脑”
目前，机器人的系统整体的组成如下：
硬件层传感器系统：包括摄像头（视觉）、激光雷达（LiDAR）、毫米波雷达、超声波、IMU（惯性测量单元）等，用于实时采集环境数据。计算单元：高性能嵌入式处理器（如NVIDIA Jetson、高通机器人平台）、FPGA或定制化ASIC芯片，用于处理传感器数据、运行算法。执行机构：电机、机械臂、轮式/足式底盘等，负责执行物理动作。通信模块：5G/Wi-Fi/蓝牙等无线通信，支持多机器人协作或云端交互。软件层操作系统：机器人专用OS（如ROS/ROS 2、Ubuntu Core）提供任务调度、硬件抽象和通信框架。算法模块：感知算法：SLAM（同步定位与建图）、目标检测（YOLO、PointNet）、语义分割等。决策规划：路径规划（A、RRT）、任务分配（强化学习、博弈论）、动态避障（DWA算法）。控制算法：PID控制、模型预测控制（MPC）、仿生运动控制（如波士顿动力Atlas的平衡算法）。人机接口：自然语言交互（NLP）、手势识别、AR/VR远程操控等。具身智能大模型对于机器人软件栈上具备极强的颠覆性，它让机器人能够像人类一样灵活地执行各种任务。相当于给机器人装了一个”大脑“。
在大模型参与机器人控制和决策之前，绝大多数机器人的编程工作都由专业程序员利用机器人提供的API进行编程。比如说，协作机器人Universal Robots通常需要通过编写代码或在图形界面上设置机械臂的起点、终点、夹爪的开合角度、任务的重复次数等参数完成机械臂的工作。这种方式有着很明显的缺点：效率低、成本高、迭代慢。
大模型则具备对不同机器人和任务进行规划的能力。它可以进行交互式对话，也可以根据机器人的行为向ChaGPT提供反馈，并根据用户的反馈更新或调整代码。以此，将用户长序列的复杂任务拆解成多个子任务，以渐进方式解决问题，从而提高任务的成功率和鲁棒性。
对于算法设计者来说，机器人计算的软件栈发生了很大的变化，系统设计者目前有两种设计思路：
第一种是一步到位的端到端的设计思想：以谷歌的PaLM-E和RTXi列为代表，直接将大模型作为整个计算软件的主要模块。端到端无疑更具备潜力，其他子系统功能较为单一，设计更简单，但端到端计算系统实时性难以控制（一般控制指令频率至少达到50Hz），比如谷歌的PaLM-E的560B模型四张NVIDIA A100也很难实现，RT系列工作时也只有3Hz的控制频率；另一种是循序渐进的改进传统机器人系统的设计思想：以Come Robt、Figure01为代表，保留了传统机器人软件栈中大部分模块。这一派认为传统机器人软件栈的定位、路径规划、避障等模块已经很成熟，还有存在的必要。不过，传统机器人软件栈大多基于设计者经验，属于“rule-based”，因此诸如SLAM定位算法模块很难通过数据驱动。大模型接入后割裂感会更强，数据无法及时反馈导致大模型能力被削弱。不过，大模型应用到机器人中，也是循序渐进的，目前来看，具身智能大模型主要研究成果包括：
ChatGPT发布几个月后，就有研究者将其应用到机器人（ChatGPT for Robotics），确定了大模型与机器人的关系，不过ChatGPT本身并非多模态，具有局限性。主要代表是三星RobotGPT框架，其利用ChatGPT问题解决能力，通过有效提示结构提高任务成功率，尽管存在挑战，但通过有效提示结构等提高任务成功率，任务执行成功率达到了91.5%，已在现实环境中运行；谷歌机器人小组很早就使用大模型参与机器人的决策与控制，并推出Robotic Transformer-1（RT-1）和Robotic Transformer-2（RT-2）模型，RT-2利用大量网络图文数据进行预训练，之后在机器人数据上机芯工微调，并将模型参数量大幅增加到550亿个。此外，其推出的PaLM-E模型参数量已达到5620亿。清华大学TSAIL团队RDT-1B模型：2024年10月推出的1.2B参数开源模型，采用扩散模型设计和大规模预训练策略，提升了双臂操控任务的性能，零样本泛化能力强；北京大学RoboMamba模型：2024年6月推出的多模态模型，集成视觉编码器与线性复杂度状态空间语言模型，通过高效微调策略，提升推理和操控能力，推理速度达到现有模型的三倍；大模型的关键在于“大”，不过后来大家发现一些小模型也很好用。比如字节跳动的RoboFlamingo模型，利用公开可访问的预训练VLM为机器人构建有效的操作策略；再比如，MIT与谷歌提出了一个新的方向UniPi，它创造性地利用text-to-video的能力，指明了一个新的方向。具身智能的挑战在哪里？
对于目前的具身智能大模型，目前业界在思考两个问题：
一是模型设计问题。模型是否越大、越通用越好？事实上，PaLM-E这项工作使用的模型参数量已经达到了5620亿个，远远超越RT系列，功能也更泛化。但实际上，机器人领域任务非常多样，小的专用模型泛化性差，但是一些任务中表现出色；二是模态混合问题。传统机器人使用视觉、听觉、力、惯性、定位、点云等大量外界输入信息，当前机器人大模型通常只使用视觉和自然语言信息两个模态，增加模态对具身智能是否有益，增加后又该如何耦合进当前系统。通过对国内外具身智能机器人创新体系的深入调查研究，行业当前面临的5个主要问题：
1.应用场景的不确定性：具身智能机器人的终极目标是演变成通用机器人，能够在多种复杂的应用场景中执行多样化的任务。任务的多样性和复杂性对机器人的算法设计提出了很高的要求，特别是在环境适应性、动态决策制定及精确控制等方面。要达到这样的技术水平，具身智能机器人的“大脑”（控制和决策中心）、“小脑”（协调和精细动作控制）、“肢体”（执行具体任务的部分）的研发必须达到高度协同和高效能的水平。
2.产业链成本高企：规模化是产业链成熟的标志，也是推动技术革新和成本降低的关键。机器人产业的高成本问题复杂而多元，作者倡议采取措施推动具身智能机器人技术的规模化应用，来实现成本的大幅降低和产业链的成熟发展。
3.系统集成难度大：源于缺乏具体应用场景和技术的不成熟，具身智能机器人在“大脑”、“小脑”和“肢体”的关键技术目前在开发上还是孤立的技术点，尚未形成有效的技术联动，拟通过对以下几项技术开展研发工作：①开发适用于具体应用场景的具身智能机器人“大脑”，采用基于人工智能的大模型，增强机器人的环境感知、行为控制和人机交互能力。②开发“小脑”模块，使机器人能够执行特定动作，建立运动控制算法库，并构建网络控制系统架构。③研发“机器肢体”的关键技术，包括仿人机械臂、灵巧手和腿足，以及轻量化骨骼、高强度本体结构和高精度传感技术等。通过对这些技术的综合发展和应用场景的实践，形成完整的解决方案，推动具身智能机器人技术的进步。
4.数据瓶颈：机器人的适应性和泛化能力依赖数据的多样性，获取大量、高质量和多样化的数据面临巨大挑战。避免“数据孤岛”，实现数据共享有助于提高研究效率和质量，才能更好地推动行业发展。
5.伦理规范：具身智能机器人的伦理挑战体现在自主性和交互性上，带来了一系列伦理问题。制定机器人安全伦理规范标准，确保技术发展既遵循科学规范，又符合伦理原则，该书作者提出了如下几点倡议：①尊重和保护人类的尊严和基本权利，包括保护个人的隐私、自由和安全。②用户有权了解机器人系统的工作原理和决策逻辑。③建立健全的责任和问责机制，确保规范得以遵守。
具身智能的应用现状
从算法开发者角度来看具身大模型，可以在医疗、工业、家庭两大领域带来很多想象力：
医疗领域：微创手术辅助机器人、自动化缝合机器人等；工业领域：2024年3月梅赛德斯-奔驰与Apptronik达成协议，引入Apollo人形机器人从事搬运、装配零部件等繁重的低技能劳动；优必选设计的工业版人形机器人Walker S已经在蔚来的汽车工厂进行实训；Agility Robotics的Digit 2024年6月已经在物流搬运领域应用；微亿智造“创TRON”助力打造离散制造智能化柔性适配生产线；配天在“AI+机器人”已经成功研发免示教焊接软件模块，基于绎零机器人运动控制引擎，通过视觉检测和感知技术实现对焊接任务的快速识别和自主调整，无需人工示教即可投入使用，适应工厂灵活的排产需求；家庭领域：2024年年初斯坦福团队开发了家用Mobile ALOHA机器人，它可以炒菜、浇花、洗衣服等；腾讯小五机器人采用四腿轮足复合设计，具备多种能力，在养老院场景表现良好。目前，全球具身智能相关厂商主要包括：
全球人形机器人企业：Tesla、Google、英伟达、Figure、π、Skild、Agility、1X Technology、Deepmind、谷歌、软银、波士顿动力、Covariant、空间智能；国内人形机器人企业：华为、小米、小鹏、优必选、智元、宇树、傅利叶、乐聚、银河、浙江人形、逐际、星动纪元、星海图；工业具身智能企业：微亿智造、MECH MIND、遨博智能、配天机器人、中科光电、新松、ESTUN；科技大厂和AI企业：华为、腾讯、百度、字节跳动、阿里云、美团、科大讯飞；汽车企业和Tier 1：比亚迪、小鹏、小米、广汽集团、长安汽车、宁德时代、地平线；具身智能创新中心：国地共建具身智能机器人创新中心、浙江人形机器人创新中心、广东省机器人创新中心、人形机器人（上海）有限公司。总之，具身智能是一个非常综合的领域，不仅需要在算法上进一步突破，也要在底层芯片算力支持上进行突破。目前，随着政策进一步支持，国内正在迈向新纪元。
喜欢我们的文章吗？欢迎在wx关注我们的订阅号：机器人开发圈（ID：RoboticsDevelopers），浏览更多机器人相关内容。
