桌面
添加运营动脉到电脑桌面
安装后将用独立窗口打开,并可在电脑桌面快捷访问
足迹
浏览记录
加载中...
查看更多

具身智能是什么?101页白皮书讲透技术路线与产业格局

作者:悦悦 2026-11-20 22:06 1
广告

本文解读:《2026-中国人工智能系列白皮书:具身智能-101页》 · 共 102 页 · 原文

这份白皮书最值得读的一句话是:具身智能的算法正从VLA走向WAM,也就是从“模仿动作”转向“理解物理因果”。《中国人工智能系列白皮书——具身智能(2026版)》由中国人工智能学会编写,2026年4月发布,覆盖概念、关键技术、数据集与平台、行业应用、趋势五章。

VLA是视觉-语言-动作模型,它把看到的东西和听到的指令变成动作。WAM是世界-动作模型,它多干一件事:预测动作之后世界会变成什么样。

这个差别听起来抽象,落到数据上很具体。VLA只从动作标签学,WAM还能从“下一个状态是图像”这件事里学,报告的原话是数据利用更高效。

从模仿指令到理解因果,这一步跨过去之后,机器人才能在新场景里少翻车。

白皮书封面

图源:《-中国人工智能系列白皮书》(第1页)

报告内容页

图源:《-中国人工智能系列白皮书》(第3页)

一、什么叫具身智能,报告先给了定义

报告的定义是:智能体通过物理本体与外界环境的互动来实现智能,涵盖环境感知、记忆推理、对话交互、自主学习、决策规划、动作执行。

和静态的、离身的人工智能相比,它有四个特点:涉身性、情境性、主动性和交互性。说白了,智能不是坐在服务器里想出来的,是在身体和世界的往复中长出来的。

这个概念并不新。1950年图灵在《计算机器与智能》里就构想过一种能与环境动态交互、具备自我学习能力的智能实体。

1980年代,布鲁克斯等行为主义学者强调感知与动作的协同,用逻辑规则算法加机器人硬件实现特定功能。深度学习、强化学习兴起后,这条路才真正跑起来。

大模型是最近的加速器。特斯拉的Optimus用视觉-语言-动作模型加精确电机控制实现拟人交互;谷歌DeepMind的RT系列靠任务分解和语言指令转化提升精度。

英伟达则从底座切入,推出GR00T人形机器人基础模型、Jetson Thor计算机,并升级了Isaac平台。报告把这些都列为阶段性的标志。

第一章

图源:《-中国人工智能系列白皮书》(第6页)

二、天生是交叉学科,不止计算机

这个领域天生带着交叉学科的底色,源头能追到古希腊。亚里士多德在《论灵魂》里就讨论过心灵与身体的关系,认为心灵赋予生物感知、思考和运动的能力。

1980年代,认知科学家提出具身认知理论,认为认知不只是大脑内部活动,而是身体与环境交互耦合中产生的,这一条是具身智能的方法论起点。

神经科学的贡献是镜像神经元。研究发现大脑可以表征其他动物的行为,这解释了为什么群体交互能让智能体学得更快。

机器人学家反过来证明,智能行为可以通过智能体与环境的直接交互实现,不一定需要复杂的内部表征。这条思路直接影响了后来的行为主义路线。

复杂系统领域把智能体的行为看作状态随时间演化的动力系统,在信息最优化原则下自组织学习;强化学习视角又补了一条:环境越复杂,智能形态的进化越快。

五个视角拼在一起,才构成了这个领域的知识底座。判断一家公司的技术路线成色时,这些分野是分得出来的。

发展历史

图源:《-中国人工智能系列白皮书》(第7页)

三、手眼脑三件事,缺一件都不行

报告把关键技术概括成四大块:物体操作、环境感知、任务理解与决策推理。它们共同构成机器人的“手-眼-脑”。

具身操作是其中最核心的一环。传统机器人的操作局限于结构化环境下单一、重复的动作,具身智能追求的是在复杂、动态、非结构化场景里灵活精准地交互。

举个报告里的例子:家庭服务场景里,机器人要拿起不同形状、材质、重量的餐具,完成摆桌、收餐具,这要求精细的力量控制和灵巧的动作规划。

具身感知属于计算机视觉的一部分,但重点不同。它只关心与任务相关的信息——搬运货物时关注位置、形状、尺寸和障碍物,不需要看懂画面里的一切。

推理这一层最难。服务机器人执行“准备早餐”这种复杂指令时,要把它转化成取物、烹饪、摆盘一系列操作,还得根据实时环境调整计划。

三者的关系是互相咬合的:操作依赖感知提供的精准信息,推理为操作和感知提供目标与方向。任何一环掉链子,任务就完不成。

虚实结合

图源:《-中国人工智能系列白皮书》(第8页)

四、虚实之间的五条缝补线

报告用一节讲虚实结合。问题很现实:在真实世界采集专家示范动作,时间成本和技术要求都很高;而直接把虚拟环境训练的策略搬到真实世界,会撞上“仿真到现实鸿沟”。

弥合这条沟有五类做法。第一类是真实感强化,用3D高斯溅射这类表示方法构建数字孪生,把虚拟环境里的专家示范渲染成真实世界的样子。

第二类是人工实时干预。先在虚拟环境训练基本策略,部署到真实环境,出错时人实时纠正,用这些纠正数据训练残差策略,再和基本策略合成。

第三类是场景随机化,训练时随机化摩擦系数等参数让策略更鲁棒;第四类是系统识别,为真实环境建精确的动力学与渲染模型。

第四类是系统识别,为真实环境建精确的动力学与渲染模型。第五类是语言模型搭桥。图像的文本描述当作统一信号,先训练编码器,再训练多任务模仿策略。

关键技术

图源:《-中国人工智能系列白皮书》(第9页)

五、VLA三条路线,至今还没分出胜负

VLA是当下最热的技术路线。它把实时视觉感知、自然语言理解和动作控制三个模块融合,被视为新一代机器人智能中枢。

报告列了三条具体路径。第一条是VLM加动作模型,用视觉-语言大模型解析指令和画面,通过知识推理引导动作模型生成控制指令,典型应用是叠衣服、餐盒整理。

第二条是VGM加动作模型,用视频生成模型预测任务执行过程的视觉轨迹,再从视频表征逆推控制指令。这条路适合需要预判连续动作序列的复杂操作。

第三条是VLM加Latent加Action。为了用上异构数据,把互联网图文数据和机器人数据混合训练,通过预测隐式动作标记来弥合输入和执行之间的差距。

代表模型可以对着看。π0用互联网级数据训练VLM主干,通过跨构型预训练加单构型后训练,实现洗衣机取衣、餐盒折叠;清华大学RDT以动作模型为核心,完成双臂倒水、游戏手柄操控。

字节跳动的GR-2走VGM路线,用大规模人类视频预训练加小规模机器人数据后训练,实现可泛化的物品分拣;智元的ViLLA走第三条路线,在灵巧操作和长时任务上表现突出。

三条路线在2024到2025年间都取得突破,但报告写得很清楚:尚未形成统一范式,呈现多元化创新格局。这句话对判断技术投资很重要。

目录后半

图源:《-中国人工智能系列白皮书》(第5页)

六、WAM接棒,国内这条线跟得不慢

WAM多算的那一步,正是最近半年最值得关注的变化。变化发生在2026年,报告的说法是,把视频预测和动作预测融进同一个模型的世界动作模型(WAM),成了业界关注的新热点。

蚂蚁灵波科技的LingBot-VA也是WAM路线的代表,通过因果注意力设计实现推理加速,性能上得到和DreamZero类似的结论。

世界模型的真正价值,不是画得更像,是让机器人提前算清后果。

报告在趋势章节专门列了国内进展。北京大学联合北京人形机器人创新中心、香港科技大学发布了WoW世界模型。

WoW针对的是传统生成式模型的通病:只重视视觉逼真度,不理解底层物理规律。它构建物理规则约束下的交互式环境生成框架,把视觉真实度和物理因果准确性一起优化。

2026年3月,智元机器人发布动作序列驱动的具身世界模型框架EVAC,同时开源了全球首个具身世界模型专用评测基准EWMBench。

这套组合的价值在闭环。它针对真机验证成本高、仿真与现实存在域偏差这两个瓶颈,用世界模型扩增训练数据,仿真评测结果和真机实测具备高度一致性。

其他成果还包括清华大学联合研发的Ctrl-World、星海图发布的Fast-WAM、极佳视界推出的GigaWorld-1,报告称这些在世界模型的生成精度、物理遵循性、推理效率上达到国际领先水平。

把这些名字列出来的意义在于:世界模型这条线上,国内不是跟随者。但对读者来说,也要注意这些判断出自学会白皮书,属于技术盘点而非第三方横评。

第二章

图源:《-中国人工智能系列白皮书》(第10页)

七、数据与采集,成本刚被打下来

报告把具身数据分成三层,按获取成本从高到低、可规模化程度从低到高排列:真机数据、仿真数据、互联网视频数据。真机数据质量最高,但采集成本也最高,需要专门设备和场地。采集方式有四种:拖曳示教、自动收集、遥操作、手持夹爪。

遥操作是目前最流行的方式,包括从臂遥操、外骨骼遥操、3D鼠标遥操、VR遥操。但报告也指出,遥操代价高,操作者的技能和经验会直接影响数据质量。

手持夹爪是最近的方向,代表工作是斯坦福的UMI。报告给了一个很具体的成本数字:2025年下半年鹿明机器人的FastUMI Pro背包式采集设备,把单次采集成本降到0.6元以下,比传统遥操作低一个数量级。

数据集规模也在涨。Open X-Embodiment收录140万条轨迹、217种技能、311种场景;智元的AgiBot World有100万条轨迹、2976小时,是目前最大规模的真实世界机器人操作数据集。

合成数据也有突破。上海人工智能实验室与北京大学联合发布的InternData-A1,用超过63万条轨迹、7433小时数据证明:仅用合成数据预训练,就能媲美用真实数据集的最佳预训练模型。

采集成本从几元降到几毛,比任何一篇论文都更能说明这个行业在变快。

八、仿真平台,谁的并行能力更强

仿真平台这一层,报告对比了六家主流工具,维度包括底层引擎、并行能力和渲染速度。报告对比了六家主流仿真器,维度包括底层引擎、并行能力和渲染速度。这组数据对选型很有用。

Isaac Gym基于PhysX,并行能力极高,能跑1万到10万并行环境,渲染是中档基础渲染;Isaac Sim用PhysX 5,并行有限但支持RTX光追和PBR渲染。MuJoCo传统版是解析动力学引擎,CPU单核极快;MuJoCo 3.x 加了GPU加速和多线程。PyBullet基于Bullet,并行能力中等,优势在轻量和易用。

SAPIEN 3.0用深度定制的PhysX,支持光追和高质量相机;Genesis 1.2用统一求解器,并行超过3万,渲染走GPU张量化。

报告也点出了各家的短板。MuJoCo学习曲线陡、实时性能可能不足、图形质量相对简单;PyBullet在并行性能和高级功能上弱于专业模拟器;Genesis文档和教程不如成熟平台完善。

国内也有开源选择。智元机器人研发的Genie Sim是业内首个大语言模型驱动的开源具身仿真平台,融合三维重建与视觉生成,能分钟级生成万级训练场景。

这份报告的原文件,连同可对照的原始图表,都放在运营动脉(www.yydm.cn)上,随时能翻。

对着原文的图表再过一遍,比只看二手转述踏实,也不容易被断章取义的说法带偏。

九、安全隐患藏在每个环节

报告的安全章节写得比多数同类报告都细。它把风险拆成规划、导航、操作、交互四个环节,每个环节的风险来源也不一样。

规划环节的风险主要来自指令劫持。语音已经是很多具身智能体接收命令的主要方式,报告列了四种攻击方式。

隐藏语音指令攻击用对抗性语音技术,让攻击指令对人听起来像噪音,但机器能正确解析;超声波攻击利用人耳听不到的频段传信息,绕过语音控制的安全机制。

除了劫持,还有越狱和后门。越狱是通过精心构造的输入让任务规划器绕过安全约束;后门则分文本和视觉两种,文本模态埋触发词,视觉模态在环境里放特定物体。

导航环节看GPS和传感器。GPS干扰是高强度信号压制,GPS欺骗是伪造信号操控位置、速度和时间参数,两者都可能让设备偏离预定路线甚至闯入禁飞区。

视觉传感器会被对抗性噪声、对抗性补丁、激光照射、投影仪投放干扰;激光雷达可能被3D对抗物体、激光注入虚假点云攻击;超声波传感器可被遮挡或伪造回声。

一个语音指令、一张贴纸、一束激光,都可能让机器人做错事,安全的边界比想象中宽。

十、行业在试,2026年之后看四件事

行业应用这一章覆盖生活服务、工业、农业、交通、能源电力五个方向。每个方向的成熟度差异很大。工业是落地最稳的一块,因为场景结构化程度高、工艺流程标准化、环境扰动可预测。报告认为工业具身智能有望更早实现大范围落地。

但柔性制造带来两个新挑战:一是要在低精度产线上完成高精度工艺,比如汽车装配精度往往需要达到±0.05mm;二是要把通用技能和专门工艺统一,比如焊接机器人既会跟踪焊缝,又懂不同母材和坡口下的工艺参数。

农业的路径是自动驾驶加集群协作。约翰迪尔2025年推出的8R/9RX系列自动驾驶拖拉机,配16路立体视觉和英伟达芯片,实现360度感知、24米外避障、±2.5cm定位。

技术趋势这一层,报告给了四条主线:多模态闭环、动态环境预测、开放环境迁移和多智能体协作。这四条共同指向一件事:具身智能得走出实验室,进真实世界的长尾场景。

第一件事是数据范式的变化。2025年下半年,斯坦福的ARCap和DexCap把增强现实反馈与便携式动捕结合,实现低成本高保真采集。报告预计2026年自我中心数据将占到具身训练数据的60%以上。

第二件事是UMI这类通用操作接口。它用轻量化夹爪加便携视觉追踪,做到“一次采集、跨本体复用”,本质是把数据采集从特定机器人平台解耦,让数据第一次具备“通用货币”属性。

2026-中国人工智能系列白皮书:具身智能-101页
中国人工智能系列白皮书—-具身智能(2026 版)中国人工智能学会二〇二六年四月 主 任:戴琼海 执行主任:马华东 副 主 任:赵春江 何 友 王恩东 郑庆华 刘成林 周志华 孙富春 庄越挺 胡德文 杜军平 杨 强 委 员:陈松灿 董振江 付宜利 高新波 公茂果 古天龙 何 清 胡清华 黄河燕 季向阳 蒋田仔 林浩哲 梁吉业 刘奕群 潘 纲 石光明 孙茂松 孙长银 陶建华 王海峰 王熙照 王 轩 ...
102 页 3 次下载 12.17 MB
广告

声明:除非特别标注,否则均为本站原创文章,转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益,可联系本站删除。

确认删除?
会员
教程
联系
  • 站长微信
顶部