具身智能：AI 长出“手脚”，进入物理世界——大模型驱动机器人、自动驾驶与产业落地调研

第一，机器人与大模型结合，人形机器人开始具备语言理解、任务分解、动作规划和模仿学习能力，代表企业包括特斯拉 Optimus、优必选 Walker S、Agility Robotics Digit 等。
第二，自动驾驶从传统"感知---预测---规划---控制"的模块化架构，逐步向世界模型和端到端网络演进。车辆不只是识别车道线和障碍物，而是学习"道路世界如何变化"，并基于未来状态选择驾驶行为。
第三，工业质检、物流分拣、仓储搬运、家庭服务等场景率先落地。它们的共同特点是任务重复、价值明确、环境可控、ROI 可计算，更适合作为具身智能商业化的第一批试验田。

二、技术底座：具身智能为什么在此刻爆发

（一）多模态大模型：从语言理解到任务理解

传统机器人通常依赖预设程序，例如"抓取 A 点物体并放到 B 点"。这种方式在结构化工厂有效，但一旦进入开放环境，机器人就会遇到大量无法提前枚举的问题：杯子位置变化、地面有障碍、用户指令含糊、物体形状不规则、光照改变、任务中途被打断等。

多模态大模型改变了这一点。机器人可以同时处理文字、语音、图像、视频、深度信息、力觉反馈和位置状态，从而把一句自然语言指令转化为可执行任务链。

例如，用户说："把桌上的红色杯子拿到厨房水槽旁边。"机器人需要完成的不只是语义理解，还包括：

1. 目标识别

识别"红色杯子"而不是红色玩具、红色瓶子或其他物体。

2. 空间定位

判断杯子在桌面上的具体位置，规划手臂运动路径。

3. 动作规划

决定如何接近、抓取、抬起、避障、移动和放置。

4. 异常处理

如果杯子里有水、桌边有人、地面有宠物、厨房门关闭，机器人需要调整行为，而不是机械执行。

这意味着，大模型在具身智能中承担的是"具身大脑"的角色：理解目标、拆解任务、调用技能、监控执行，并在失败后重新规划。

（二）世界模型：让 AI 具备"想象未来"的能力

世界模型是具身智能的关键能力之一。它的核心不是识别"现在有什么"，而是预测"接下来会发生什么"。

在自动驾驶中，世界模型需要预测：前车是否会刹车、行人是否会横穿、旁车是否会并线、施工区域是否影响通行。在机器人场景中，世界模型需要预测：如果机械臂这样抓，物体是否会滑落；如果机器人这样走，是否会碰到人；如果把箱子放在这里，是否会挡住通道。

这张图展示了具身智能与传统自动化最大的区别：传统自动化是"程序控制机器"，具身智能是"模型理解世界并持续学习"。前者依赖工程师提前写好规则，后者依赖模型从真实数据、仿真数据和人类示范中不断形成更强的泛化能力。

（三）端到端决策：从模块流水线到统一神经网络

传统自动驾驶和机器人系统通常采用模块化架构：感知模块负责识别，定位模块负责位置，预测模块负责未来轨迹，规划模块负责决策，控制模块负责转向、刹车、抓取或行走。

模块化架构的优势是可解释、可调试、工程边界清晰；缺点是误差会层层传递。例如，感知模块误识别一个障碍物，后续预测和规划模块可能全部出错。

端到端网络试图让模型直接从传感器输入学习到行动输出。例如车辆从摄像头视频直接输出轨迹，机器人从图像和语言直接生成动作序列。这种方法的优势是系统整体可通过数据驱动优化，减少人工规则和复杂中间接口；难点则是安全验证、可解释性、长尾场景覆盖和责任边界。

端到端并不意味着完全取消工程模块，而是把过去大量手工规则逐步压缩进神经网络表征之中。未来更可能出现的是"混合式端到端"：底层由神经网络学习复杂驾驶行为，上层保留安全约束、法规约束、冗余系统和人类可审计机制。

（四）机器人本体：手、脚、眼、皮肤与控制系统

具身智能必须依附于"身体"。如果说大模型是大脑，那么机器人本体就是手脚、眼睛、肌肉、骨骼和神经系统。

一个高质量具身智能系统至少包括五类硬件能力：

1. 视觉与空间感知

包括 RGB 摄像头、深度相机、激光雷达、结构光、IMU 等，用于识别环境、估计距离、构建地图和检测障碍。

2. 灵巧操作

包括机械臂、灵巧手、夹爪、腕部关节和力反馈系统。真正困难的不是"拿起一个方块"，而是处理柔软、透明、易碎、异形、湿滑、动态变化的物体。

3. 移动能力

人形机器人强调双足行走，但在真实商业场景中，轮式、履带式、四足和机械臂固定平台同样重要。产业落地不应迷信"人形"，而应关注任务效率。

4. 低层控制

包括平衡控制、关节力矩控制、步态控制、抓取控制和碰撞保护。低层控制决定机器人能不能稳定、安全、可靠地完成动作。

5. 能源与可靠性

电池续航、散热、关节寿命、维护成本、故障恢复能力，是机器人从实验室走向工厂和家庭的关键指标。

三、实践调研：三类场景正在率先落地

（一）人形机器人：从展示型样机走向工业试用

人形机器人之所以受到资本和产业关注，并不是因为它"长得像人"，而是因为人类世界本身就是围绕人类身体设计的：门把手、楼梯、货架、工具、工位、车辆、家电、生产线高度等，都默认由人操作。如果机器人具备接近人类的形态，就可以在不大规模改造环境的前提下进入现有场景。

1. 特斯拉 Optimus：用汽车自动驾驶经验迁移到机器人

特斯拉 Optimus 的产业意义在于，它不是孤立的机器人项目，而是特斯拉 AI、视觉感知、芯片、仿真、车队数据和制造能力的延伸。其核心逻辑是：自动驾驶解决"车在物理世界中移动"的问题，人形机器人解决"通用机器在物理世界中行动"的问题。

Optimus 的想象空间在于三个方面：

第一，软件复用。视觉感知、路径规划、仿真训练、神经网络推理等能力可以与汽车智能化形成技术协同。
第二，制造复用。特斯拉具有大规模制造、供应链管理和成本控制经验，有可能推动机器人硬件成本下降。
第三，场景自用。机器人可以先在特斯拉工厂内部做搬运、分拣、简单装配等任务，形成数据闭环后再外部商业化。

但也必须看到，Optimus 仍面临灵巧手、续航、可靠性、复杂任务泛化、安全验证和量产节奏等挑战。人形机器人不是发布视频就等于成熟产品，它必须在真实场景中连续工作数千小时，才能证明商业价值。

2. 优必选 Walker S：面向工业制造的本土化路径

优必选 Walker S 的路线更强调工业场景。相比直接进入家庭，工业环境具有流程明确、任务边界清晰、数据可采集、收益可测算等优势。因此，汽车制造、电子制造、物流仓储等场景更适合作为人形机器人商业化早期入口。

Walker S 的关键价值在于：

第一，工厂环境适配。它需要理解产线状态、识别工件位置、执行搬运或操作任务，并与工厂管理系统进行数据互通。
第二，多模态感知与导航。工业环境中存在人员、设备、货架、AGV、小车和动态工件，机器人必须具备避障、定位、路线规划和语义理解能力。
第三，任务级智能。机器人不能只会单个动作，而要理解"去某处---拿某物---放到指定位置---回传结果---处理异常"的完整任务链。

从实践角度看，中国人形机器人企业的优势在于供应链完整、制造能力强、应用场景密集、政策支持明显。但短板也很明确：高端关节、灵巧手、实时控制系统、基础模型、仿真平台、标准体系和真实数据规模仍需持续突破。

3. Agility Robotics Digit：物流场景的务实路线

Digit 的代表性在于它选择了非常具体的物流任务：搬运箱体、移动料箱、仓储转运。这个路线比"通用家庭机器人"更务实，因为物流场景具备三大优势：

第一，任务高度重复。
第二，工作环境相对可控。
第三，企业客户愿意为效率提升和人力短缺买单。

这说明具身智能早期商业化并不一定从"万能机器人"开始，而更可能从"专用任务 + 通用底座"开始。也就是说，机器人底层平台逐渐通用，但商业落点仍是一个个具体任务。

（二）自动驾驶：世界模型与端到端路线重构智驾架构

自动驾驶是具身智能最成熟、投入最大、数据最丰富的场景之一。车辆本质上也是一种具身智能体：它有传感器、有运动能力、有实时决策需求，并且必须在复杂物理环境中与人、车、道路和规则互动。

1. 从高精地图依赖到场景理解能力

早期自动驾驶高度依赖高精地图。高精地图能提供车道边界、红绿灯位置、道路拓扑、限速信息等，对自动驾驶系统非常有帮助。但高精地图也有明显问题：采集成本高、更新困难、跨城市扩展慢、道路变化响应滞后。

端到端网络和世界模型的发展，正在降低系统对高精地图的绝对依赖。车辆通过摄像头、雷达、激光雷达等实时感知环境，并由模型学习道路结构、交通参与者行为和未来动态变化。这样，自动驾驶系统更接近人类驾驶：不是死记地图，而是实时理解道路。

但需要强调的是，"降低依赖"不等于"完全抛弃地图"。在高阶自动驾驶中，地图、视觉、雷达、规则、安全冗余仍会长期共存。真正成熟的系统不是单一路线胜出，而是在安全目标下进行最优组合。

2. 世界模型：自动驾驶的"预判能力"

世界模型对自动驾驶的意义，可以用一句话概括：让车辆不仅知道"现在在哪里"，还知道"下一秒可能发生什么"。

世界模型的关键是"在行动前进行内部模拟"。人类司机会预判"这个骑车人可能突然左转""前车刹车灯亮了，后面可能拥堵"。世界模型则试图用神经网络学习这种预判能力，并把它转化为可计算、可优化的驾驶策略。

3. 端到端不是终点，而是新工程体系的起点

端到端自动驾驶经常被误解为"输入视频，输出方向盘"，仿佛中间完全不需要工程。实际上，端到端系统对工程能力的要求更高：

第一，数据工程更重要。端到端模型依赖海量高质量数据，包括正常驾驶、事故边缘场景、罕见天气、复杂路口、施工区域、非机动车混行等。
第二，仿真系统更重要。真实道路无法穷尽所有危险场景，因此必须通过仿真、重放、合成数据和闭环测试补齐长尾数据。
第三，安全验证更重要。模型输出必须满足交通规则、乘坐舒适性、冗余安全和监管要求。黑箱模型不能成为安全责任的黑箱。

因此，未来自动驾驶很可能呈现"端到端主干 + 安全规则护栏 + 仿真验证 + 人类监管"的混合架构。

（三）工业与家庭：从封闭场景切入，再逐步泛化

1. 工业质检：AI 视觉最先形成规模化回报

工业质检是 AI 进入物理世界的成熟场景之一。相比人形机器人，工业质检对移动和抓取要求较低，但对视觉识别、缺陷检测、实时性和稳定性要求很高。

典型应用包括：

第一，外观缺陷检测。用于识别划痕、裂纹、污渍、变形、异物、毛刺等。
第二，尺寸与装配检测。判断零部件是否装配到位、尺寸是否偏差、焊点是否合格。
第三，过程质量追踪。把视觉检测结果与生产线数据绑定，实现质量追溯和工艺优化。

工业质检的商业价值清晰：减少人工误检漏检，提高产线一致性，降低返工率，并形成质量数据资产。

2. 物流分拣：具身智能的高频刚需场景

物流场景是机器人落地最快的领域之一。其原因在于，仓储和分拣具有大量重复劳动，且企业面临用工成本、效率波峰、夜间作业和安全管理压力。

物流机器人可以分为几类：

第一，移动机器人。如 AGV、AMR，用于货物搬运和路径调度。
第二，机械臂分拣。用于包裹抓取、装箱、拆垛、码垛。
第三，人形或半人形机器人。用于在人类环境中搬运料箱、操作货架、执行临时任务。

物流场景的本质不是"机器人替代某一个工人"，而是把仓储系统从人力驱动升级为数据驱动。机器人越多，系统调度、路径优化、异常处理和安全协同越重要。

3. 家庭服务机器人：想象空间最大，但落地最难

家庭是具身智能最具想象力的场景，也是最难的场景。因为家庭环境高度非结构化：每个家庭布局不同，物品摆放不同，用户习惯不同，儿童、老人、宠物带来更多不确定性。

家庭机器人要真正有价值，至少需要完成以下任务：

第一，清洁与整理。扫地、拖地、收纳、整理衣物、处理垃圾。
第二，陪护与辅助。提醒老人服药、辅助行动、监测异常、简单交流。
第三，家电与空间操作。开门、拿取物品、操作冰箱、微波炉、洗衣机等。
第四，安全与隐私保护。家庭机器人会采集大量室内数据，因此隐私、权限、数据本地化和误操作防护非常重要。

短期看，家庭机器人会从扫地机器人、陪伴机器人、教育机器人、养老辅助设备逐步演进，而不是一步到位成为"通用家务人形机器人"。

四、商业化逻辑：具身智能的真实价值不在"像人"，而在"替人做事"

具身智能商业化必须回答三个问题：

（一）它替代什么成本？

机器人不是因为"先进"而被采购，而是因为能降低成本或创造收益。企业客户关注的是：能否减少人力、提升效率、降低事故、减少停机、提高质量、缩短交付时间。

（二）它是否比现有方案更优？

在很多场景中，人形机器人未必优于机械臂、AGV 或专用自动化设备。因此，具身智能企业必须避免"为人形而人形"。最优解应该由场景决定，而不是由概念决定。

（三）它能否形成数据闭环？

具身智能最重要的壁垒不是单台机器人，而是持续学习系统。谁能在真实场景中采集更多高质量数据，谁就能更快改进模型、降低故障率、扩展任务范围。

五、关键瓶颈：为什么具身智能仍处于"早期大规模验证"阶段

（一）数据瓶颈：互联网数据不等于机器人数据

大语言模型可以从互联网上学习海量文本，但机器人需要的是"动作数据"：在什么状态下，做什么动作，会产生什么结果。这类数据采集成本极高，且必须与具体机器人本体绑定。

（二）泛化瓶颈：实验室成功不代表真实场景稳定

机器人在演示视频中完成一次任务，与在工厂连续运行 8 小时、30 天、300 天，是完全不同的难度。真实场景中会出现光照变化、地面湿滑、物体遮挡、人员干扰、网络延迟、硬件老化等问题。

（三）灵巧操作瓶颈：手比脚更难

人形机器人会走路只是第一步。真正难的是"手"：捏、拧、折、插、拔、拉、推、旋转、感知力反馈。大量工业和家庭任务都依赖灵巧手能力，而这正是当前机器人系统最难规模化突破的部分之一。

（四）安全瓶颈：物理世界没有"撤回键"

文本生成错误可以修改，图像生成错误可以重做，但机器人一旦撞到人、夹伤手、损坏设备或导致交通事故，后果是真实的。因此，具身智能必须建立比互联网 AI 更严格的安全体系。

（五）成本瓶颈：从样机到商品的距离很长

样机阶段关注"能不能做出来"，商品阶段关注"是否便宜、耐用、易维护、可批量生产"。关节、电机、减速器、传感器、电池、芯片、散热、外壳和维护体系，都会决定机器人是否真正具备商业竞争力。

六、未来趋势：2026---2030 年的产业演进路线

（一）趋势一：从"大模型"走向"视觉---语言---动作模型"

未来机器人模型不会只停留在 VLM，即视觉语言模型，而会向 VLA，即视觉---语言---动作模型演进。它不仅理解图像和语言，还能直接输出动作策略。

（二）趋势二：从遥操作采集走向自监督学习

当前很多机器人训练依赖人类遥操作和动作捕捉。未来，机器人需要通过自我探索、仿真生成、视频学习、失败复盘和世界模型预测来降低数据成本。

（三）趋势三：工业先行，家庭后置

未来三到五年，真正形成规模收入的场景更可能是工业、物流、巡检、安防、医疗辅助、养老机构等半结构化场景。家庭通用机器人会持续进步，但短期内更多是高端试用和局部功能突破。

（四）趋势四：软硬件一体化成为核心竞争力

具身智能不是单纯软件竞争，也不是单纯硬件竞争，而是系统竞争。领先企业必须同时具备模型能力、控制算法、本体设计、供应链、场景工程、数据闭环和安全认证能力。

（五）趋势五：标准、监管与伦理将成为产业基础设施

随着机器人进入工厂、道路、商场、医院和家庭，安全标准、数据标准、接口标准、测试标准和责任认定机制会越来越重要。没有标准，具身智能无法从试点走向大规模部署。

七、结论：具身智能是 AI 产业从数字世界进入物理世界的分水岭

具身智能的本质，是把 AI 从"认知工具"升级为"行动主体"。它不仅能回答问题，还能搬运货物、检测产品、驾驶车辆、辅助老人、维护设备，甚至在未来承担更多复杂劳动。

但真正值得重视的，不是机器人会跳舞、会聊天、会模仿人类动作，而是它能否在真实环境中稳定、低成本、安全地完成有经济价值的任务。

因此，对具身智能产业的判断应避免两个极端：既不能因为演示视频精彩就认为通用机器人已经成熟，也不能因为当前仍有瓶颈就低估长期趋势。更合理的判断是：具身智能已经进入从实验室验证到真实场景验证的关键阶段，未来竞争的核心将从"谁的样机更惊艳"转向"谁的数据闭环更强、谁的场景落地更深、谁的系统成本更低、谁的安全可靠性更高"。

从机器人到自动驾驶，从工业质检到物流分拣，从工厂到家庭，AI 正在长出"手脚"。这不仅是人工智能技术路线的延伸，更是下一代产业自动化、智能制造和服务经济的基础设施变革。

参考链接说明

序号	资料名称	来源/机构	链接
1	World Robotics 2025 report -- Industrial Robots	IFR	World Robotics 2025 report -- INDUSTRIAL ROBOTS -- released by IFR - International Federation of Robotics
2	2026年具身智能产业发展研究报告	36氪研究院	[36氪研究院 \| 2026年具身智能产业发展研究报告-36氪](https://www.36kr.com/p/3660312420180864 "36氪研究院
3	人形机器人创新发展指导意见	工业和信息化部	工业和信息化部关于印发《人形机器人创新发展指导意见》的通知
4	人形机器人与具身智能标准化技术委员会成立公告	工业和信息化部	中华人民共和国工业和信息化部公告（2025年第44号）
5	AI & Robotics / Optimus	Tesla	https://www.tesla.com/AI
6	Walker S 工业人形机器人	UBTECH	[UBTECH Walker S Industrial Humanoid Robot \| For Multi-task Industrial Scenarios](https://www.ubtrobot.com/en/humanoid/products/walker-s "UBTECH Walker S Industrial Humanoid Robot
7	Digit Moves Over 100,000 Totes	Agility Robotics	[Digit Moves Over 100,000 Totes in Commercial Deployment \| Agility](https://www.agilityrobotics.com/content/digit-moves-over-100k-totes "Digit Moves Over 100,000 Totes in Commercial Deployment
8	Project GR00T Foundation Model	NVIDIA	[NVIDIA Announces Project GR00T Foundation Model for Humanoid Robots and Major Isaac Robotics Platform Update \| NVIDIA Newsroom](https://nvidianews.nvidia.com/news/foundation-model-isaac-robotics-platform "NVIDIA Announces Project GR00T Foundation Model for Humanoid Robots and Major Isaac Robotics Platform Update
9	Isaac GR00T 开源模型	NVIDIA GitHub	GitHub - NVIDIA/Isaac-GR00T: NVIDIA Isaac GR00T N1.7 - A Foundation Model for Generalist Robots. · GitHub
10	世界模型如何让自动驾驶突破"老司机"瓶颈	36氪	从感知到预判：世界模型如何让自动驾驶突破 "老司机" 瓶颈-36氪
11	World Models for Autonomous Driving: An Initial Survey	arXiv	https://arxiv.org/pdf/2403.02622
12	World4Drive	arXiv	https://arxiv.org/pdf/2507.00603
13	BEVWorld	arXiv	https://arxiv.org/pdf/2407.05679
14	OccSora	arXiv	https://arxiv.org/pdf/2405.20337
15	AutoRT	arXiv	https://arxiv.org/pdf/2401.12963
16	Habitat	arXiv	https://arxiv.org/pdf/1904.01201
17	Humanoid World Models	arXiv	https://arxiv.org/pdf/2506.01182
18	Embodied Intelligence for Flexible Manufacturing	arXiv	https://arxiv.org/pdf/2602.06966
19	Blue Collar Robot	TIME	https://time.com/7094773/agility-robotics-digit/
20	GXO humanoid robots warehouse trials	Business Insider	https://www.businessinsider.com/gxo-brings-humanoid-robots-to-warehouses-2025-4
21	Embodied AI in Action	arXiv	https://arxiv.org/pdf/2605.10653
22	China can build humanoids at scale	AP News	[China rushes to build humanoid robots, but who will buy them? \| AP News](https://apnews.com/article/china-humanoid-robots-ai-demand-7d542b5ee92caa9d79efa28de89afbbe "China rushes to build humanoid robots, but who will buy them?
23	Embodied AI reshaping daily life in China	The Guardian	https://www.theguardian.com/world/2025/apr/21/humanoid-workers-and-surveillance-buggies-embodied-ai-is-reshaping-daily-life-in-china