上个月去南京郊区的自动化工厂找朋友，进门没走两步，脚边的矿泉水瓶没拿稳，滚到了路中间的移动小车前面。
我当时第一反应是伸手去捞——早年见过太多这种AGV小车，只认预设磁条，别说矿泉水瓶，就算放块砖头它也敢往上撞。
结果那台小车慢慢减了速，绕着瓶子画了个小弧，稳稳当当走了自己的路。连方向盘都没晃一下。
朋友在旁边笑，说这就是现在圈内炒得火热的具身智能，不是什么把ChatGPT装到轮子上的花活。
别被营销号骗了：不是大模型装个身体就是具身智能
说实话，我之前看了好多科普，一半都在说「具身智能就是给AI长个手脚」，听得我直皱眉。
原来的AI是什么样？是坐在云端的考官，给它什么题它答什么，所有训练数据都提前输好，它从来不用自己碰这个世界。你问它怎么开门，它能给你列十条步骤，头头是道。但你让它自己开一次，它连把手在哪都摸不对。
具身智能不一样。它的大脑不是飘着的，它长在身体上。
它要自己用眼睛看，用传感器摸，在物理世界里试错，把「知识」变成能行动的经验。门有重有轻，把手有高有低，有的要拉有的要推，这些从来不会写进完美的训练数据集里，得它自己走一遍才懂。
我之前看加州大学一个实验室的演示，训练机器人叠衣服，一开始机器人把衣服揉成一团都打不开，练了几百次，居然能把T恤叠得比我还整齐。这个过程不是工程师输入代码改出来的，是机器人自己一次次试出来的。
这才是具身智能的核心。不是身体，是「在真实环境里自己长出能力」。
为什么现在突然火了？攒了几十年的零件终于凑齐了
其实这个概念一点都不新，早在上个世纪就有人提了。为什么偏偏这两年火起来？
不是资本炒作，是真的攒够了台阶。
第一是传感器便宜了。以前一个能测深度的视觉传感器要几万块，现在消费级的几百块就能拿下，精度还够。机器人能看清周围的东西了，才谈得上调整动作。
第二是大模型把推理能力补上了。原来的机器人只能做固定动作，现在大模型能把人类的指令翻译成一步步的行动，还能处理突发的变量——你说「帮我把桌上的蓝色杯子拿过来」，哪怕杯子被笔记本挡住一半，它也能认出来，还能绕开笔记本拿到杯子，这个放在十年前想都不敢想。
第三是机械执行的精度上来了，关节的反应速度够快，不会你让它停它还往前冲三米。
不过话说回来，现在大部分落地的产品，都还只是初级阶段。工业场景走得最快，毕竟工业场景规则相对固定，变量少，能直接降本。我朋友说他们工厂现在用的这种具身AGV，比原来的固定路线小车，改一次路线的成本降了九成，还能随时调整，不用挖地贴磁条。
民用的就慢很多了。你想啊，家里是什么地方？今天孩子把玩具扔地上，明天你把椅子挪位置，碗有圆的有方的，酱油瓶放的位置每天都不一样，变量比工厂多一百倍。
我们离能做家务的机器人，还有多少路要走？
我前阵子刷到好几个发布会，说再过三年就能推出帮你做饭洗碗的家用机器人，看得我乐了。
演示视频里的确好看，机器人给主持人递咖啡，切水果，动作流畅得不行。转头就有内部的人说，所有东西的位置都是提前标定好的，你把咖啡杯挪十厘米，它就找不到了。
这就是现状。所有拿出来给你看的完美演示，背后都是无数次调试和摆位，真放到乱糟糟的普通人家里，大部分机器人都得懵。
我挺认同一个做机器人的朋友说的话：虚拟世界的AI，拼的是数据量；物理世界的具身智能，拼的是对不确定性的容忍度。阿尔法狗能赢围棋冠军，因为围棋的规则是死的，所有可能性都算得出来。可你要机器人帮你收桌子，桌子上有刚吃剩的半碗米饭，有掉了的葱花，有你手机放那，它不能把你手机扔垃圾桶里，也不能把剩饭蹭你沙发上，这里面的细节，哪是训练数据能覆盖完的？
那是不是说具身智能就是骗局？当然不是。
那天在工厂，我看到那台小车躲开水瓶的时候，突然想到我们自己刚学走路的时候，不也是一次次摔，一次次调整，才学会怎么避开石头，怎么跨过水坑吗？原来AI也得走一遍人类走过的路——从只会动脑想，到能动手做，从活在数据集里，到能走进真实的世界。
前几天下班路过科技园，看到几个年轻人围着一台四足机器人测试，它自己绕开了路边的树根，还稳稳跳过了一个十厘米高的小水沟，那群人在旁边鼓掌，喊得比看演唱会还大声。
其实想想挺感动的。这哪里是测试机器人，这是AI刚学走路啊。路才刚踩出第一个脚印，未来什么样，谁也说不准。但至少，它已经站起来了。
作者|科技
排版|科技
审核|乐乐