1. 引言：具身智能进入爆发前夜

具身智能（Embodied Intelligence）正在从实验室走向真实世界。2025 年以来，随着视觉-语言-动作大模型（VLA）、高保真仿真平台和灵巧操作技术的快速迭代，机器人在复杂环境下的感知、推理与执行能力实现了质的飞跃。本文系统梳理近一年来该领域的关键进展，帮助读者快速把握技术脉络。

2. 核心范式：VLA 大模型成为主流架构

视觉-语言-动作（Vision-Language-Action）模型已取代传统的模块化管线，成为具身智能的主导范式。这类模型将视觉感知、自然语言指令理解和低层动作生成统一在端到端框架中。

• 模型规模持续攀升：RT-2-X、Octo、OpenVLA 等模型参数量已突破百亿，直接在互联网规模图文数据与机器人轨迹数据上联合训练，展现出较强的场景泛化能力。
• 多模态对齐技术成熟：CLIP、SigLIP 等高精度视觉编码器与 LLaMA、Gemma 等语言模型的深度对齐，使机器人能理解“把蓝色杯子放到白色托盘上”这类细粒度自然语言指令，并映射为可执行的动作序列。
• 具身推理能力初现：Gemini Robotics 和 GPT-4o 的具身版本已初步具备对物理世界的常识推理——给定“打开抽屉”的指令，模型能推断出需要先找到把手、确定拉的方向，再规划运动轨迹。

3. 数据引擎：从真实采集到规模化仿真

训练数据的获取一直是制约具身智能发展的瓶颈。近期的突破体现在三个方面：

• 高质量开源数据集涌现：Open X-Embodiment（OXE）数据集持续扩展，已覆盖 60 余种机器人平台、1600 多项技能，累计超过 200 万条真实机器人轨迹。AgiBot World 等中文场景数据集也填补了领域空白。
• 仿真到真实迁移（Sim-to-Real）技术成熟：NVIDIA Isaac Sim 4.0、Google Genesis 等新一代仿真平台支持高频率的物理级渲染和域随机化训练，使仿真中习得的策略能以极低成本迁移到真实机器人上，成功率提升至 85% 以上。
• 遥操作采集与自动标注：ALOHA 2、GELLO 等低成本遥操作系统的普及，配合自动动作分块（Action Chunking）和重放标注技术，极大降低了采集高质量示教数据的门槛。

4. 灵巧操作：从抓取到精细操作的跨越

如果说过去五年机器人学会了“抓东西”，那最近一年则在“操作东西”上取得了惊人进步。

• 触觉感知深度融合：GelSight、DIGIT 等视触觉传感器与强化学习策略的深度结合，使机器人能感知接触力、纹理和滑移，完成插拔 USB、折叠衣物、剥鸡蛋等精细任务。
• 双手协同操作：基于扩散策略（Diffusion Policy）的动作生成模型，已能稳定输出双手机器人协同操作的动作序列，如双臂协作倒水、组装零件等任务。
• 长序列任务规划：结合大语言模型的层级规划能力，机器人能够将“清理桌面”这样的高层指令分解为“识别杂物→逐一抓取→分类归位→擦拭台面”等多个子步骤，并自主处理执行中的异常情况。

5. 本体形态：人形机器人成为最大热点

人形机器人是具身智能最具想象力的载体。2025-2026 年，这一赛道呈现出“百机争鸣”的局面。

• 运动控制达到新高度：宇树 H1 刷新全尺寸人形机器人奔跑速度纪录，Figure 02、Tesla Optimus Gen-3 实现了在工厂环境下的自主导航、物料搬运和简单装配任务。
• 灵巧手设计突破：Shadow Hand、Tesla Optimus 的 22 自由度灵巧手、1X NEO 的绳驱五指手在自由度、力控精度和成本之间找到平衡，使精细抓取成为可能。
• 具身基础模型与本体解耦：Pi0、RDT-1B 等模型已初步实现跨本体控制，同一策略可驱动单臂工业臂、双臂移动机器人和人形机器人等多种形态，极大提升了模型复用效率。

6. 导航与移动：从室内到开放场景

在移动能力方面，具身智能也在快速突破环境边界。

• 视觉语言导航（VLN）泛化：基于 NavGPT、LM-Nav 的零样本导航系统，允许机器人在从未见过的环境中仅凭自然语言指令找到目标，如“去厨房把冰箱旁的垃圾袋拿出来”。
• 四足与轮式混合机动：宇树 B2-W、瑞士 ANYmal 等四足机器人在复杂地形（楼梯、废墟、雪地）上的通过能力持续增强，并开始集成机械臂实现“行走+操作”一体化。
• 多机器人协同：仓储场景中，大量使用强化学习的多 AGV 调度系统已能实现数百台机器人的无碰撞协同，完成动态任务分配和路径优化。

7. 安全与对齐：走向可信赖的具身系统

随着具身智能进入人类生活和工作空间，安全与价值对齐成为不可回避的议题。

• 物理安全约束：基于控制屏障函数（CBF）和模型预测控制的在线安全约束技术，确保机器人在运行时不会因模型幻觉或分布外输入做出危险动作。
• 指令对齐研究启动：借鉴大语言模型 RLHF 的思路，具身领域的偏好对齐工作开始出现——通过与人类偏好标注的对齐训练，降低机器人做出“技术上正确但违反人类意图”行为的概率。
• 红队测试与鲁棒性评估：OpenAI、Physical Intelligence 等机构已启动对具身模型的对抗攻击与鲁棒性基准测试，推动社区关注长尾失效问题。

8. 应用落地：从实验室到产线的关键一步

技术突破正快速转化为实际生产力。

• 汽车制造与物流：Figure AI 与宝马、Tesla Optimus 与自家超级工厂、Agility Robotics 的 Digit 在亚马逊仓库的实际部署，标志着人形机器人开始承担重复性、高强度的产线任务。
• 家庭服务探索：1X NEO、银河通用 G1 等家用机器人原型已在整理房间、端茶倒水等场景中展示了可行性，但距离规模化入户仍面临成本、安全和用户接受度的挑战。
• 医疗与康复：手术机器人集成具身智能模块，可自主完成缝合、打结等子任务；外骨骼与 AI 步态规划的结合，让截瘫患者的行走训练更加自然高效。

9. 挑战与展望

• 数据稀缺仍是核心瓶颈：虽然仿真技术大幅缓解了数据压力，但接触密集型任务（如外科手术、精细装配）仍高度依赖真实示教数据，且难以自动化采集。
• 通用与专用的取舍：追求“一个模型控制所有机器人”的通用路线，与深耕垂直场景的专用路线之间仍存在张力，这需要从硬件标准化和模型架构设计两方面共同推进。
• 从 Demo 到产品的鸿沟：90% 以上的 Demo 视频在真实环境中存在鲁棒性问题，如何从“能做一次”跨越到“持续可靠运行”，是商业化落地必须跨越的鸿沟。
• 具身 AGI 的想象空间：长期来看，具身智能是迈向通用人工智能（AGI）的核心路径之一——一个能与物理世界交互、从试错中学习、并不断进化的智能体，才能真正理解因果和常识。

10. 总结

具身智能正处于从技术验证向产业落地的关键转折期。VLA 大模型、规模化仿真、灵巧操作和人形机器人硬件的协同进步，正在将“通用机器人”的想象拉入现实。对于开发者和研究者而言，现在正是深入这一领域的最佳时机。建议从开源模型（如 OpenVLA、Octo）和仿真平台（如 Isaac Sim）入手，在真实的物理或仿真环境中动手实践，才能真正理解具身智能的挑战与魅力。