具身智能（Embodied Intelligence/Embodied AI）是指具有某种“身体”和行动能力的智能体，通过视觉、触觉、听觉、本体感觉等感知环境，并在与环境持续交互的过程中进行理解、推理、规划、行动和学习。

        这种“身体”既可以是真实机器人、机械臂、无人机、自动驾驶车辆，也可以是仿真环境或虚拟世界中的智能体。具身智能的重要目标之一，是让人工智能从单纯处理文本和图像，进一步发展为能够在物理或虚拟环境中完成实际任务的智能体。

        具身智能涉及VLM、VLN、VLA和世界模型等模型或研究方向；在系统实现上，又可以分为端到端架构和分层模块化架构。“VLX”则是一种尚未完全标准化的泛化命名。

        1.VLM（视觉语言大模型）   

        VLM让机器人“看懂并描述世界”，但通常不能独立完成精确的机器人控制。     

               V：视觉编码（看到画面）

              L：语言理解与生成（听懂指令、输出语义）

                VLM通常输入图像或视频与文本，完成：

• 图像描述；
• 视觉问答；
• 目标识别与定位；
• 场景理解；
• 空间关系推理；
• 任务分解。

        VLM的典型输出是文本、语义标签、边界框、坐标或其他结构化信息，但通常不会直接生成机器人底层控制指令。

        2.VLN（视觉语言导航）

                在VLM的基础上进行导航

• VLN 在 VLM 的感知理解之上，增加了空间推理 + 路径规划

• 输出是路径/移动动作，解决“去哪里、怎么走”

• 面向移动（无人机、轮式机器人），不涉及精细操作

        3.VLA（视觉 - 语言 - 动作模型（Vision-Language-Action Model））

                在VLM的基础上进行执行

                输入：视觉 + 语言指令（任务（模仿人的交流））

                输出：各个电机的扭矩或者转角

• 本质是端到端映射：感知 → 决策 → 动作一体

• 典型代表：RT-2、OpenVLA、π0、Helix

        4.VLX（视觉-语言-X模型—— 统一架构框架）       

        “VLX”目前不是像VLM、VLN、VLA那样具有统一定义的标准学术类别。它更像一种泛化写法：

X代表动作、导航、触觉、音频、状态、规划、控制等任意附加模态或输出。

        5.WM（世界模型）

                核心本质：让智能体在“脑子里”预演世界如何变化——给定当前观测和动作，预测未来状态（下一帧图像、下一状态、奖励等），相当于一个可学习的内部仿真器。    

• 输入：当前观测（图像/点云）+ 候选动作

• 输出：对未来的预测（未来帧、状态转移、奖励）

• 作用：让策略在“想象中”试错，减少真实交互成本

• 定位：不直接控制电机，而是为 VLA/规划器提供预演与推理能力

• 典型代表：Dreamer、Sora 类视频生成模型、Genie、V-JEPA

        6.  端到端--技术实现范式              

                核心本质：从输入到输出的直接映射，无需中间转换环节。

• 端到端是实现范式，不是模型

• VLA、VLX 都可以用端到端实现；VLM、VLN 也常是端到端训练的

• 与之对立的是分层架构（感知→规划→控制分开）

端到端通常指：

传感器输入→神经网络→机器人动作

它并不意味着“完全没有中间过程”，而是指这些中间表征通常不需要人工逐个设计和分别监督，整个映射可以通过统一目标进行联合优化。

与端到端相对的是模块化或分层系统：

视觉感知 → 场景理解 → 任务规划 → 运动规划 → 控制执行

总结

VLM让机器人理解“看到了什么” 
VLN让机器人理解“应该去哪里” 
VLA让机器人决定“下一步怎么行动” 
世界模型：预演后果
端到端：一种实现方式（贯穿以上）