一、具身智能：定义与三层架构具身智能（Embodied Intelligence）指智能体通过与物理环境实时交互来感知、推理和行动的能力，区别于纯数字世界的"离身智能"。其核心三层架构：感知层（VLM）——视觉-语言模型（如GPT-4V/InternVL2）将RGB/RGB-D/触觉等多模态输入转化为语义表征，实现开放词汇物体识别与场景理解；规划层（LLM）——大语言模型将高层任务指令（"把蓝色杯子放到红色盘子上"）分解为原子技能序列，利用思维链（CoT）和反思机制处理长程任务中的异常恢复；执行层（RL Policy）——基于强化学习或模仿学习的底层运动策略将技能原子映射为关节空间轨迹，闭环频率通常在20~50Hz，保证实时响应与接触安全。
二、视觉-语言-动作（VLA）模型| 模型 | 架构 | 训练数据 | 泛化能力 | 关键创新 | | RT-2 (Google DeepMind) | PaLI-X + PaLM-E 联合微调 | Web+Robot数据 13B tokens | 未见物体成功率62% | Web知识迁移到机器人动作 | | Octo (UC Berkeley) | Transformer多任务扩散策略 | Open X-Embodiment 100万条 | 跨机器人零样本 | 统一接口，社区可微调 | | π0 (Physical Intelligence) | 流匹配+多模态Transformer | 7种机器人的多样化数据 | 叠衣/整理等精细操作 | 异构数据的统一动作表示 |
三、Sim-to-Real迁移关键技术仿真中训练的策略部署到真实机器人面临"现实鸿沟"：域随机化（Domain Randomization）在训练中随机化物理参数（摩擦0.2~1.5、质量±20%、关节阻尼、视觉纹理/光照/相机位姿），迫使策略学习对本体感觉和视觉变化鲁棒的特征，典型配置需并行2000+个仿真环境；系统辨识在真实环境中采集少量轨迹数据，用贝叶斯优化或梯度法拟合仿真参数以缩小偏差，可将域随机化范围收窄50%~80%；零样本迁移利用域不变特征学习（如对比学习拉近仿真-真实嵌入向量距离）或渐进网络（Progressive Networks），实现一次训练直接部署无需真实数据微调，在Cube Stacking等任务中成功率已达85%+。
四、数据瓶颈与突破路径具身智能面临严重的数据饥渴——相比互联网文本/图像的万亿级数据，真实机器人操作数据仅百万级别。遥操作采集：操作员通过主端设备（Omega/Geomagic力反馈手控器）远程操控从端机器人执行任务，每小时可采集10~20段高质量演示轨迹；Mobile ALOHA（斯坦福）将四台低成本臂（约$32K总成本）与移动基座结合，通过领导-跟随模式（操作员操控领导臂，跟随臂同步复现）实现50次演示即可学会炒菜/叠衣等复杂任务，成功率>80%；AutoRT（Google）利用VLM自主生成任务描述、评价安全性并调度多机器人并行执行，单个园区日采集轨迹超10000条，标志着从小作坊采集走向工业化量产。
五、代表性平台最新进展| 平台 | 自由度 | AI能力 | 2025-2026亮点 | | Figure 02 | 双臂14DOF+灵巧手 | OpenAI o1+自研VLA | 宝马工厂零件分拣部署 | | 智元灵犀X2 | 双臂12DOF+五指手 | GO-1通用操作大模型 | 叠衣/插花/倒水多技能 | | 银河通用G1 | 全向底座+单臂6DOF | 视觉闭环操作策略 | 商超零售/无人药店试点 |
六、泛化评估与未来趋势标准化基准测试推动具身智能可量化对比：BEHAVIOR-1K（Stanford）包含1000项家庭任务（清扫/备餐/维修），评估长程任务的规划成功率；LIBERO（UT Austin）覆盖130种操作任务的VLA泛化测试，RT-2-X的5任务微调→全任务迁移准确率约45%。展望2025-2026：世界模型（如Sora/Genie）通过视频生成预测动作后果，可大幅降低真实交互试错成本；合成数据利用世界模型+物理仿真批量生成高质量操作数据，有望突破数据瓶颈；具身基础模型——在10万机器人·万种任务规模数据上训练统一的Embodied Foundation Model，实现跨形态/跨任务的通用自主操作，这将是AGI通往物理世界的最后一公里。
——全文约1200字 |
