从语言生成到世界交互：AGI的具身化演进之路

子玥酱 （掘金 / 知乎 / CSDN / 简书 同名）

大家好，我是 子玥酱，一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂，目前在某国企负责前端软件研发相关工作，主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验，日常关注并分享的技术方向包括 前端工程化、小程序、React / RN、Flutter、跨端方案，

在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向： 前端 / 跨端 / 小程序 / 移动端工程化 内容平台： 掘金、知乎、CSDN、简书 创作特点： 实战导向、源码拆解、少空谈多落地 **文章状态：**长期稳定更新，大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在"API 怎么用"，而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍，希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨

👋 如果你正在做前端，或准备长期走前端这条路

📚 关注我，第一时间获取前端行业趋势与实践总结

🎁 可领取 11 类前端进阶学习资源 （工程化 / 框架 / 跨端 / 面试 / 架构）

💡 一起把技术学"明白"，也用"到位"

持续写作，持续进阶。

愿我们都能在代码和生活里，走得更稳一点 🌱

文章目录

• • 引言
  • 一、为什么语言能力不等于AGI
  • 二、人类智能为什么来自世界交互
  • 三、为什么大模型开始遇到瓶颈
  • 四、第一次转变：从语言模型到多模态模型
  • 五、第二次转变：从感知到理解
  • 六、第三次转变：从理解到规划
  • 七、第四次转变：从规划到行动
  • 八、Agent为什么是具身化的过渡阶段
  • 九、真正的AGI一定是具身的
  • 十、鸿蒙生态其实也在走向Runtime时代
  • 十一、未来AI将从"回答机器"变成"世界参与者"
  • 十二、AGI真正缺失的最后一块拼图
  • 十三、未来的完整架构
  • 十四、总结

引言

过去几年，大模型的发展速度快得惊人。很多人第一次接触 ChatGPT 时都会有一种感觉：

AI真的开始理解语言了

它能写文章、能写代码、能翻译、能分析、甚至能够完成复杂推理。

于是很多人开始认为：

AGI可能已经不远了。

但如果仔细观察会发现，这些能力有一个共同特点：

全部停留在语言空间

无论是：

• 写邮件
• 写代码
• 回答问题
• 总结文档

本质上都是：

Token → Token

也就是：

语言生成

然而现实世界并不是由语言组成的，现实世界由：

• 人
• 设备
• 空间
• 物体
• 环境

共同构成。于是一个越来越重要的问题开始出现：

AI什么时候才能真正进入现实世界？

换句话说：

AGI真正缺少的到底是什么？

后来越来越多研究者发现，问题可能并不是：

模型不够聪明

而是：

模型没有身体

这也意味着，AGI的发展主线正在发生变化。

从：

Language Generation

走向：

World Interaction

即：

世界交互

而这条路线的名字就是：

具身化（Embodiment）

一、为什么语言能力不等于AGI

过去两年，行业最大的突破来自：

LLM

即：

大语言模型

它让AI获得了前所未有的能力。例如，用户说：

帮我制定创业计划

模型能够输出：

• 市场分析
• 商业模式
• 风险评估
• 实施路线

看起来已经非常接近人类，但这里有一个关键问题：

它只是说出来

却无法：

做出来

例如，AI知道如何开咖啡店，却无法：

• 租店铺
• 安装设备
• 摆放桌椅
• 接待顾客

因为这些属于：

现实行动

而不是语言生成。

二、人类智能为什么来自世界交互

很多人会忽略一个事实，人类并不是先学语言，而是先学世界。婴儿出生以后，最先发生的是：

触摸

然后：

观察

接着：

爬行

再然后：

行走

最后才是：

语言

也就是说：

世界经验
先于
语言经验

因此很多认知科学家认为：

智能本质上来自与环境的持续交互。

而不是语言本身。

三、为什么大模型开始遇到瓶颈

最近两年行业出现一个明显趋势，参数越来越大、数据越来越多，但能力提升却开始放缓。

原因很简单，互联网数据本质上属于：

间接经验

例如，模型知道：

火是热的

因为训练数据告诉它，但它从未真正：

碰过火

模型知道：

杯子会掉下来

却从未真正：

推倒杯子

这意味着：

知识
≠
经验

而经验正是AGI最缺失的部分。

四、第一次转变：从语言模型到多模态模型

于是行业开始进入下一阶段，即：

Multimodal AI

多模态模型，过去：

文本
→
文本

现在：

图像
语音
视频
文本

统一进入模型，这一步极其重要。因为AI第一次开始：

感知世界

例如，看到一张图片。不仅识别：

一只猫

还能理解：

猫正在跳跃

世界开始变得立体。

五、第二次转变：从感知到理解

但感知仍然不够。例如，看到：

一个杯子放在桌边

真正重要的问题是：

接下来会发生什么？

如果被碰到：

会掉下来

如果杯子里有水：

会洒出来

这时候，AI需要拥有：

世界模型

即：

World Model

它负责预测未来，这是AGI迈出的关键一步。

六、第三次转变：从理解到规划

知道未来还不够，还需要决定：

应该怎么做

例如，机器人看见：

地上有障碍物

接下来要：

绕过去

还是：

搬开它

或者：

换条路线

这时候，AI需要：

Planner

规划系统。

从：

预测未来

变成：

选择未来

七、第四次转变：从规划到行动

这是最难的一步，因为现实世界充满不确定性。

例如，机器人准备抓杯子。

规划阶段：

抓取成功

现实执行：

杯子滑了

规划：

顺利通过

现实：

有人突然经过

因此：

行动
=
持续反馈

需要形成：

感知
 ↓
决策
 ↓
执行
 ↓
反馈

闭环系统，这也是具身智能真正困难的地方。

八、Agent为什么是具身化的过渡阶段

很多人觉得：

Agent和机器人没关系

其实非常相关，因为Agent第一次让AI学会：

完成任务

例如，用户说：

帮我安排出差

Agent会：

查机票
 ↓
订酒店
 ↓
安排日程
 ↓
发送邮件

这里已经出现：

目标驱动

只是行动发生在数字世界，而具身AI只是进一步把行动扩展到：

物理世界

九、真正的AGI一定是具身的

很多研究者越来越认同一个观点：

没有世界交互能力的智能，不是完整智能。

原因很简单，如果AI永远只能：

回答问题

那么它始终是：

观察者

而真正的智能必须能够：

影响环境

例如：

• 完成任务
• 改变状态
• 达成目标

这才是真正意义上的智能。

十、鸿蒙生态其实也在走向Runtime时代

有趣的是，如果观察鸿蒙的发展路径，会发现与AGI极其相似。

过去：应用是核心。

后来：服务成为核心。

再后来：Task 成为核心。

未来：Runtime 可能成为核心。

因为真正重要的已经不是：

页面

而是：

状态连续性

这与具身智能强调的：

上下文连续性

本质一致。

十一、未来AI将从"回答机器"变成"世界参与者"

过去：

ChatGPT

解决的是：

问答

未来：

Embodied AI

解决的是：

执行

用户不再说：

告诉我怎么做

而是：

替我完成

这将是整个行业最大的变化。

十二、AGI真正缺失的最后一块拼图

回顾整个发展过程，AI已经拥有：

知识

拥有：

推理

拥有：

规划

甚至拥有：

Agent能力

但仍然缺少：

真实世界经验

而具身化正是在补齐这一块拼图。

十三、未来的完整架构

未来AGI系统可能演化成：

Perception
      ↓
World Model
      ↓
Reasoning
      ↓
Planner
      ↓
Agent Runtime
      ↓
Physical Runtime
      ↓
Environment

形成真正的智能闭环。

十四、总结

如果一句话总结AGI的演进方向：

从生成语言，到交互世界。

过去的大模型：

预测下一个词

未来的AGI：

预测下一个世界状态

过去的AI：

回答问题

未来的AI：

完成任务

过去：

Language Generation

未来：

World Interaction

最终你会发现：AGI真正的终点，也许从来不是更聪明地说话。

而是：

能够持续理解世界、影响世界、改变世界。

而具身化，正是从语言智能迈向通用智能的必经之路。