具身智能是让 AI 长出身体、在真实世界里动手干活的技术路线。它不只会聊天、写字、画图,还要靠摄像头、机械臂、轮子这些身体去感知环境、做出动作,并承担动作带来的真实后果。没有身体的模型再聪明,也只是在屏幕里想;具身智能要的是想完还能做,做错了能改。支撑它的技术底座包括多模态基础模型、视觉-语言-动作模型(VLA),还有世界模型。
它和普通机器人、纯软件智能体有什么不同
传统机器人大多按固定程序走:扫地机器人认路、机械臂按轨迹抓取,换个环境就容易失灵。纯软件智能体正好相反:能在网上查资料、写代码、订机票,却碰不到任何真实物体。具身智能站在中间:用大模型做认知,用身体做执行,感知、决策、行动形成闭环。打个比方,聊天模型是只动脑的参谋,传统机器人是只动手、不思考的工人,具身智能是既动脑又动手的学徒——会在真实交互里学。
2026 年,它热到什么程度
具身智能已经连续写进政府工作报告,“十五五”规划也给它定了调。清华与中国信通院 2026 年 10 月发布的《具身智能发展报告》显示:2026 年上半年国内相关融资约 935 亿元,是去年同期的约 5 倍;上半年全球人形机器人出货超过 2.2 万台;全国建成了 70 多家训练场,国内相关企业 405 家。热钱、政策、出货量三条线同时往上走,是它今年被反复提起的原因。
冷的一面:出货不等于上岗
热闹之下有三个现实要认清。第一,相当比例的设备月均开机不足 10 天,买回去多半在展厅和仓库里待着,真正进工厂、进家庭干活的还少。第二,整机价格只占全生命周期成本的四到六成,部署、维护、训练数据的账更大。第三,环境一变,模型表现就掉得厉害:受控桌面操作基准接近饱和,但在有扰动的真实环境里,性能普遍跌到 30% 以下。精细操作、长流程多步任务、开放语义交互,仍是短板。
所以看具身智能,别只看发布会上的演示。关键问题是:它能不能在没排练过的环境里,把一件事从头干到尾。能,才算真的懂世界;不能,就还停留在“会动”而不是“会干活”的阶段。