具身智能，在物理世界中成长

习近平总书记指出，人工智能是世界经济增长的新引擎和新旧动能转换的加速器，正从“数字世界”走向“物理世界”。

“十五五”规划纲要把具身智能列为未来产业之一。从实验室走向生产线、再走向更复杂的行业场景，人工智能正在经历一场重要转变，发展为能够在物理世界中持续交互、学习与进化的智能形态——具身智能。在人工智能重塑人类生产生活范式的今天，如何认识具身智能？具身智能怎样影响未来？

本期“院士讲科普·未来产业”邀请中国工程院院士、西安交通大学人工智能与机器人研究所所长郑南宁，围绕热点问题进行解读。

——编 者

人工智能的重要发展方向之一，是让机器不仅能处理信息、推演复杂问题，也能在真实多变的环境中灵活完成各类任务。

从工业生产线上的精细操作，到复杂地形中的自主行走，再到展演环境中的动态运动……近年来，机器人频繁出现在各种场景中。在这些能力背后，人工智能正在经历一场重要转变：从能够“计算”走向能够“行动”，并进一步发展为能够在物理世界中持续交互、学习与进化的智能形态——具身智能。

需要明确的是，具身智能不等于人形机器人，人形只是载体之一。其关键在于智能系统能否真正进入真实环境，形成“感知—认知—决策—行动—反馈”的闭环，并在这一闭环中不断调整自身行为，并通过学习改善内部模型和策略。因此，评价具身智能的标准，不在于形态是否“像人”，而在于是否能真正解决现实世界中的问题。

具身智能是什么？

像婴儿一样认识世界

理解具身智能，一个最直观的方式，是回到婴儿认识世界的过程。

婴儿不会先学习概念或语言，而是通过不断触摸、抓取、跌倒和重新尝试来建立对世界的理解。婴儿的认知并不脱离身体，而是在身体与环境的互动中逐步形成：视觉提供空间结构，触觉提供物理反馈，运动经验不断修正对世界的预测。

智能并不是只存在于“脑”中的计算过程，而是身体与环境相互作用的产物。因此，身体不只是执行指令的工具，更是认知系统的组成部分，参与感知、理解与行动的整个过程。这种“身体参与认知”的结构性特征，构成了具身智能的内涵。

一个具身智能系统通常由3部分构成：感知系统（视觉、触觉、力觉等）负责获取环境信息，决策系统负责形成理解与规划，执行系统（机械臂、移动平台等物理实体）负责作用于物理世界。三者形成闭环，使系统能够在行动中学习，而不是仅依赖离线数据训练。

大语言模型代表的“数据驱动智能”与这一机制相比，有明显差异。当前的大模型更像“书房中的智能体”，主要擅长语言生成与知识表达，但并不直接作用于物理世界。而真实世界具有高度不确定性，例如光照变化、遮挡干扰、材料差异与环境扰动，都要求系统具备持续适应能力。具身智能并不是对现有模型的简单扩展，而是推动我们重新审视身体、行动与环境在智能形成中的作用。

具身智能并非今天才出现。我国1986年实施的国家高技术研究发展计划（863计划）中，自动化主题就已明确提出研制精密装配机器人、水下作业机器人、复杂恶劣环境作业机器人，这些机器人都必须面对真实环境并完成闭环操作，它们正是早期具身智能的雏形。

近年来，随着算法进步、算力提升以及多模态数据的丰富，这一方向才真正具备规模化工程实现条件。

能力如何进化？

从“看懂世界”到“改变世界”

具身智能要让机器真正“进入世界并在世界中行动”，需要多种能力，可以从4个方面概括：

——世界模型的形成。系统需要在内部构建一个可模拟环境，使其能够在行动之前预测与推演，从而评估不同决策可能带来的结果。这种能力使智能系统从被动响应转向具有前瞻性的主动决策。

——多模态表征能力。现实世界的信息来源具有高度异质性，包括视觉、语言、触觉与声音等多种形式。具身智能需要将这些信息整合到统一的语义空间，从而形成整体性理解。

——因果推理能力。当前大模型主要基于统计相关性进行学习，对因果结构的把握仍然有限。因此，模型作出的判断有时在语言上看似合理，但在物理世界中并不成立。这也是人工智能幻觉的来源之一。具身智能必须进一步建立稳定的“动作—结果”的因果链条，才能在复杂环境中可靠运行。

——生成与行动一体化能力。随着生成式人工智能的发展，逐步出现将视觉、语言与动作统一建模的端到端系统，使机器人能够根据自然语言指令生成动作策略，并通过控制系统和执行机构付诸行动，再根据环境反馈持续修正。

在这一框架之下，当前系统仍然存在一定局限性：许多模型仍停留在单一信息域的处理阶段，难以实现真正意义上的跨模态统一。因此，一个更具前沿性的方向正在形成，即推动“信息—物理—认知”三域融合建模，使智能系统逐步具备更接近人类的整体认知结构，从而形成对世界的深层理解，并支撑其在物理环境中的推理与行动闭环。这一方向也代表了具身智能向更高层次发展的重要路径，但其实现仍面临多方面挑战：一是黑箱问题，模型决策过程的可解释性不足；二是算力与部署矛盾，大模型难以在边缘设备实时运行；三是产业生态尚未成熟，标准体系与接口规范仍处于演进阶段。

与此同时，具身智能的发展还依赖两大基础条件：一是高质量多模态数据作为“燃料”，二是高逼真仿真环境作为“练兵场”。通过仿真训练再迁移到真实世界已成为重要技术路径，但如何缩小仿真与现实的差距，仍亟待解决。

怎样影响未来？

从“实验室”走向“应用场”

具身智能的价值，最终必须在现实应用中体现。

在工业制造领域，一个重要趋势正在形成：智能系统正在从执行工具转向意图驱动系统。在这种系统中，工艺参数可以直接进入智能模型，用于分析生产过程中的优化空间；系统可以扮演“数字检验工程师”的角色，对产品质量进行实时监控，并参与生产调度；通过传感器与数字孪生技术，整个生产过程可以在虚拟空间中同步映射，实现全流程可视化与可追溯。

当前，制造体系正在从单点自动化走向全流程闭环。这种结构性变化，本质上就是具身智能在工业体系中的落地形态。

在医疗与康复领域，智能系统正在成为医生的重要辅助工具，参与微创手术、康复训练等。在城市治理与公共安全中，无人机与地面机器人协同执行基础设施巡检任务，在桥梁、电网、管道等高风险环境中替代人工作业。在家庭场景中，具身智能逐步进入日常生活，承担陪护、教育与基础家政服务功能。在交通领域，自动驾驶系统通过感知环境、构建世界模型、进行路径规划并控制车辆运动，是当前最接近规模化应用的具身智能形态之一。

具身智能的本质，并不是让机器“像人”，而是让智能真正进入现实世界，在复杂、不确定环境中形成持续学习与适应能力。从数据驱动的大模型，再到面向物理世界的具身智能，人工智能正在经历从符号世界、数据世界到真实世界的连续演化过程，从“看懂世界”进一步走向“在世界中成长”。

我国在具身智能领域已形成政策引导、技术突破与产业应用协同发展的良好格局，但在基础理论、原始创新与开源生态方面仍需提升。具身智能作为高度交叉的前沿方向，需要长期投入与持续突破。面向未来，具身智能让机器既“懂世界”又“能行动”，将深刻改变生产方式与生活方式，成为推动产业变革和社会发展的重要力量。

（作者为中国工程院院士、西安交通大学人工智能与机器人研究所所长，本报记者张丹华采访整理）