关于具身智能：我们离真正理解物理世界还有多远？

我在一家公司的具身智能部门待了不到三个月。虽然入行不久，但参与真实项目之后，我越来越强烈地意识到：具身智能距离稳定交付还有很远。我们公司规模不大，原本从事安防业务，后来希望开拓新的增长方向，于是成立了具身智能部门。公司接到了包裹分拣项目，但整个团队只有二十多人，真正负责落地工作的，主要是我和另一位同事。这段经历不一定能够代表整个行业，却让我看见了具身智能从演示走向交付时，必须面对的真实问题。

人类眼中的简单任务，对机器人并不简单

我们的项目是让机器人在包裹分拣企业中工作。对人来说，任务非常直接：把快递放上传送带，再将纸箱和袋装包裹分别放到不同区域。但对机器人来说，它需要解决一连串问题：

自己在哪里？
包裹在哪里？
包裹属于什么类别？
应该抓取哪个位置？
使用夹爪、吸盘还是其他工具？
多个包裹互相遮挡时，先处理哪一个？
包裹移动后，原来的定位结果是否仍然有效？
抓取失败后，应该重试、换抓取点还是请求人工介入？这些问题无法简单地用一句“多训练一些数据”概括。机器人面对的不是静态图像，而是一个持续变化的物理世界。感知误差、坐标标定、相机时延、机械臂精度、物体变形、遮挡、摩擦和末端负载，都会影响最终结果。一个模型能识别出“这是袋装包裹”，不代表机器人就能把它稳定抓起来。

大模型进入具身，首先还是在做它擅长的事

大语言模型最擅长的是语义理解、常识推理和任务分解。它可以理解“把房间收拾一下”这样的模糊指令，也可以把复杂任务分解成多个步骤。进入机器人系统以后，它可以负责：

理解用户目标；
识别当前任务；
分解执行步骤；
选择已有技能；
根据反馈判断任务是否完成；
在失败后决定重试、换方案或寻求帮助。但这不意味着大模型适合直接控制电机。一个相对合理的机器人系统，可能包含以下层级：

任务理解与规划
大模型理解“要做什么”
        ↓
技能选择与动作生成
VLA、模仿学习或RL决定“这一小段怎么做”
        ↓
运动规划与安全约束
IK、轨迹规划、碰撞检测、速度和力矩限制
        ↓
底层执行
伺服控制器控制电机，并读取编码器与传感器反馈

大模型可以提出动作，但工业控制系统必须拥有审核权和否决权。如果模型输出了不可达的 TCP 位姿、危险的关节目标或者可能碰撞的轨迹，控制系统应该拒绝、裁剪或重新规划，而不是直接执行。因此，所谓“大模型控制机器人”，更准确的表述应该是：

大模型在受约束的动作空间中进行决策和技能调度，传统控制系统负责可靠、安全地完成动作。

VLA 不等于直接控制电机

VLA，即 Vision-Language-Action Model，通常接收视觉信息、语言指令以及机器人状态，然后输出某种形式的动作。但 VLA 并没有一种固定结构，它可能输出：

关节角或关节增量；
TCP 目标位姿；
末端位姿增量；
夹爪开合状态；
一段短时间的动作序列；
对已有机器人技能的调用。如果模型输出 TCP 目标，就需要通过逆运动学和运动规划转化为关节轨迹；如果模型输出关节目标，后续仍然需要插值、限速、碰撞检查和伺服控制。因此，VLA 不一定要取代传统控制。它可以只负责传统工程最难处理的部分，例如：
在复杂视觉环境中选择抓取目标；
根据物体形状生成抓取策略；
在物体变形或遮挡时调整动作；
在抓取失败后选择新的恢复方案；
将自然语言目标转化为机器人技能。而传统控制、模仿学习和强化学习，也不必与 VLA 互相排斥。一种更现实的组合可能是：
大模型理解任务并进行高层规划；
VLA 或模仿学习生成短时动作；
强化学习优化接触、步态或局部控制策略；
传统运动规划保证轨迹可达；
视觉伺服、力控和阻抗控制完成精确操作；
安全控制器始终负责限位、碰撞和急停。具身智能的未来，未必是一个模型包办全部工作，而可能是多种方法组成的分层系统。

工业问题不能全部归结为“训练”

在真实项目中，我遇到过一个非常典型的问题。客户提出：机器人底座移动以后，原有标定可能产生误差，系统应当如何保证重定位精度？有人给出的答案是：“多标定几次就可以了。” 但重复标定只能在一定程度上降低随机误差，无法自动消除机械安装变化、相机漂移、时间同步误差、末端负载、坐标转换误差和标定模型偏差。客户继续询问系统能否达到 0.1 毫米精度，这时更不应该轻易承诺。机械臂的重复定位精度，不等于整个机器人系统的绝对定位精度。一个完整系统的误差来自：

机械臂本体；
移动底盘重定位；
相机内外参；
手眼标定；
目标检测与深度估计；
末端工具偏差；
机械刚度和背隙；
网络与传感器时延；
被操作物体自身的形变。这些问题不能靠一个更大的模型自动消失。模型负责处理不确定性，工程系统负责建立确定性。二者缺一不可。

工业是否真的需要具身智能？

我曾经怀疑具身智能能否在工业场景中落地。如果工件、位置、流程和环境都高度固定，那么 PLC、机械臂、夹具、传统视觉和状态机往往已经足够。与其训练一个通用模型，不如重新设计工位、改善夹具和送料机构。从这个角度看，很多所谓的具身项目，实际上是在使用昂贵的智能技术，绕开本来可以通过工程改造解决的问题。但这并不意味着工业完全不需要具身智能。工业内部也存在大量难以为单个任务设计专机的长尾工作：

物料种类经常变化；
工位不能完全标准化；
人与机器人共享空间；
任务批次小、变化快；
需要处理遮挡、变形和异常；
单个任务的自动化改造成本过高。这些任务介于传统工业自动化和开放家庭环境之间，可能正是具身智能较早产生价值的区域。所以更准确的判断不是“具身智能不能进入工业”，而是：

高度结构化的工业任务不需要通用具身智能；只有当规则开始爆炸、环境无法完全改造时，具身智能的价值才会出现。

具身智能真正适合的，是难以穷举的任务

相比固定工业任务，家政、养老和服务场景更能体现具身智能的独特价值。例如“把客厅收拾一下”，机器人需要理解：

什么状态叫作“乱”；
哪些物品应该放在哪里；
哪些东西可以丢弃；
杯子里是否还有液体；
衣服是干净的还是待洗的；
某件物品是否属于用户的重要私人物品；
遇到无法判断的情况是否应该询问用户。这些任务无法通过一个有限状态机完整枚举。机器人需要融合视觉、深度、触觉、力矩、声音和自身状态，并根据语义理解进行决策。这正是大模型可能发挥作用的地方。但这里也存在一个矛盾：

越需要通用智能的环境，状态空间越开放；状态空间越开放，就越难保证可靠性、安全性和可验收性。工业任务可以规定成功率、节拍、定位误差和停机时间，但“把房间收拾干净”很难定义统一标准。家庭场景还包含儿童、宠物、易碎品、药物和隐私信息。一次错误可能不只是任务失败，还可能造成财产损失或人身伤害。所以，家政可能是具身智能最有价值的终点，却未必是最容易商业化的起点。更可能的发展路线是：

结构化工业任务
        ↓
半结构化仓储、酒店、医院和商超
        ↓
受限制的家庭技能
        ↓
开放环境中的通用家庭助理

数据标准重要，但不是等待落地的前置条件

当前机器人数据确实非常混乱。不同数据集中的任务长度、采样频率、动作空间、机器人本体和传感器配置都可能不同。有的数据记录关节角，有的记录末端位姿，有的包含力矩，有的只有图像和动作。但“存在差异”不等于“数据不可用”。这里需要区分三类情况：

有意义的多样性：机器人、环境和任务本来就不同；
可以归一化的差异：坐标系、单位、频率和时间戳；
真正的数据污染：丢帧、不同步、动作定义缺失和失败标签错误。具身智能不需要等待全行业制定出唯一的数据采集方式以后再落地，但它需要明确的数据规范：
统一时间同步方式；
记录传感器和机器人外参；
明确定义动作空间；
保留成功、失败和人工干预数据；
标记环境和本体信息；
建立可以复现的评测协议。所谓泛化，也不是把每个场景随意改变一次。真实场景的组合近乎无限，不可能穷举。更有效的方式是识别关键变化因素，例如光照、遮挡、材质、速度、物体姿态和相机扰动，并有控制地覆盖这些变化。

世界模型真的有意义吗？

我认为世界模型有意义，但这个概念正在被过度包装。真正的世界模型，不只是生成一段看起来合理的视频，而应该回答：

在当前状态下，如果机器人执行某个动作，接下来会发生什么？它需要建立动作和结果之间的联系。例如机器人准备拉开抽屉时，世界模型应该能够预测：

抽屉会沿什么方向移动；
夹爪是否可能滑脱；
抽屉是否可能被锁住；
运动过程中是否会碰撞；
打开以后会暴露出哪些新物体。语义模型告诉机器人“这是一个抽屉”，世界模型告诉机器人“拉动它以后，世界会怎样变化”。世界模型可以帮助机器人：
在执行前推演不同方案；
预测失败；
选择风险更小的动作；
补全被遮挡的环境状态；
在仿真或想象中生成训练经验；
判断实际执行是否偏离预期。但能够生成逼真视频，不代表模型真正掌握了物理规律。视频生成允许位置偏差、接触错误和细节漂移；机器人操作却可能因为几毫米误差而彻底失败。视觉上合理，不等于动力学正确，更不等于可以控制。因此，我不认为世界模型一定要模拟一个完整、高清、长期稳定的世界。真正有工程价值的世界模型可能非常局部：
预测抓取后是否会滑落；
预测推动物体后的运动方向；
判断轨迹是否可能碰撞；
估计夹爪是否已经夹稳；
预测未来一两秒内的接触状态；
判断当前动作是否正在走向失败。相比生成整个世界，这种短时、局部、能够接受真实传感器纠偏的模型，可能更接近机器人真正需要的能力。

AI 接下来需要学习的，是如何理解并作用于世界

讨论到最后，具身智能的核心问题可以概括为：

如何让 AI 不仅能够识别和描述世界，还能理解世界的状态、规律，以及自身行为将造成什么结果。这个问题可以继续拆分：

感知：现在有什么？
空间：它们在哪里？
状态：它们正在发生什么？
因果：执行某个动作会产生什么结果？
行动：为了目标应该怎么做？
反馈：实际结果是否符合预测？
学习：预测错误以后如何修正？

现阶段的大模型在感知、描述和语义理解上已经表现出很强的能力，但在空间一致性、物理因果、实时行动、长期反馈和持续学习上仍然不足。模型能够说出“玻璃杯掉到地上可能会碎”，不等于它能够判断杯子有没有被夹稳，也不等于它能在杯子滑落的一瞬间调整夹持力。所以，判断具身智能是否进步，不能只看它是否理解了更多概念，或者能否完成更漂亮的演示，而要看它能否形成完整闭环：

观察世界
→ 建立状态
→ 预测动作结果
→ 选择并执行动作
→ 检查实际反馈
→ 发现预测错误
→ 调整下一步行为

语言模型主要通过已有数据学习世界，而具身系统必须真正进入世界、作用于世界、承担行动的结果，并从这些结果中继续学习。

结语

我依然认为，具身智能距离稳定、通用和大规模交付还有很远。但现在看来，问题并不是“大模型完全不应该进入机器人”，也不是“VLA 在技术逻辑上没有未来”。真正的问题是，我们才刚刚开始把语义理解、三维感知、物理预测、动作生成、实时控制、安全约束和持续学习连接成一个完整系统。具身智能最不缺的是演示，最缺的是闭环。它需要的不只是一个能够描述世界的大模型，而是一个能够在行动前预测、在行动中纠偏、在失败后学习，并且知道自己什么时候不可靠的系统。只有到了那一步，我们讨论的才不再是“让 AI 控制一个机器人”，而是让 AI 真正开始理解它所处的世界。