上周去朋友的实验室蹭冰美式，撞见个挺傻的场面。
他们实验室那台花了几十万采购的人形机器人，正对着桌上半颗滚到边缘的草莓发呆——不是系统卡壳，是真的在算。
算到最后机械爪“唰”地伸出去，力道没控制住，直接把草莓按成了一滩粉白色的泥。
旁边的研究员扶额叹气，说这已经是今天按碎的第17颗了。
别再把它当成“会走路的ChatGPT”
这两年但凡跟人聊起机器人，十有八九会有人蹦出“具身智能”四个字，听着玄乎，很多人对它的理解还停留在“把大模型装到机器人身体里，就能造出来会聊天的人形机器人”。
差远了。
之前所有的主流AI，不管是能写代码的大模型，还是能认图的视觉模型，本质上都是“坐在服务器里的旁观者”。它学过的所有知识，都是人类通过文字、图片、视频喂给它的二手经验。就像一个从来没下过水的人，哪怕把一百本游泳教材背得滚瓜烂熟，真跳进水里还是会慌——因为他从来没感受过水的浮力，不知道划水的时候要使多大劲才能让头露出水面。
很多人觉得，既然大模型能写出一万字的美食评论，能精准描述草莓的口感是“酸甜多汁、软中带一点脆”，那把它装到机器人身上，机器人肯定能学会抓草莓。但真的上手试才知道，大模型根本不知道“软中带脆”对应的是多大的抓取力道。它的数据库里没有“草莓被捏到什么程度会爆汁”的实时反馈，就算把所有关于草莓的描述都背下来，碰到真实的草莓还是会按碎。
所谓“具身”，本质是让AI长个会“挨疼”的身子
最早提出这个思路的是上世纪80年代MIT的学者布鲁克斯。当时整个AI圈都在卷专家系统，想把人类所有的知识都编码进电脑里，造一个无所不知的超级大脑。布鲁克斯直接跳出来骂，说你们搞的这些都是没有身体的“电子幽灵”，根本解决不了真实世界的问题。
他当时做了一台没有复杂计算能力的移动机器人，没有预装任何障碍物识别的程序，就靠身体上简单的碰撞传感器和距离传感器，能在实验室的走廊里绕开椅子、绕开人，自己找到电源插座充电。在当时所有人都觉得他离经叛道，现在回头看，这就是最早的具身智能雏形。
具身智能的核心从来不是“让AI像人一样思考”，而是“让AI像人一样通过身体和物理世界实时互动”。它的学习逻辑根本不是“先把所有知识背下来再行动”，而是“行动—反馈—调整—再行动”的闭环。就像你学拿杯子，根本不需要提前算好杯子的重量、摩擦力、需要用多大的握力，手碰到杯壁的瞬间，触觉传感器会把“滑”“重”“软”这些信号实时传给大脑，大脑再调整手指的力度，整个过程快到根本不需要刻意思考。
那些装在机械爪上的薄膜传感器、关节里的力矩计、脚底的压力感应单元，就是这个实体的“神经末梢”。机器人碰到软的东西，传感器传回“压力过大”的信号，就自动收一点劲；碰到地面倾斜，脚底的传感器传回“重心不稳”的信号，就自动调整腿的角度。这种从身体传回来的实时反馈，是坐在服务器里的大模型永远拿不到的一手经验。
现在吹的那些“落地场景”，大多还在拍PPT的阶段
我知道现在行业里的话术都挺猛的，说具身智能要进工厂当工人，进家庭当保姆，进餐厅当服务员，好像再过两年，你家就能有个机器人帮你做饭接孩子。
说实话，差得远。
你看那些刷爆短视频平台的机器人视频，翻跟头、跑酷、开门，看着丝滑得不行，真把它放到普通家庭里试一次就知道：地毯翘个边，它可能绊倒；地上扔了双拖鞋，它可能卡脚；桌上的汤碗稍微滑一点，它端着走两步就洒。之前有个做机器人的朋友跟我吐槽，说他们之前做演示，特意在地上铺了和实验室一样的光滑地板，结果到客户现场，人家铺了块短绒地毯，机器人走上去直接卡在原地，尴尬得想找个地缝钻进去。
更麻烦的是学习效率。你教家里的小孩抓草莓，示范个两三次，他就能稳稳把草莓拿起来不捏碎。机器人呢？得试几百次，按碎几百颗草莓，才能从传感器的反馈里摸出来“哦，原来这个力道是刚好的”。我朋友实验室为了练抓草莓的动作，上个月买了整整三箱奶油草莓，现在全实验室的人，看见草莓就犯恶心。
之前有个做投资的朋友跟我聊，说现在赛道挤爆了，好多团队连实体机器人都没有，就靠一段三维动画渲染的机器人视频，就能拿大几百万的融资。我当时就笑，你这哪是具身智能，你这是动画智能。
我上次离开实验室的时候，那台按碎了半箱草莓的机器人，终于稳稳抓起了一颗完整的草莓，举在半空中晃了半天，像个刚学会拿东西的奶娃娃。
说真的，那瞬间我没觉得它是什么能颠覆时代的黑科技。
就觉得。
原来让AI真的摸一摸这个摸得到、碰得到、有温度有摩擦力的真实世界，要花这么久。
作者|科技
排版|科技
审核|白杨