具身智能到底是什么？
“具身智能”听起来有点远，我们先用“拿起一个杯子”来理解。

可以先记住这个入门框架：让一个智能体借助自己的“身体”，在环境中感知、行动，并根据结果调整，去完成任务。

这里的“身体”不一定长得像人。机械臂、轮式机器人等都可以是研究载体，也可以先在仿真环境里用虚拟身体研究。

比如，把桌上的杯子移到托盘里。

第一步是感知：杯子在哪里？托盘在哪里？中间有没有挡着的东西？可以把它理解为获取周围情况，不只是拍下一张照片。

接下来是决策：从哪边伸过去、抓哪里、先做什么后做什么？这里说的“决策”，就是选择下一步怎么做，不是说机器有了人的意识。

然后是行动：移动、抓住、放下。过程中和完成后都要观察结果，抓稳了吗、放好了吗？如果位置变了，就需要调整后续动作。感知、行动和反馈会相互影响。

所以，在只做文字问答的场景里，模型能告诉你拿杯子的步骤；要把任务真的做成，还需要身体、传感器和控制系统等一起配合。文字模型也可以参与这个系统，并不是两类技术永远分开。

看机器人演示时，也别只看外形或动作炫不炫。可以多问：它知道周围什么情况？目标是什么？环境变了会怎样？这比先记一堆缩写更有帮助。

今天花5分钟，观察自己拿一个空杯子的过程：伸手前看了什么？碰到杯子后调整了什么？什么时候才算完成？先写下这三件事就好，不用代码和专业设备。

下一篇聊：为什么换一个“身体”，同样的任务做法就变了？

参考：AI Habitat概念介绍、Google DeepMind机器人研究介绍；2026-10-17查阅。本文为基础理解框架。

具身智能 机器人马拉松 人工智能