能自己绕开奶茶杯的机器人：重新理解具身智能

那天我去长三角的一个产业园拜访旧同事。

刚进门就撞见个有意思的事。

一个分拣机器人正往货位走，保洁阿姨放的半杯奶茶忘了拿，就挡在路中间。

换做以前我见的传统AGV，早就停在原地嗷嗷叫报警，等着人来挪障碍物了。

这个不一样。

它慢悠悠减速，绕了个半弧从侧边过去了，走之前还伸出机械臂，把奶茶往路边拨了两厘米，怕挡着后面的机器。

这就是我最近接触最多的具身智能，不是PPT里吹得天花乱坠的概念，是真的站在你面前，能解决实际问题的东西。

原来绝大多数AI，都没有“身体”

我们平时聊的AI，不管是聊天的大模型还是画图的生成工具，都是“非具身”的。

它们住在服务器里，处理的都是预处理好的数字化信息。你让它写一篇拿外卖的攻略，它写得头头是道，你让它真的去你家楼下外卖柜拿一杯冰可乐，它做不到。

很早之前的机器人，本质就是带轮子的执行器，所有路径、所有动作都是提前编死的，环境变一点点，它就瞎了。

具身智能的不同，就是它把智能和身体绑在一起了。

智能不是存在云端等着调用的指令，是身体在和环境互动的过程中，自己练出来的。

就像我们人类学骑自行车，你不是靠脑子背平衡公式，是摔个十几次，你的皮肤、肌肉、眼睛一起配合，身体记住了那种平衡感，你就会了。

这个就是“具身”两个字的核心。

装个摄像头加个大模型，就是具身智能了？差远了

说实话，我最近看了好多创业项目的PPT，上来就说自己“大模型+具身机器人”改变世界，翻完之后发现，不就是给机械臂装了个能识别物体的摄像头吗？

哪有这么简单。

第一个难点，真实世界太乱了，根本没有标准。大模型训练用的图片，都是网上修好、打好标的干净数据。你去普通人家里看看，拖鞋扔在门口，一半被沙发挡住，灯光晚上是黄的白天是白的，阴天还暗得看不清，这种五花八门的数据，你上哪找那么多人工标注去？

具身智能得能自己在互动里学，今天碰到一个没见过的纸箱子，碰一碰，知道是轻的能推，下次碰到就知道怎么处理了，不用重新训一遍模型。

第二个难点，决策得实时做。你不能碰到障碍物了，再把图片传到云端，等半秒大模型给你回指令，早撞上去了。

具身智能很多决策得在机身的本地芯片做，也就是端侧推理，这个对功耗和算法的要求，比纯云端AI高太多了。

我之前参与过一个家用导盲机器人的小项目，最头疼的就是下雨天，路面的积水反光，旧算法会把反光当成坑，直接停在原地不敢走。换了具身学习的方案之后，机器人走两次，就知道这种反光的平面是积水，可以压过去，不用停。省了不知道多少事。

哪些真落地了？哪些是吹出来的

现在很多人一提具身智能，第一反应就是人形机器人，跑啊跳啊翻跟头，好像做不出来人形就是技术不行。其实完全是误区。

人形只是具身智能的一个载体，不是最终目的。对吧？你一个搬货的机器人，要两条腿干嘛？轮子比腿稳多了，还便宜，只要它能自己认路避障、调整动作，它就是合格的具身智能。

现在真正落地的项目，大多都在半封闭的特定场景里。工业这边最多，就是仓库里的搬运拣货，原来的AGV要改一次布局就得重新贴磁条重新建图，一个大仓库改一次得花好几天，耽误发货。现在带具身能力的机器人，你换了货位，掉了打包袋，它自己认，自己绕，运维成本降了不止一点。

家用这边也有小范围落地，就是最近新出的服务机器人，原来的扫地机器人碰到拖鞋、数据线就卡，现在带具身能力的，能识别，能绕，甚至能帮你把脏衣服叼到脏衣篮，把散落的垃圾扔到垃圾桶，这些都是普通人能接触到的具身智能应用。

不过话说回来，现在吹出来的泡沫也不少。有人说再过两年，具身机器人就能上门给你做饭洗衣，啥活都干，那还早得很。

现在的具身智能，它的智能是和自己的身体、所处的场景绑定长出来的，你让一个仓库搬货的机器人去家里收拾桌面，它根本不会，换个场景就不灵了。还有安全问题一直卡着，开放场景里人来人往，万一它判断错了撞到人怎么办？现在的方案还都是在半封闭场景里用，开放场景的安全冗余还做不到让人放心。

那天我在产业园门口买奶茶，送奶茶的就是个小型具身配送机器人，它自己绕开了乱跑的小朋友，稳稳停在我面前弹开舱门。我拿奶茶的时候就在想，我们说AI改变生活说了这么多年，AI一直都在手机里，在屏幕里，隔着一层玻璃和我们互动。

现在它终于长出了脚，长出了眼睛，一步步走到我们真实的物理世界里来了。它现在还很笨，会走错路，碰到完全没见过的东西还是会懵，但是你得承认，它已经和以前那个只会按指令走的铁疙瘩，完全不一样了。

说不定再过十几年，我们家里那个能帮你拿快递、能帮你收拾桌子的机器人，就是今天这台能绕开半杯奶茶的小家伙，一步步进化来的。