具身智能（Embodied Intelligence）指具有物理身体的智能系统，通过与物理世界的实时交互来感知、理解和行动。这与大语言模型（LLM）这类”无身体”的AI形成根本区别：LLM处理文本符号，而具身智能需要处理连续的感知数据流（视觉、触觉、本体感觉）并输出精确的物理动作。
## 核心技术挑战
**感知-动作映射（Perception-Action Mapping）**：将摄像头、力矩传感器、IMU等感知数据实时映射为电机控制指令。这需要处理高维度、高噪声的感知输入，并在毫秒级时间尺度输出稳定的控制信号。传统机器人控制依赖精确的环境模型和预设轨迹；具身智能目标是像人类一样从感知直接反应，适应未知环境。
**泛化能力（Generalization）**：机器人在训练环境中学到的技能，在真实环境中经常失效（光照变化、物体位置偏差、形状差异）。提升泛化能力是当前具身智能最核心的研究课题。数据稀缺是制约因素——真实机器人运动数据的采集成本远高于文本/图像数据。
**双手灵巧操作（Dexterous Manipulation）**：双手协作完成复杂操作（折叠衣物、组装零件）是当前技术的主要难点。手部有20-30个自由度，精细操控需要高保真力觉感知（感知到0.1N精度的力）和毫米级位置精度，目前商业化机器人手均距离人手的灵巧性有显著差距。
## 训练方法论
**模仿学习（Imitation Learning）**：收集人类遥控操作数据（Teleoperation），让机器人从人类示范中学习动作策略。斯坦福大学ALOHA、ACT（Action Chunking with Transformers）和π0（Physical Intelligence）是代表性方法，已在双臂操作任务上取得显著进展。
**仿真训练（Sim-to-Real）**：在物理仿真器（Isaac Gym/IsaacSim、MuJoCo）中大规模训练机器人策略，利用仿真的高速和安全性积累大量数据，再迁移到真实机器人。领域随机化（Domain Randomization）通过随机化仿真中的物理参数（摩擦系数、质量、视觉外观）提升迁移鲁棒性。
**视觉-语言-动作模型（VLA）**：将LLM/VLM的语言理解能力与机器人动作生成结合，使机器人能理解”把蓝色盒子放到桌子右边”这类自然语言指令并执行。Google DeepMind的RT-2、Physical Intelligence的π0、Tesla的Optimus控制模型均属于此类。
参见[人形机器人全景](https://sunqi.org/humanoid-robot-overview-zh/)；[机器人感知与视觉](https://sunqi.org/robot-perception-vision-zh/)；[OpenAI机器人研究](https://openai.com/research/)。
