1. 什么是具身智能，它和普通大模型有什么不同？
1. 具身智能强调"智能体拥有身体、能感知并改变物理世界"。
2. 普通大模型处理文本/图像，具身智能还要输出动作并观察后果。
3. 它的闭环是：感知→决策→动作→环境反馈→再决策，而非只答问题。
4. 训练信号来自与环境交互，而不只是静态语料。
5. 它要理解三维空间、物理约束和因果关系，难度更高。
6. 目标是让机器人真正完成"收拾桌子""叠衣服"这类真实任务。
7. 可看作把 LLM 的"认知能力"接到"身体执行"上的一次跃迁。

2. 什么是 VLA（Vision-Language-Action）模型？
1. VLA 是在视觉、语言基础上，额外输出机器人动作的大模型。
2. 输入通常是摄像头画面 + 语言指令，输出是关节/末端动作序列。
3. 它把"看懂"和"会做"统一到一个模型里，端到端地干活。
4. Google RT 系列、OpenVLA 等是代表，正在快速迭代。
5. 相比传统"感知模块+规划器+控制器"三段式，VLA 更简洁。
6. 优势是泛化：没见过的物体，靠语言描述也能尝试操作。
7. 挑战是动作空间连续、安全要求高，不能像聊天那样随便试。

3. 世界模型（World Model）在具身智能里起什么作用？
1. 世界模型让智能体在脑内"想象"行动后的结果，不必真去试。
2. 它能预测下一帧画面或状态，用于规划和避险。
3. 在机器人里，先做内部推演再执行，能省真实试错成本。
4. 类似人类下棋前在脑子里算几步，而不是直接乱动。
5. 它也是强化学习里的重要组件，提供可微的环境模拟。
6. 纯基于视频生成的世界模型容易"想得美但做不到"，要落地校验。
7. 当前趋势是把世界模型作为规划器，VLA 作为执行器配合用。

4. 具身智能的数据从哪来？
1. 真实机器人遥操作采集：人戴设备手把手教，质量高但贵。
2. 仿真器批量生成：在虚拟环境里跑海量任务，便宜且安全。
3. 人类视频学习：看人怎么干活，迁移到机器人动作空间。
4. 网络图文/视频做预训练，先建立通用视觉语言基础。
5. 多模态自监督：让模型从海量无标注视频里学物理常识。
6. 难点是仿真到现实的差距（Sim2Real），虚拟数据要够真。
7. 数据瓶颈是行业核心矛盾：真实少、仿真假、视频难对齐。

5. 什么是 Sim2Real，怎么缓解仿真到现实的差距？
1. Sim2Real 指把仿真里训练的策略迁移到真实机器人的过程。
2. 差距来自材质、光照、动力学、传感器噪声等都在仿真里被简化。
3. 域随机化：训练时随机扰动物理参数，逼模型学鲁棒特征。
4. 域适配：用少量真实数据微调，把仿真分布拉向现实。
5. 高保真仿真：用更真实的渲染和物理引擎缩小先天差距。
6. 实物微调：最后在真实机器上做少量校正，补足残余偏差。
7. 目标不是零差距，而是让策略对差距"不敏感"就够用。

6. 具身智能为什么比纯软件 AI 难落地？
1. 真实世界长尾极多：光线、遮挡、异物，任何意外都可能失败。
2. 动作一旦执行不可逆，安全要求远高于聊天/绘图。
3. 硬件成本和数据采集成本都高，迭代速度慢。
4. 延迟要求严：感知到动作要在几百毫秒内完成才像"实时"。
5. 评价指标难统一，一个任务成功与否边界模糊。
6. 法规和责任归属不清，出错谁负责是现实问题。
7. 所以它先在工厂、仓库等受控场景落地，再谈开放家庭。

7. 强化学习在具身智能里怎么用？
1. 在仿真里用 RL 让机器人通过奖励学会走路、抓放等技能。
2. 奖励设计是关键：奖励太松学不会，太严容易钻空子。
3. 常用 RLHF 的具身版：人给动作片段打分来引导策略。
4. 模仿学习先打底，RL 再精修，比纯 RL 从零学快得多。
5. 现实里常做"仿真 RL + 真实微调"，控制真实试错成本。
6. 分布式 RL 能并行采样，加速技能习得。
7. 风险是 RL 容易过拟合仿真特性，迁移时要小心。

8. 具身智能的"感知-规划-执行"怎么分工？
1. 感知：从摄像头/激光雷达提取物体、位姿、场景语义。
2. 规划：根据指令和当前状态，决定先做什么、怎么走。
3. 执行：把计划转成关节力矩或移动指令，真正动起来。
4. 传统做法是三模块串联，清晰但衔接处易出错。
5. VLA 倾向端到端，弱化显式规划，靠大模型直接出动作。
6. 混合架构更稳：大模型做高层意图，传统控制器保底层安全。
7. 安全层通常独立于 AI，硬限幅和急停永远最后兜底。

9. 多模态大模型对具身智能有什么帮助？
1. 视觉语言模型提供通用的"看懂世界"能力，是具身的基础。
2. 它让机器人能听懂"把红色那个拿给我"这种自然指令。
3. 图文预训练学到的语义，可迁移到物体识别和抓取点判断。
4. 多模态对齐让"语言描述"和"视觉物体"能在同一空间对应。
5. 它也是零样本泛化的来源：没训练过的物体靠描述也能认。
6. 当前做法是把多模态大模型当"大脑"，动作头当"手脚"。
7. 限制是它不懂物理因果，仍要专门训练动作部分。

10. 具身智能目前主要在哪些场景落地？
1. 工业仓储：分拣、搬运、上下料，场景受控、回报明确。
2. 实验室/无人工厂：重复性操作，替代人工三班倒。
3. 家庭服务：扫地、收纳仍在早期，长尾太多难做全。
4. 医疗手术辅助：高精度但监管严，进展慢而稳。
5. 自动驾驶可视为"轮式具身"，已有大规模落地。
6. 农业、巡检等开放但低频场景，逐步试点。
7. 规律是：越受控、越高频、越可标准化的场景越先赚钱。

11. 入门具身智能该关注哪些技术栈？
1. 仿真平台：Isaac Sim、MuJoCo、SAPIEN 等要至少会一个。
2. 机器人学基础：运动学、动力学、控制，不懂动作就悬空。
3. 深度学习框架和 VLA 开源模型（如 OpenVLA）动手跑通。
4. 强化学习库：RLlib、Stable-Baselines 等做策略训练。
5. 多模态模型：CLIP、视觉语言模型是感知底座。
6. 数据集：看 Open X-Embodiment 这类大规模机器人数据集。
7. 真机部署常识：延迟、安全限位、急停，比论文更现实。

包含的内容比较多，这里只做了简单的截图介绍，需要拿来学习的小伙伴查看下方图片！

长按识别二维码，添加微信好友

获取完整版面试题合集，注明 「面试」 通过好友申请