具身智能

1. 具身智能和纯软件 Agent 的本质区别？
1. 纯软件 Agent 活在数字世界，动作是调用接口；具身智能有物理身体，动作是实实在在改变物理世界的机械行为。
2. 物理世界的三座大山，实时性要求毫秒级、物理不可逆摔了就是摔了、传感噪声永远存在，软件 Agent 都不用面对。
3. 观察方式不同，软件 Agent 拿到的是结构化数据，机器人拿到的是相机图像、力矩读数、关节角度，原始且嘈杂。
4. 动作的后果评估不同，软件出错可以回滚，物理动作没法撤销，安全设计权重完全不同。
5. 学习成本不同，软件 Agent 试错几乎免费，物理试错烧设备伤人伤己，数据因此极其昂贵。
6. 面试加分点：一句话总结，具身智能是智能体技术和机器人学、控制理论的交叉学科，两边的硬约束都得接。
7. 常见误区是把大模型接上机械臂就叫具身智能，从感知到动作的整条物理链路才是它的核心难度。

2. VLA 模型是什么，怎么工作？
1. VLA 是视觉语言动作模型的缩写，一个模型吃进图像和语言指令，直接输出机器人动作，是具身智能的当前主流范式。
2. 架构上通常三段式，视觉编码器理解场景，语言模型负责理解和推理，动作解码器输出连续的控制信号。
3. VLA 的意义是端到端，传统机器人是感知、规划、控制三套系统拼接，VLA 让大模型统一接管，泛化能力跃升。
4. 动作输出的表示是关键设计，离散 token 化、连续扩散生成、流匹配，各条路线在精度和速度上取舍。
5. 推理速度是硬门槛，控制回路要几十赫兹的响应，大模型的推理延迟必须压到实时，各种加速手段都用上。
6. VLA 的泛化来自视觉语言的预训练底座，看过的网络级图像知识迁移到机器人场景，这是它强于传统策略的地方。
7. 面试加分点：能对比 VLA 和传统机器人学习的关系，VLA 不是取代传统控制，而是接管高层决策，底层安全控制仍然要硬实时模块兜底。

3. 具身智能的数据从哪来，为什么稀缺？
1. 遥操作采集是主力，人类操作员遥控真机器人执行任务，记录全部传感和动作数据，质量高但贵得离谱。
2. 采集成本的具体量级，遥操作一小时数据要几十到几百美元，而且换一台机器人、换一个场景就要重采。
3. 仿真合成是补充，物理仿真里大规模生成轨迹，便宜量大，但 sim2real 的现实差距让迁移打折。
4. 视频学习是新兴路线，从互联网的人类操作视频里学动作先验，信息量大但缺动作标注，只能当先验不能当训练集。
5. 数据规模量级对比，语言模型吃的是万亿 token，机器人领域最大的数据集也就百万级轨迹，差了好几个数量级。
6. 数据标准化是行业难题，不同机器人的本体、传感器、动作空间各异，数据难共享，行业在推统一格式。
7. 面试加分点：数据稀缺是具身智能的头号瓶颈，谁能用更少的真实数据训出更强的泛化，谁就领先，这是当前竞争的主战场。

4. Sim2Real 的鸿沟指什么，怎么弥合？
1. Sim2Real 指仿真里训练的策略搬到真实机器人上水土不服，仿真再真也不是现实，物理差异、传感噪声、材质摩擦全是偏差源。
2. 视觉鸿沟最直观，仿真渲染的图像和真实相机画面差一大截，策略认不出真实世界。
3. 物理鸿沟更隐蔽，仿真的摩擦、弹性、动力学参数是近似值，真机上同一个动作力度就是不对。
4. 弥合手段一是域随机化，训练时故意把仿真参数大范围随机，让策略学会对各种物理特性都鲁棒。
5. 弥合手段二是真机数据微调，仿真预训练打底，少量真实数据校准，是当前性价比最高的组合。
6. 弥合手段三是真值迁移，真实世界做系统辨识把仿真参数校准，仿真越真迁移越顺。
7. 面试加分点：能给出判断，仿真不能完全替代真机，但好仿真把真机数据需求压缩一个量级，这就是它的价值定位。

5. 具身任务的动作表示有哪些路线？
1. 关节空间表示直接输出各关节的角度速度，精确但抽象，模型学起来难，通用性差。
2. 末端位姿表示控制夹爪的空间位置姿态，语义更直观，适合抓放类任务，是最常用的中抽象层。
3. 动作块表示一次输出未来一段时间的动作序列，降低决策频率，缓解推理延迟，是 VLA 的常用技巧。
4. 扩散式动作生成，把动作序列当生成任务，多模态分布表达能力强，同一指令可以有不同合理动作。
5. 语言化动作表示用高层技能指令，抓取、放置、开门，由底层技能库执行，分层结构 stability 高但灵活性低。
6. 各条路线的选择取决于任务精度要求和推理预算，精密装配要低层表示，家庭服务用高层技能就够。
7. 面试加分点：动作表示是感知和控制的桥梁，抽象层级的选择决定了模型要学多少、控制要保多少，是具身系统设计的核心决策。

6. 大模型在具身系统里扮演什么角色？
1. 角色一是任务理解和中枢规划，把自然语言指令翻译成任务分解和步骤序列，这是大模型的天然主场。
2. 角色二是开放词汇感知，识别和定位训练里没见过的物体，传统的封闭类别检测器给不了这种泛化。
3. 角色三是 VLA 端到端的动作生成，感知语言进动作出，大模型一杆到底。
4. 角色四是失败解释和恢复规划，任务失败后分析原因重新规划，这种推理能力传统控制栈没有。
5. 分层架构是现实主流，大模型管高层认知决策，传统控制管底层实时安全，各守各的边界。
6. 实时性约束要清醒，控制回路几十到几百赫兹，大模型推理跟不上，底层永远需要硬实时的传统模块。
7. 面试加分点：能讲清大脑加小脑的架构比喻，大模型是慢思考的大脑，传统控制是快反射的小脑，两者缺一不可。

7. 具身智能的评测怎么做？
1. 评测的颗粒度是任务成功率，抓取、叠衣服、整理桌面，每个任务定义完成标准，真机实测计成功率。
2. 泛化性评测是重点，换物体、换位置、换光照、换机器人本体，各维度单独扰动测泛化边界。
3. 标准基准在建设期，模拟环境基准如 LIBERO、真机基准在推进，但行业还缺公认的金标准。
4. 鲁棒性评测贴实际，传感器噪声、物体遮挡、人为干扰，真实世界的脏环境能不能扛住。
5. 安全指标必须单列，碰撞次数、异常行为的频率、失控案例，安全不过关能力再强也不能部署。
6. 效率和成本指标，完成任务的时间、能耗、干预次数，面向商用的评测绕不开这些。
7. 面试加分点：能指出评测的最大坑是环境和任务定制的失真，实验室里摆好的场景分数，和真实家庭办公室的表现差距巨大。

8. 安全冗余在机器人上怎么设计？
1. 硬件层冗余是底线，急停按钮、力矩限制、碰撞检测，物理层面的保护不依赖任何软件智能。
2. 软件分层防护，AI 决策层外面套行为监控层，越界的动作指令被拦截或修正。
3. 动作空间约束，速度上限、力上限、工作空间边界，在控制层硬编码，AI 再聪明也越不过物理围栏。
4. 人机共处的特别设计，人体检测保护区、柔性碰撞响应、降速模式，人在场时的行为策略整体收紧。
5. 失败安全原则，任何感知丢失、通信中断、模型异常，系统进入安全停止状态，而不是继续盲动。
6. 部署前的安全认证流程，场景风险评估、故障注入测试、长期观察期，层层放行。
7. 面试加分点：能说出安全设计的哲学转变，传统机器人的安全是隔离，具身智能的安全是共处，约束条件完全不同。

9. 当前具身智能的真实能力边界？
1. 结构化任务已经能打，抓取分拣、简单装配在特定场景成功率可观，工业落地在真实发生。
2. 长尾泛化还是短板，换一种没见过的杯子可能就抓不好，训练分布外的物体和场景依然是雷区。
3. 长时序任务能力弱，几十步的家庭任务成功率骤降，错误累积和状态跟踪都是未解难题。
4. 灵巧操作是硬骨头，系鞋带、叠软衣服这类高自由度接触任务，所有实验室都在攻关。
5. 速度和成本离实用有距离，任务执行慢于人类、硬件成本高企，商用经济账还难算平。
6. 演示视频和真实产品之间有巨大差距，看视频的惊艳程度要打对折理解，成功率数字才是硬通货。
7. 面试加分点：能给出现实主义的判断框架，结构化高频场景先落地，开放场景还需要数据和硬件的几年积累。

10. 落地场景怎么选，先从哪里突破？
1. 工业场景是公认的第一站，结构化环境、重复任务、容错有兜底、ROI 可计算，仓储分拣、产线上下料先行。
2. 商业服务场景第二梯队，酒店配送、餐饮传菜，路径相对固定，社会接受度在培养。
3. 家庭场景是终局但不是起点，环境最开放、安全要求最高、成本最敏感，还需要多年打磨。
4. 危险作业是价值高地，巡检、排爆、核电维护，人不适合去的场景，机器人的价值天花板最高。
5. 场景选择的判断框架，任务结构化程度、错误代价、付费意愿三个维度打分，高分场景先进。
6. 落地形态可以是渐进的，先辅助后自主，人机协作过渡到局部无人，风险和信任同步建立。
7. 面试加分点：能结合具体行业的真实痛点讲落地路径，而不是空谈人形机器人的宏大叙事。

11. 具身智能的长期路线怎么看？
1. 短期一到三年，工业和商业结构化场景规模化，VLA 模型在特定域达到可用的可靠性，数据采集基础设施成型。
2. 中期三到五年，跨任务泛化能力突破，一台机器人多技能，数据标准统一后行业数据飞轮转起来。
3. 长期五到十年，开放环境的通用助手初现雏形，成本下探到家庭可接受区间。
4. 关键变量一是数据瓶颈的解法，遥操作规模化的速度、仿真迁移的保真度、视频学习的突破，决定整体节奏。
5. 关键变量二是硬件的成本曲线，执行器、灵巧手、传感器的量产成熟度，和模型进展同等重要。
6. 关键变量三是安全法规的成熟，机器人进入人类生活空间需要监管框架，这往往是滞后的那块板。
7. 面试收尾观点：具身智能是 AI 从比特世界走向原子世界的最后一跃，它的难度被普遍低估了几个量级，但方向没有任何悬念，耐心和长期主义是这个领域的入场券。

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！

📚 大模型面试题系列 · 持续更新

INTRO_REMOVED

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