具身智能：当AI有了身体，机器人进入感知阶段

概念和技术

具身智能（Embodied AI）指的是具有物理身体的AI智能体能通过与现实世界的交互来学习、适应和完成任务。传统AI（如ChatGPT）活在服务器和文字里，对物理世界没有任何感知。具身智能给AI装上了摄像头（视觉）、麦克风（听觉）、力矩传感器（触觉）和机械臂（行动能力）。Figure AI的人形机器人Figure 01接入了OpenAI的多模态大模型，能听懂人的自然语言指令，自主识别桌面上哪些是杯子哪些是盘子，并用手指轻轻拿起杯子摆好——全程没有预设程序没有遥控，机器人自己看、自己想、自己做。特斯拉Optimus（擎天柱）继承了特斯拉在FSD自动驾驶、电池管理和Dojo超级计算上的技术积累，是量产前景最现实的人形机器人路线。

挑战和未来

灵巧操作是具身智能目前最难攻克的技术瓶颈。人类的手指有超过20个自由度，指尖触觉密度高达每平方厘米140个触觉感受器。机器人尚无法在不损坏物体的情况下灵巧地旋转一支笔、扣一粒纽扣、拉开一条拉链。数据稀缺上训练大语言模型需要互联网的万亿token文字数据，而训练具身智能需要物理交互数据——每一分钟的机器人操作数据采集成本是文字数据获取成本的数万倍。通用人形机器人真正走进家庭至少还需要十年以上的技术积累。但在结构化工厂环境（固定工位、标准化零件、已知操作流程）中，具身智能的应用进展要比消费场景快得多。亚马逊仓库里的Sparrow拣选机器人已经能自主识别和抓取数千万种不同形状的商品入库上架。