怎样区分人工智能、离身智能、具身智能、智能机器人与人形机器人

正在走向自律

16人浏览 · 2026-07-10 12:30:00

正在走向自律 · 2026-07-10 12:30:00 发布

摘要

在当前的科技语境下，“人工智能（AI）”、“具身智能（Embodied AI）”、“智能机器人”、“人形机器人”以及相对冷门的“离身智能（Disembodied AI）”这几个术语正以前所未有的频率出现在学术论文、融资路演和产品白皮书中。然而，由于媒体的简化报道和资本市场的概念炒作，这些词汇经常被混用，甚至在技术团队内部也缺乏统一的定义。这种概念的模糊性导致了严重的工程误导：比如为了追求噱头在非结构化场景强行上马“人形”方案，或者误以为有了大模型就等于拥有了“具身智能”。

具身智能、智能机器人、人形机器人关系示意图（来源：中国电子报）

本文旨在从技术本质、系统架构、交互方式和物理形态四个维度，彻底厘清这五个核心概念的内涵与外延。我们将构建一个“智能-身体-形态”三维坐标系，明确它们之间的包含、交叉与互斥关系。文章不仅包含严谨的定义辨析，还将深入剖析各领域的核心技术栈（如Transformer、Sim2Real、WBC等），并提供详实的代码案例与产业落地分析。最后，从技术管理的视角，探讨如何基于这些概念指导团队的技术选型与战略决策，避免陷入“为了AI而AI，为了人形而人形”的工程陷阱。

第一章：绪论——为什么我们需要给概念“划界”？

1.1 概念的坍缩与泛化

过去十年，AI 经历了两次大的范式转移。第一次是深度学习的崛起，让“人工智能”变成了所有带神经网络的软件的代名词；第二次是大模型（LLM/VLM）的爆发，让“智能”似乎触手可及。随之而来的是概念的滥用：

一个基于规则对话的客服系统被称为“AI”。
一个只有轮子和升降柱的仓储 AGV 被称为“智能机器人”。
一个纯文本生成的 GPT-4 被称为“通用人工智能的雏形”。

这种概念的泛化在商业传播上有其价值，但对于技术管理者而言，它是危险的。如果我们无法精确区分“离身的大模型”和“具身的机器人”在计算架构上的差异，我们就无法正确评估研发成本和风险。

1.2 五个概念的层级关系

为了理清思路，我们首先需要建立一个逻辑上的层级结构。这五个概念并非并列关系，而是一个同心圆套娃结构：

最外层：人工智能（AI） —— 最大的集合，包含所有数字智能。
内层分支：离身智能（Disembodied AI） —— AI 的一个子集，专注于数字世界的信息处理。
内层分支：具身智能（Embodied AI） —— AI 的另一个子集，专注于物理世界的交互。
具身智能的载体：智能机器人 —— 具身智能的实体化表现，强调功能性和自主性。
智能机器人的特例：人形机器人 —— 智能机器人的一种特定形态，强调生物拟态。

核心论点：形态（Form）不等于智能（Intelligence），智能（Intelligence）也不等于通用性（Generality）。

第二章：人工智能（AI）——无所不包的上位概念

2.1 定义与本质

人工智能（Artificial Intelligence） 是计算机科学的一个分支，旨在创造能够执行通常需要人类智能才能完成的任务的系统。这些任务包括但不限于：推理、知识表示、规划、学习、自然语言处理、感知和运动控制。

技术经理视角：AI 是一个伞形术语（Umbrella Term）。当我们谈论 AI 时，我们实际上是在谈论一整套数学工具和算法集合，从古老的线性回归到最新的 Transformer 架构。

2.2 AI 的技术栈分层

现代 AI 技术栈通常分为以下几层：

基础设施层：GPU/TPU 集群、CUDA、高速网络。
框架层：PyTorch, TensorFlow, JAX。
模型层：CNN (视觉), RNN/LSTM (时序), Transformer (通用)。
算法层：监督学习、无监督学习、强化学习、进化算法。
应用层：推荐系统、人脸识别、机器翻译、游戏 AI。

2.3 代码案例一：AI 的最小化表达

即使是简单的线性分类器，也属于 AI 的范畴。这提醒我们，AI 并不神秘。

import numpy as np
from sklearn.linear_model import Perceptron

# 1. 数据：简单的二维数据点 (特征)
# 类别 0: 左下角区域, 类别 1: 右上角区域
X = np.array([[0, 0], [1, 0], [0, 1], [1, 1]])
# 标签
y = np.array([0, 0, 0, 1])

# 2. 模型：感知机 (最早的 AI 模型之一)
model = Perceptron(max_iter=1000, eta0=0.1)
model.fit(X, y)

# 3. 推理
test_point = np.array([[0.8, 0.8]])
prediction = model.predict(test_point)
print(f"预测结果: {prediction}") # 输出: [1]

print("这是最基础的 AI，但它没有任何'身体'，也没有与物理世界交互的能力。")

关于人工智能，如果想更详细了解，欢迎阅读我以前专门写的文章：人工智能、机器学习、深度学习：技术革命的深度解析_人工智能、机器学习、深度学习的发展历史、经典算法、现有应用领域、解决了哪些问-CSDN博客

第三章：离身智能（Disembodied AI）——困在数字巴别塔中的幽灵

3.1 定义与核心特征

离身智能（Disembodied AI），又称“去身化智能”或“符号智能”，指的是没有物理实体、不与物理环境进行实时闭环交互的智能系统。它们的运行环境纯粹是数字的、虚拟的。

核心特征：

输入输出均为数字信号：输入是文本、图片、音频文件；输出是文本、概率分布或生成的图像。
缺乏物理因果链：它不知道“推倒积木”在物理上意味着“势能转化为动能”。
静态推理：通常是对给定输入的单次或多次前向传播，不涉及连续的、基于反馈的控制循环。

3.2 典型代表：大语言模型（LLM）与生成式 AI

当前最火爆的 ChatGPT、Midjourney、Sora 都是典型的离身智能。

GPT-4：它通过海量文本学习了人类知识的压缩包，能回答“如何修理水管”，但它没有手去拧扳手，也没有眼睛去看水管是否漏水。
Sora：它能生成极其逼真的视频，但它只是学习了像素的统计规律，并不理解牛顿力学。

3.3 离身智能的局限性：莫拉维克悖论

离身智能在处理“高智商任务”（如下棋、写代码、考 SAT）时表现出色，但在“低智商任务”（如走路、抓取、识别猫狗）上却举步维艰。这就是著名的莫拉维克悖论（Moravec's Paradox）：对人类来说困难的事情对机器来说很容易，反之亦然。

3.4 代码案例二：纯粹的离身智能（文本生成）

以下代码展示了纯粹的离身推理，不涉及任何物理交互。

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

# 加载离身智能模型 (Meta 的 Llama 3 示例)
model_name = "meta-llama/Meta-Llama-3-8B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype=torch.bfloat16, device_map="auto")

# 构造提示词
prompt = "请写一个关于机器人试图理解人类情感的短故事。"
messages = [{"role": "user", "content": prompt}]
inputs = tokenizer.apply_chat_template(messages, return_tensors="pt").to(model.device)

# 生成输出
with torch.no_grad(): # 推理模式，不计算梯度
    outputs = model.generate(inputs, max_new_tokens=500, temperature=0.7)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

# 技术经理点评：
# 这个模型生成了优美的文字，但它运行在 GPU 的浮点运算中，
# 对"情感"的理解仅限于 Token 之间的概率关联，完全没有物理世界的体验。

第四章：具身智能（Embodied AI）——智能源于交互

4.1 定义与哲学基础

具身智能（Embodied AI） 是指智能体（Agent）通过物理身体（Body）感知环境，并通过动作（Action）作用于环境，从而形成“感知-决策-行动-反馈”闭环的智能范式。

其核心哲学观点是：智能不能脱离身体和环境而独立存在。认知是身体与环境互动的产物。正如婴儿通过抓握、摔打、吮吸来理解世界，AI 也需要一个身体来建立物理常识。

4.2 具身智能 vs 离身智能

维度	离身智能 (Disembodied AI)	具身智能 (Embodied AI)
运行环境	数字世界 (服务器/云)	物理世界 (真实) + 仿真世界
交互方式	读取文件/数据库，输出文本/图像	传感器输入 (Camera/Lidar)，执行器输出 (Motor)
时间特性	离散的、请求-响应模式	连续的、实时流模式
错误处理	重新运行即可	必须在线恢复，否则可能导致物理损坏
核心挑战	算力、数据规模、对齐	鲁棒性、安全性、Sim2Real、实时性

4.3 具身智能的核心技术支柱

主动感知（Active Perception）：不是被动接收图片，而是为了完成任务主动调整视角（如凑近看标签）。
世界模型（World Models）：在脑海中构建环境的动态模型，能预测“如果我把杯子推倒，它会掉下去”。
基于物理的推理（Physics-based Reasoning）：理解质量、摩擦力、惯性等概念。
运动控制（Motor Control）：将意图转化为关节的连续动作。

4.4 代码案例三：具身智能的闭环控制（PID + 视觉）

这是一个简化的具身智能案例：机器人通过摄像头看到小球的位置，并控制电机让小车跟随小球。

import time
import random

# 模拟环境：小球的真实位置 (物理世界)
real_ball_position = 50.0

# 1. 感知模块 (模拟摄像头识别)
def perception():
    # 模拟传感器噪声
    noise = random.uniform(-2, 2)
    observed_pos = real_ball_position + noise
    return observed_pos

# 2. 决策与控制模块 (PID 控制器)
class PIDController:
    def __init__(self, kp, ki, kd):
        self.kp = kp; self.ki = ki; self.kd = kd
        self.integral = 0; self.prev_error = 0
        
    def compute(self, target, current):
        error = target - current
        self.integral += error
        derivative = error - self.prev_error
        output = self.kp*error + self.ki*self.integral + self.kd*derivative
        self.prev_error = error
        return output

pid = PIDController(kp=0.1, ki=0.01, kd=0.05)
robot_position = 0.0 # 机器人初始位置

# 3. 执行与闭环 (Embodied Loop)
print("启动具身智能闭环控制...")
for step in range(20):
    # Step 1: 感知
    sensed_ball_pos = perception()
    
    # Step 2: 决策 (计算需要移动的距离)
    control_signal = pid.compute(sensed_ball_pos, robot_position)
    
    # Step 3: 执行 (模拟电机移动)
    robot_position += control_signal
    # 模拟物理世界中小球也在动
    real_ball_position += 1.0 
    
    # Step 4: 反馈 (打印状态)
    print(f"Step {step}: 感知={sensed_ball_pos:.2f}, 机器人位置={robot_position:.2f}, 误差={sensed_ball_pos-robot_position:.2f}")
    
    time.sleep(0.1) # 实时性要求

print("\n技术经理点评：")
print("这就是最简单的具身智能。它形成了一个闭环：")
print("感知(看) -> 决策(算) -> 执行(动) -> 再次感知(看结果)。")
print("这与单纯的离身 AI (输入文本->输出文本) 有本质区别。")

第五章：智能机器人（Intelligent Robot）——具身智能的物理载体

5.1 定义与边界

智能机器人是具身智能技术的物理载体。它不仅仅是一堆金属和电线的组合，而是集成了感知、决策、执行模块，能够自主或半自主地完成特定任务的机电系统。

关键点：并不是所有的机器人都是“智能”的。

非智能机器人：传统的 CNC 机床、示教型机械臂。它们只是忠实地复现人类预设的轨迹，没有环境适应能力。
智能机器人：配备了 AI 算法的机器人。例如，能通过 3D 视觉识别乱序工件的分拣机器人，能根据路况自动避障的 AMR。

5.2 智能机器人的三大要素（改良版）

经典的“感知、决策、执行”仍然适用，但在 AI 时代需要细化：

泛化感知：不仅认识训练过的物体，还能通过 VLM 识别开放世界的未知物体（Open Vocabulary）。
自主规划：面对突发状况（如路径被堵），能自己重新规划，而不是停下来报错。
柔顺执行：具备力觉反馈，能在接触环境时表现出顺应性，而不是刚性碰撞。

5.3 形态多样性

智能机器人不一定是人形的。事实上，绝大多数实用的智能机器人都不是人形的：

轮式：AMR 物流机器人、扫地机器人。
履带式：排爆机器人、农业采摘机器人。
多旋翼：植保无人机、电力巡检无人机。
固定基座：协作机械臂、手术机器人。
仿生：四足机器人（Spot, Unitree）、仿生鱼。

5.4 代码案例四：ROS 2 中的智能机器人节点

这段代码展示了智能机器人如何利用 AI 模型进行决策，并利用 ROS 2 进行控制。

#!/usr/bin/env python3
import rclpy
from rclpy.node import Node
from sensor_msgs.msg import Image, LaserScan
from geometry_msgs.msg import Twist
from cv_bridge import CvBridge
import cv2
import torch

# 假设我们有一个预训练的 YOLOv8 模型用于检测"人"
# model = torch.hub.load('ultralytics/yolov8', 'yolov8n.pt', pretrained=True)

class SmartRobot(Node):
    def __init__(self):
        super().__init__('smart_robot')
        self.bridge = CvBridge()
        
        # 订阅传感器数据 (感知输入)
        self.image_sub = self.create_subscription(Image, '/camera/image_raw', self.image_callback, 10)
        self.lidar_sub = self.create_subscription(LaserScan, '/scan', self.lidar_callback, 10)
        
        # 发布控制指令 (执行输出)
        self.cmd_pub = self.create_publisher(Twist, '/cmd_vel', 10)
        
        self.obstacle_detected = False
        
    def lidar_callback(self, msg):
        # 简单的避障逻辑：检测前方 30 度范围内的障碍物
        front_ranges = msg.ranges[len(msg.ranges)//3 : 2*len(msg.ranges)//3]
        if min(front_ranges) < 0.8: # 如果前方 0.8m 内有物体
            self.obstacle_detected = True
        else:
            self.obstacle_detected = False

    def image_callback(self, msg):
        # 将 ROS 图像转换为 OpenCV 格式
        cv_image = self.bridge.imgmsg_to_cv2(msg, 'bgr8')
        
        # 使用 AI 模型进行目标检测 (伪代码)
        # results = model(cv_image)
        # person_detected = any(detected_class == 'person' for detected_class in results.names)
        
        twist = Twist()
        
        # 决策逻辑
        if self.obstacle_detected:
            # 遇到障碍，停止并转向
            twist.linear.x = 0.0
            twist.angular.z = 0.5 # 原地旋转
            self.get_logger().warn('检测到障碍物，正在转向！')
        else:
            # 无障碍，向前走
            twist.linear.x = 0.2
            twist.angular.z = 0.0
            self.get_logger().info('道路畅通，前进中...')
            
        # 发布指令
        self.cmd_pub.publish(twist)

def main():
    rclpy.init()
    robot = SmartRobot()
    rclpy.spin(robot)
    robot.destroy_node()
    rclpy.shutdown()

if __name__ == '__main__':
    main()

技术经理点评：这个节点展示了智能机器人的典型数据流。传感器数据进来 -> AI 模型处理 -> 行为决策 -> 控制指令输出。这就是一个运行在物理实体上的具身智能系统。

第六章：人形机器人（Humanoid Robot）——形态驱动的特化产物

6.1 定义与执念

人形机器人是指具有与人类相似的身体结构（双足、双腿、躯干、双臂、双手、头部）的智能机器人。

为什么要执着于人形？这更多是基于环境适配性的考量：

人类文明的基础设施（楼梯、门把手、工具、驾驶舱）都是为人设计的。
理论上，人形机器人不需要改造环境就能直接上岗工作。

6.2 人形机器人的技术深水区

相比于轮式机器人，人形机器人面临巨大的技术挑战，主要集中在动力学与控制：

双足步态控制（Bipedal Locomotion）：如何在单腿支撑期保持全身平衡？这涉及到复杂的全身控制（Whole Body Control, WBC）和模型预测控制（MPC）。
高自由度（DoF）：人形机器人通常有 40+ 个自由度。冗余自由度带来了灵活性，但也带来了巨大的计算复杂度（求解逆运动学/动力学的维度剧增）。
高能耗与散热：为了支撑自重并完成动作，伺服电机需要大电流，导致发热严重，续航短。
灵巧手（Dexterous Hands）：模拟人手 20+ 个自由度的精细操作是目前最大的瓶颈之一。

6.3 人形机器人 vs 智能机器人

人形机器人一定是智能机器人：如果没有 AI，双足根本站不稳，更别说干活。
智能机器人绝大多数不是人形的：因为轮子比脚高效得多。

技术经理的残酷真相：在工厂搬运货物，轮式底盘的效率是人形双足的 5-10 倍，能耗却只有 1/10。除非必须上下楼梯或操作专为人类设计的工具，否则在工业场景中人形机器人是“性价比极低”的选择。

6.4 代码案例五：人形机器人的全身控制（WBC）伪代码

这部分代码展示了人形机器人特有的复杂性，这是普通轮式机器人不需要考虑的。

import numpy as np

class HumanoidController:
    def __init__(self):
        # 状态估计器 (来自 IMU 和 编码器)
        self.q = np.zeros(30)  # 关节位置 (30 DoF)
        self.dq = np.zeros(30) # 关节速度
        self.base_orientation = np.eye(3) # 基座姿态
        self.base_angular_vel = np.zeros(3) # 基座角速度
        
        # 任务优先级
        # 1. 维持平衡 (最重要)
        # 2. 足部轨迹跟踪
        # 3. 手部操作
        # 4. 关节限位
        
    def compute_control_command(self, desired_hand_pose, desired_com_velocity):
        """
        全身控制 (WBC) 核心逻辑
        """
        # 1. 构建二次规划 (QP) 问题
        # 目标: 最小化任务误差 + 最小化关节加速度
        # 约束: 动力学方程, 摩擦力锥, 关节力矩限制
        
        # 任务 1: 平衡控制 (通过调节 Zero Moment Point - ZMP)
        com_acc_cmd = self._compute_com_acc(desired_com_velocity)
        
        # 任务 2: 手部操作 (逆运动学)
        hand_joint_cmd = self._compute_hand_ik(desired_hand_pose)
        
        # 任务 3: 步态生成 (如果处于行走状态)
        foot_contact_force = self._compute_contact_force()
        
        # 2. 求解 QP
        # H * tau + f = 0
        # subject to: A * tau <= b
        # 这里的 tau 就是发送给电机的力矩指令
        tau_command = self._solve_qp(com_acc_cmd, hand_joint_cmd, foot_contact_force)
        
        return tau_command
    
    def _solve_qp(self, *tasks):
        # 极其复杂的数值优化过程
        # 这是人形机器人控制的核心黑盒
        print("Solving High-Dimensional QP for Whole Body Control...")
        # 返回一个 30 维的力矩向量
        return np.random.randn(30) * 10 # 模拟输出

# 技术经理点评：
# 这段代码展示了人形机器人的"难"。普通的移动机器人只需要控制线速度和角速度，
# 而人形机器人需要实时求解一个高维的优化问题，以保证在动力学上不摔倒。
# 这也是为什么目前大多数展示都是慢动作或预编程的原因，实时稳定控制仍是难题。

第七章：五维概念关系总览与决策树

7.1 韦恩图（Venn Diagram）解析

让我们用集合论的观点来看这五个概念：

AI (全集)：包含一切。
离身 AI (子集 A)：位于数字空间。
具身 AI (子集 B)：位于物理空间。A 与 B 交集极小（除了跨模态预训练阶段）。
智能机器人 (子集 C)：C 完全包含于 B。即所有智能机器人都是具身智能的载体。
人形机器人 (子集 D)：D 完全包含于 C。即所有人形机器人都是智能机器人，且是具身智能的载体。

7.2 技术选型决策树

当你接到一个项目需求时，请按照以下步骤自问自答：

1. 是否需要与物理世界实时交互？
   ├─ 否 -> 离身智能 (LLM/CV 服务)。停止纠结硬件。
   └─ 是 -> 进入 2。

2. 交互的目的是什么？
   ├─ 数据处理、内容生成、知识问答 -> 离身智能。
   └─ 物理位移、物体操作、环境改造 -> 进入 3。

3. 是否必须适应为人类设计的非改造环境（如爬楼梯、开车、用工具）？
   ├─ 是 -> 考虑人形机器人。但要准备好面对高成本和低效率。
   └─ 否 -> 进入 4。

4. 地面条件如何？
   ├─ 平坦地面 (工厂/仓库/家庭) -> 轮式/履带式智能机器人 (首选，性价比最高)。
   ├─ 崎岖路面 (野外/废墟) -> 四足/多足智能机器人。
   └─ 空中作业 -> 无人机智能机器人。

5. 操作精度要求？
   ├─ 毫米级 (工业装配) -> 固定基座智能机械臂。
   └─ 厘米级 (搬运/码垛) -> 移动操作机器人 (AMR + Arm)。

第八章：产业现状与未来趋势

8.1 泡沫与实干

离身智能：处于生产力爆发期。Copilot、Agent 正在重塑软件工程。
具身智能：处于技术爆发前夜。VLA 模型和 Sim2Real 正在突破数据瓶颈。
智能机器人：处于规模化落地期。AMR 和协作机器人已在各行业铺开。
人形机器人：处于期望膨胀期（Gartner 曲线顶部）。虽然 Demo 惊艳，但离大规模商业化（尤其是进入家庭）至少还有 5-10 年。

8.2 融合趋势：云端大脑 + 边缘身体

未来的架构将是：

云端：部署离身的大模型（LLM/VLM），负责高级认知、常识推理和代码生成。
边缘（机器人本体）：部署具身的小模型，负责实时感知、运动控制和反射弧。
5G/WiFi 6：连接两者，形成“云端大脑，边缘身体”的分布式具身智能。

第九章：技术管理者的行动指南

拒绝概念绑架：不要因为投资人喜欢听“人形”或“大模型”就盲目立项。坚持场景驱动。
构建数据闭环：无论是离身还是具身，数据都是护城河。对于具身智能，要建立 Corner Case 的收集和仿真回灌机制。
重视系统工程：具身智能和人形机器人是极其复杂的系统。不要只招算法工程师，必须配备顶级的嵌入式、仿真和测试工程师。
关注功耗与散热：这是物理世界的铁律。在选型电机和处理器时，要把 TDP（热设计功耗）放在第一位。
安全第一：离身 AI 出错最多是胡说八道；具身 AI 出错可能是机毁人亡。必须在软件（看门狗、急停）和硬件（力矩限制、碰撞检测）上设置多重保险。

结语

人工智能是灵魂，离身智能是数字世界的沉思者，具身智能是物理世界的行动派。智能机器人是具身智能的千手千眼，人形机器人则是其中最像我们自己的那个特立独行的行者。

作为技术管理者，我们的任务是看清这些概念背后的技术实质，不被表象迷惑，用最合适的工具解决最实际的问题。在这个波澜壮阔的时代，愿我们既能仰望星空，追逐通用人工智能的梦想；也能脚踏实地，造出真正有用、可靠、安全的机器。

附录：15个核心关键字说明

人工智能 (Artificial Intelligence, AI)：计算机科学的分支，旨在创建能执行需人类智能任务（如视觉感知、语音识别、决策和语言翻译）的系统，是所有相关概念的母集。
离身智能 (Disembodied AI)：指没有物理实体、运行于纯数字环境的智能系统。它依赖数据输入输出，缺乏与物理世界的实时因果交互，典型代表为大语言模型（LLM）。
具身智能 (Embodied AI)：强调智能产生于 agent 与其环境的物理交互中。它要求系统具备感知-决策-行动-反馈的闭环能力，是机器人拥有真正自主性的前提。
智能机器人 (Intelligent Robot)：集成了 AI 算法（特别是具身智能技术）的物理实体。区别于传统自动化设备，它能感知环境变化并自主调整行为以完成复杂任务。
人形机器人 (Humanoid Robot)：特指具有类人形态（双足、双臂、躯干、头部）的智能机器人。其设计初衷是为了在不改造现有人类设施的前提下，替代或辅助人类工作。
莫拉维克悖论 (Moravec's Paradox)：人工智能领域的经典理论，指出推理等高阶技能对计算机而言相对容易，而感知和运动等低阶技能却极难实现。解释了为何下棋 AI 早于走路 AI 出现。
Sim2Real (Simulation to Reality)：将仿真环境中训练好的模型迁移至真实机器人的技术。通过域随机化（Domain Randomization）解决虚实差距，是具身智能获取数据的主要途径。
全身控制 (Whole Body Control, WBC)：人形机器人特有的高级控制策略。通过优化算法协调全身数十个自由度，在保证平衡（ZMP/MPC）的同时完成操作任务。
VLA (Vision-Language-Action)：视觉-语言-动作模型，具身智能的核心架构。旨在将多模态输入（看到的画面、听到的指令）直接映射为机器人可执行的动作序列。
主动感知 (Active Perception)：具身智能的重要特征，指机器人为了更好地理解环境或完成任务，主动调整传感器位姿（如凑近、转头、调整焦距）以获取信息的行为。
世界模型 (World Models)：智能体对物理世界运行规律的抽象理解。使机器人能在“脑海”中模拟行动后果，进行预测性规划和想象，而非仅对当前刺激做出反应。
零力矩点 (Zero Moment Point, ZMP)：双足机器人动态步行稳定性的关键判据。若地面反作用力的合力矩在水平面的投影为零，则机器人处于动态平衡状态。
模型预测控制 (Model Predictive Control, MPC)：一种先进的控制策略。在每个控制周期内，通过求解有限时域的开环优化问题来计算当前控制量，广泛用于人形机器人的步态规划。
泛化性 (Generalization)：指 AI 模型在未曾见过的新场景、新物体或新任务上表现良好的能力。具身智能追求的终极目标是从“专才”走向“通才”。
技术奇点 (Technological Singularity)：假设未来可能出现的人工智能超越人类智能并自我迭代的临界点。在机器人领域，通常指具身智能达到 AGI（通用人工智能）水平的时刻。