书 · 具身智能与机器人
如果 AI 只存在于屏幕之后，它永远无法真正理解这个世界。具身智能（Embodied AI）的追求是让 AI 拥有身体，在物理世界中感知、行动和学习——这条路从 1966 年斯坦福实验室里那台名为 Shakey 的笨拙小车开始，走过六十年波折，到 2024 年化作硅谷与中国工厂里成群结队的人形机器人，几乎每月都有新型号下线。
一、早期机器人（1960s–1990s）
1966 年，尼尔森、麦卡锡 等人在斯坦福研究所（SRI）的实验室里组装了 Shakey——一台高约 2 米、装着电视摄像头和触觉杆的轮式机器人。它走得很慢、抖得很厉害（"Shakey"由此得名），但意义重大：它是第一个能把感知、世界建模、规划与行动集成在一起的机器人。Shakey 用 STRIPS 算法（Stanford Research Institute Problem Solver）做符号规划——告诉它"把方块推到那个房间"，它能自己拆解出"先走过去、再绕过桌子、再推动"的步骤。这是经典 AI 的胜利。
但 Shakey 也暴露了经典路线的死穴：每一次"推理"要花几分钟，过程中世界已经变了。
二十年后，澳大利亚出生的 MIT 教授罗德尼·布鲁克斯（Rodney Brooks）站出来反叛。1986 年他提出包容架构（Subsumption Architecture），主张抛弃符号推理与世界建模，让机器人由许多并行的反应式行为模块直接连接传感器与电机——就像昆虫一样，没有中央"思考"，却能在复杂环境中存活。1990 年的论文《大象不下棋》（Elephants Don't Play Chess）几乎是一篇宣言：智能不必通过国际象棋来体现，能在客厅里走一圈不撞翻东西，已经比当年所有 AI 系统都更接近"智能"。布鲁克斯后来联合创办了 iRobot——Roomba 扫地机器人正是包容架构的最直接后裔，截至 2025 年累计销量已超过 5000 万台。
工业界则走了第三条路。1979 年通用汽车装上了第一台 Unimate 焊接机械臂，1980 年代日本 FANUC、安川电机的工业机器人席卷汽车工厂。它们没有 AI，只有精确的轨迹规划和示教——但这是机器人第一次真正改变全球制造业。
二、波士顿动力与运动控制
1992 年，MIT 的马克·雷伯特（Marc Raibert）从著名的 Leg Lab 走出来，创立了波士顿动力（Boston Dynamics）。这个名字将在此后三十年间，成为机器人运动能力的代名词。
2004 年的 BigDog 是一台四足机器人，背负 150 公斤负载在崎岖山地踉跄前行的视频，让全世界第一次看到机器人能像动物一样保持平衡。2013 年的 Atlas（DARPA 资助）开始尝试两足直立行走；2016 年 Atlas 在雪地里行走、被工程师用棍子推倒后自己爬起来的视频在 YouTube 上播放过亿次。2017 年的 Spot 四足机器人开始小批量销售，售价约 7.5 万美元，目前已部署在数千个工业巡检场景——从壳牌的炼油厂到美国国家电网的输电线路检查，再到 SpaceX 星舰发射台。2021 年的 Atlas 跑酷视频里，那台油液压机器人能跨越平台、后空翻落地——这是当时纯运动控制的天花板。
但波士顿动力的商业化始终是个谜。它先后被卖给 Google（2013）、软银（2017），最终归于现代汽车（2020），估值约 11 亿美元。三十年间它造出了世界上最强的机器人腿，却没造出一门赚钱的生意。2024 年 4 月，老款液压 Atlas 退役，新一代电驱动 Atlas 同日发布，关节自由度更大、动作更接近人类——同时也意味着，运动控制的"硬件孤岛"时代结束了，AI 大脑必须接管它。
三、深度学习进入机器人（2015–2022）
2015 年前后，深度学习的浪潮开始拍打机器人学的海岸。最早的尝试来自 Google Brain。2016 年，谢尔盖·莱文（Sergey Levine）等人发表"机械臂农场"（Arm Farm）项目：14 台机械臂连续 800 小时自学抓取，用 CNN 直接从摄像头到电机指令做端到端学习——这是端到端机器人学习的第一份大规模证据。
接下来的几年，几条技术路线并行推进。模仿学习（Imitation Learning）让机器人通过观察人类演示学会动作，DAgger、Behavior Cloning 等算法不断改进；Sim-to-Real 让机器人先在 NVIDIA Isaac、Mujoco 等仿真环境训练数百万小时，再迁移到真实机器人——OpenAI 在 2019 年用此法训练机械手 Dactyl，让它单手解魔方，仿真训练量等价于 13000 年人类经验。深度强化学习则用于四足运动控制，苏黎世联邦理工（ETH）的 ANYmal 在 2020 年通过 RL 学会了在野外摔倒后自己爬起来，《Science Robotics》封面文章。
但这一时期的机器人学习有一个共同的局限：每个技能都要单独训练，从抓取杯子到开门，每一项都是一个独立模型。机器人没有"通用大脑"。这与同期 NLP 领域 GPT 系列展示的"一个模型干所有事"形成了刺眼的对比。机器人圈开始追问：我们也可以有自己的 GPT 时刻吗？
四、大模型 + 机器人：具身智能新范式（2023–）
2022 年 12 月，Google Robotics 发布 RT-1（Robotics Transformer 1）。它把 17 个月里 13 台机器人采集的 13 万条轨迹，编码成视觉+语言+动作的统一序列，由一个 3500 万参数的 Transformer 处理。RT-1 能执行 700+ 种自然语言指令——"把可乐放进抽屉""擦掉桌上的水"——成功率 97%。这是机器人界第一次出现"基础模型"（Foundation Model）的雏形。
但真正的范式跃迁是 2023 年 7 月发布的 RT-2。Google DeepMind 把 PaLI-X 和 PaLM-E 这两个 500 亿+ 参数的视觉-语言模型直接微调成机器人策略，让它输出离散化的动作 token。RT-2 第一次表现出"涌现"——它从未被教过"把灭绝动物递给我"，却能从桌上一堆玩具里挑出恐龙。视觉-语言-动作模型（Vision-Language-Action, VLA）这个术语正式诞生。
2023 年 10 月，34 家机构、22 种机器人本体的数据被合并成 Open X-Embodiment 数据集，包含 100 万+ 条演示。基于这个数据集训练的 RT-X，在新机器人上的零样本迁移成功率比单一机器人训练高出 50%——这暗示着机器人也可能拥有自己的"ImageNet 时刻"。
私人公司接力跟进。Physical Intelligence（简称 π）由莱文等人 2024 年在旧金山创立，融资 4 亿美元，估值 24 亿美元。同年 10 月发布 π0：一个跨平台 VLA 模型，能让七种不同机器人完成叠衣服、装咖啡机、收拾餐桌等家务，演示视频中的动作流畅度震惊业界。2025 年 2 月，Figure AI 发布自研的 Helix VLA 模型，宣布与 OpenAI 终止合作，转向独立研发。同月，1X Technologies（OpenAI 投资的挪威/美国公司）公布家用人形机器人 Neo Gamma 在用户家中的实测视频。
字节跳动 Seed 团队也加入战局，2024 年 11 月发布 GR-2——基于视频生成的世界模型驱动机器人；同年又开源了 RoboFlamingo、RoboBrain 等多模态机器人基础模型。Hugging Face 在 2024 年发布开源机器人栈 LeRobot，并推出低成本 SO-100 机械臂，让本科生用 100 美元也能复现 VLA。
NVIDIA 也站上了关键位置。2024 年 3 月 GTC 大会上，黄仁勋 发布 Project GR00T——专为人形机器人设计的基础模型平台，配套 Isaac 仿真生态、Jetson Thor 计算芯片、Osmo 机器人云。2025 年 1 月，他在 CES 主旨演讲中称："机器人正在迎来它的 ChatGPT 时刻。"NVIDIA 把自己定位为整个具身智能赛道的"卖铲人"。
VLA 的意义在于：从"感知—规划—执行"的流水线架构，跨越到端到端统一模型——不再需要工程师手工设计每个技能，一个模型通吃所有任务。这是机器人学走出"每个动作都要单独编程"的诅咒的关键一跃。
五、中国具身智能浪潮
2024 年起，中国成为全球具身智能投资最热的地区。仅 2024 年，国内具身智能赛道融资总额超过 130 亿元人民币，半数项目估值在 12 个月内翻倍。
宇树科技（Unitree Robotics）在杭州，由 90 后王兴兴创立，原本以四足机器人 Go1、Go2 闻名。2024 年 5 月发布人形机器人 H1（身高 1.8 米，售价 9 万美元），8 月推出 G1（1.27 米，售价 1.6 万美元起）——后者直接把人形机器人价格打进消费级区间，B 站上 G1 跳舞、跑步、扎马步的视频播放过亿。2025 年 1 月，宇树 H1 在央视春晚舞台上跳秧歌，让人形机器人第一次进入中国大众视野。
智元机器人（Agibot）由前华为"天才少年"稚晖君（彭志辉）2023 年创立，背靠百度、上海国资、高瓴。2024 年 8 月发布远征 A2 人形机器人，宣称量产价 20 万元人民币以内；2025 年 1 月公布"启元"大模型与百万条机器人数据集 AgiBot World 开源。
其余玩家几乎排成一队：优必选（UBTECH）2023 年 12 月在港交所上市，成为"中国人形机器人第一股"，Walker 系列已进入比亚迪、富士康工厂；小米 CyberOne（2022）与 CyberDog 系列定位科技玩具；傅利叶智能（Fourier Intelligence）的 GR-1、GR-2 主攻医疗康复；银河通用（Galbot）由北大教授王鹤创立，主打商超场景；星动纪元（Robot Era）孵化自清华，2025 年发布人形 Star1。
中国具身智能的特点是供应链优势——电机、减速器、控制器、电池绝大部分能在长三角和珠三角 200 公里内闭环采购，这让中国厂商把整机成本拉到了硅谷难以企及的水平。Tesla 的 Optimus 还在喊 2 万美元目标，宇树 G1 已经在京东上挂出 9.9 万元起售。
政策面也在重压加码。2023 年 11 月工信部发布《人形机器人创新发展指导意见》，明确 2025 年初步建立创新体系、2027 年综合实力达国际先进水平。北京、上海、深圳、杭州相继挂牌国家级人形机器人创新中心。2024 年 4 月北京"国家地方共建具身智能机器人创新中心"揭牌，由智元机器人、银河通用等公司共同参与。这是一场国家级的产业军备竞赛。
六、人形机器人之争
为什么是人形？答案朴素得近乎浪费想象力——人类的工厂、办公室、家庭都为人类身体设计：门把手在 90 厘米高度、楼梯踏步 17 厘米、椅子坐高 45 厘米。人形机器人是适配存量物理环境成本最低的方案。
马斯克 在 2021 年特斯拉 AI Day 上首次公布 Optimus 计划，2022 年 9 月推出第一代原型机 Bumble C 时，机器人是被工程师推着上台的。但到 2024 年 10 月的 "We, Robot" 发布会，Optimus Gen 2 已经能调酒、发糖果、与观众聊天（虽然事后承认有部分远程操控）。马斯克喊出 2 万-3 万美元的目标售价、年产 10 亿台的口号——后者依然过于科幻，但前者已被中国厂商证明可行。Figure AI 是硅谷另一颗明星。CEO 布雷特·阿德科克（Brett Adcock）此前已成功创办了城市空中交通公司 Archer。Figure 在 2024 年 2 月获得包括微软、OpenAI、英伟达、贝佐斯在内的 6.75 亿美元 B 轮融资，估值 26 亿美元；2025 年 2 月新一轮融资估值跃升至 395 亿美元。Figure 02（2024 年 8 月发布）已部署在宝马南卡罗来纳州工厂，从事车身金属件搬运。
Apptronik 来自得州奥斯汀，与梅赛德斯-奔驰、GXO Logistics 合作部署 Apollo 人形机器人；1X 的 Neo Gamma 锁定家用市场；挪威 Halodi、加拿大 Sanctuary AI、瑞士 ANYbotics 各占一席。
但争议从未停歇。一派认为人形是终极形态，另一派质疑：搬箱子需要双腿吗？分拣零件需要五指吗？专用机械臂、AGV、夹爪在工业场景的 ROI 早已被验证，人形机器人需要回答的是——它何时能在某个具体场景里把单位经济模型跑通。截至 2025 年，没有任何一家人形机器人公司公开过盈利数据。
为什么不是人形也能赢？ Agility Robotics 的 Digit（双足搬运机器人）2024 年起在 GXO Logistics 仓库部署，采用人形腿+机器臂混合设计；亚马逊仓库则部署了大量轮式 + 双臂的 Stretch、Sequoia——它们没有"脸"，但承担了人形机器人尚不能完成的真实搬运任务。专用形态在 2025 年仍是工业界的现实选择。
七、开放问题
具身智能仍在它的"GPT-2 时刻"——能力惊艳，但远未到 ChatGPT 级别的可用性。摆在面前的开放问题很多。
世界模型是否必要？ Yann LeCun 长期主张机器人需要预测物理世界的世界模型；DeepMind 的 Genie、Sora 等视频生成模型被一些人视为雏形——能生成可控视频的模型，是否就具备了"心智模拟"？争议持续至今。
Sim-to-Real 的鸿沟。 仿真器永远无法完全复现真实物理——摩擦、形变、流体、电池电压波动。当前主流路线是大规模真实数据采集（特斯拉的"千人遥操作工厂"、智元的 AgiBot World），但成本高昂。
安全。 当 80 公斤的人形机器人进入家庭，软件 bug 不再是闪退而是物理伤害。ISO 13482 标准（个人护理机器人）尚不足以覆盖通用人形机器人，新的安全规范正在 IEEE、ISO 多方推进。
通用机器人何时到来？ 莱文 2024 年估计需要 10 年，黄仁勋 在 GTC 2025 上称 5 年内人形机器人将进入主流工厂——估计跨度之大本身就是这个领域不确定性的注脚。
太史公曰
余观具身智能六十年，方知身体是智能最后的考场。Shakey 笨拙而推理，深蓝精算而无身，AlphaGo 神算而不能动其一子——皆为离身之智。布鲁克斯三十年前疾呼"大象不下棋"，世人以为狂言；今日 VLA 模型涌现，方知大象之智确在身体而非棋局。机器人之难不在算法，在物理：摩擦不可计算、形变不可枚举、电池不可作弊。波士顿动力造腿三十年，至 Atlas 跑酷而商业不成；OpenAI 解魔方一台手，至今未成产品。何也？因机器人之进步不能像 GPT 一般靠堆参数——它必须每一步都通过现实的检验。然 2024 年起，VLA 成、Optimus 出、宇树 G1 跳秧歌于春晚，势已成形。中国占供应链之利，硅谷握模型之先，二者并进，未来五年必见高下。最深之教训在此：智能从来不是符号或网络的独白，而是身体与世界的对话。当 AI 终于走下屏幕、迈入物理空间，人类才真正开始与一种"他者"共处。这不只是工程奇迹，是文明级别的转折。
亲历者说
征集中
如果你参与过 Boston Dynamics、Google Robotics、宇树、智元、Figure、1X、Physical Intelligence 等具身智能项目，或在仿真、强化学习、VLA 模型上有第一手经验，欢迎提交贡献。
参考资料
- Nilsson, N. J. (1984). Shakey the Robot. SRI Technical Note 323, Stanford Research Institute.
- Brooks, R. A. (1990). Elephants don't play chess. Robotics and Autonomous Systems, 6(1-2), 3-15.
- Levine, S., Pastor, P., Krizhevsky, A., et al. (2018). Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection. International Journal of Robotics Research, 37(4-5), 421-436.
- OpenAI, Andrychowicz, M., Baker, B., et al. (2020). Solving Rubik's Cube with a robot hand. arXiv preprint arXiv:1910.07113.
- Brohan, A., Brown, N., Carbajal, J., et al. (2022). RT-1: Robotics Transformer for real-world control at scale. arXiv preprint arXiv:2212.06817.
- Brohan, A., Brown, N., Carbajal, J., et al. (2023). RT-2: Vision-language-action models transfer web knowledge to robotic control. arXiv preprint arXiv:2307.15818.
- Open X-Embodiment Collaboration, Padalkar, A., Pooley, A., et al. (2024). Open X-Embodiment: Robotic learning datasets and RT-X models. ICRA 2024.
- Black, K., Brown, N., Driess, D., et al. (2024). π0: A vision-language-action flow model for general robot control. Physical Intelligence Technical Report, October 2024.
- Lee, J., Hwangbo, J., Wellhausen, L., et al. (2020). Learning quadrupedal locomotion over challenging terrain. Science Robotics, 5(47), eabc5986.
- Figure AI (2025). Helix: A vision-language-action model for general humanoid control. Figure AI Technical Blog, February 2025.
- AgiBot, Inc. (2025). AgiBot World: A million-trajectory dataset for embodied intelligence. Open release, January 2025.
- Boston Dynamics (2024). The next generation of Atlas. Press release, April 17, 2024.