蹲在实验室拼乐高的小机器人，才是真的具身智能？

上周去南京仙林逛一个高校的机器人实验室，推开门没碰到举着展板的讲解员，反倒看见个半人高的小机器人蹲在地毯上，指尖捏着个乐高颗粒，对着摊了一桌子的散零件晃来晃去。

没人给它贴操作步骤。

旁边蹲了个戴黑框眼镜的博士生，盯着屏幕上跳动的参数笑，说这就是他们磨了快八个月的项目——具身智能。

我第一反应是，就这？之前在展会上见的那些能跳科目三、能跟人对话的机器人，不也是具身智能？

别把“会动的AI”都算成具身智能

真不是抬杠，现在市面上挂着“具身智能”名头的产品，十有八九是凑数的。

你想啊，之前那些展会上的机器人，动作都是提前在后台写好的动作脚本，大模型负责接话茬，碰到个桌子腿挡路，都得等系统提前算好绕路的角度才敢迈腿，跟那些按程序走的迎宾机器人本质上没区别——最多就是说话更顺溜点。

具身智能的核心从来不是“把大模型装到机器人身上”，而是让智能从“身体和环境的互动里长出来”。

就说那个蹲在地上拼乐高的小家伙，它没有提前把整个乐高底座的3D模型导进系统，也没有把“拼第一步要拿哪个零件”的步骤写死。它的指尖装了微型的力传感器，碰到零件滑了，就马上收缩指节换个角度捏；拼的位置歪了，就用指腹把零件往旁边推两毫米对齐；甚至地毯有点软，压下去的深度不一样，它的手臂抬的高度都会跟着调。

这些反应不是靠后台的大模型算出来的。是它的“身体”碰到了环境，实时给了反馈，马上就做出调整，根本不等“脑子”发指令。

我当时凑得近，看着它捏着个两厘米的小零件滑了三次，最后一次居然把零件夹到了指缝里，晃了两下才掉下来。那个博士生在旁边叹气，说上次测试的时候它夹着零件晃了半分钟，最后把零件甩到了他的奶茶杯里。

你看，这才是真的“活”的状态——不是完美的，是会出错的，会根据碰到的状况临时调整的。

为什么这两年大家突然不追纯文本大模型了

说穿了挺尴尬的。

前两年大家都在卷大模型的参数，谁能写更顺的文案，谁能解更难的数学题，卷到最后发现，这些在屏幕里“无所不能”的AI，真要走到现实世界里，连个杯子都拿不稳。

我之前试过让某知名大模型帮我列个泡挂耳咖啡的步骤，它洋洋洒洒写了七百字，从水温多少度讲到滤纸怎么折，结果我照着做的时候才发现，它根本不知道我家的烧水壶把手是在左边还是右边，也不知道我家的咖啡杯把手是朝哪个方向的——这些东西，从来不会有人专门写在文本里传到网上，更不会被大模型吃到训练数据里。

它就像个读了一万本游泳教材从来没下过水的人，你问他自由泳怎么换气，他能给你讲得头头是道，真把他扔到泳池里，沉得比石头还快。

之前我们攒的所有互联网训练数据，本质上都是人类把自己跟世界互动的经验，抽成了干巴巴的文字、图片、视频符号。大模型吃了那么多符号，看起来什么都知道，其实从来没真正伸手碰过这个世界一下。

具身智能就是补这个窟窿的。

它不要求AI先在脑子里把所有的步骤都算得明明白白再动手，而是允许AI边动边碰，碰错了就调整，碰多了就知道什么东西是软的，什么是滑的，什么东西要轻拿，什么东西可以用力搬。

上次跟那个博士生聊，他说之前他们团队也试过把能力很强的文本大模型接到机器人身上，结果机器人站在原地，对着一个放在桌子边缘的苹果思考了三分钟，都没敢伸手——因为大模型在文本里见过太多“苹果从桌子上掉下来摔碎”的描述，怕自己一伸手就把苹果碰掉，纠结得不行。后来把大模型的决策权限降了，让机器人的力传感器直接控制手臂动作，它伸手就把苹果拿起来了，根本没纠结。

离普通人的日常，真的不远了，但也没那么快

别信那些发布会上面吹的，说具身智能再过半年就能进你家当保姆，能做饭能带娃能帮你取快递。

差远了。

就说实验室那个拼乐高的机器人，拼完一个三块零件的底座要花十二分钟，上次有个零件滚到了桌子下面，它盯着地面看了三分钟，不知道怎么俯身去捡——因为它的关节在调试的时候，最大俯身角度就设到了三十度，再低就会重心不稳摔下来。

现在的具身智能，大概就相当于九十年代初的砖头手机。你知道它以后肯定能发展成能扫码、能刷视频、能点外卖的智能手机，但是当下，它还只能打个电话，信号不好的时候还会断。

我之前跟团队里的人聊，他们说现在核心的卡点根本不是算力，是数据。

你想啊，互联网上攒了几十年的文本、图片、视频数据，喂给大模型吃了一轮又一轮，但是关于“人伸手拿陶瓷杯子的时候用多大的握力”“叠T恤的时候折三折要留多大的边”“走路碰到地毯翘边的时候，脚要抬多高”这种跟身体互动的细节数据，几乎是空白的。总不能让每个机器人都像小孩一样，花个十几年时间在地上爬，摸遍家里的所有东西才学会怎么动吧？

所以现在好多团队都在攒这类数据——让志愿者戴上带力传感器的手套，穿个第一视角的摄像头，在家叠衣服、做饭、搬东西，把每一个动作的力度、角度、碰到东西的反馈都记下来，喂给机器人学。

我上次试戴了一下那个手套，刚捏了个苹果，传感器就记下来我用了两牛的握力；换个鸡蛋就是零点三牛；抓个装满水的玻璃杯就是五牛。这些东西，你写一千字的描述都不如这几行传感器数据来得实在。

说实话我之前对这类实验室项目没什么感觉，总觉得离自己太远，直到那天看着那个小机器人，拼错了一个零件，歪着脑袋停了两秒，又伸手把零件抠出来重新放。

它甚至没有什么表情。

但就是那两秒的停顿，我居然觉得比之前看的所有AI发布会都有意思。

哦对，还有个小误区要提一句，好多人觉得具身智能就是做机器人的，其实不是。你戴VR头显玩节奏光剑，挥剑的力度能被设备捕捉到，碰到障碍物的震动能传到手柄上，你的动作不是靠屏幕上的提示来的，是靠你自己的身体感知来调整的，这其实也算具身智能的雏形。

它从来不是什么高高在上的黑科技。就是让AI从那个冷冰冰的文本框里走出来，真的伸手碰一碰这个世界而已。