为什么以前的机器人总是笨手笨脚
你肯定见过以前的机器人表演，不管是工厂里拧螺丝的机械臂，还是展会上走秀的仿生人，动作都挺标准，可只要换个场景，稍微改一下东西的位置，立马就懵。
那时候的机器人，本质就是个执行预定程序的机器，所有动作路线、发力大小都提前给它输好了，它根本不会自己看着环境调整。后来有了计算机视觉，能认出面前的东西是什么了，可还是不会碰——劲大了捏扁矿泉水瓶，劲小了拿不住掉地上，永远卡在最后一步。
我们现在熟悉的大语言模型，其实也都是“无实体”的。它们活在服务器的硬盘里，所有知识都来自网上爬的文本和图片，它们从来没有亲手摸过一个陶瓷杯子，从来没有踩过沾水滑脚的地板，从来没有躲开乱跑的猫。
你让ChatGPT写一篇“如何给杯子倒水”，它能给你输出几千字条理分明的步骤，可你给它装个机械手，它连转瓶盖都不知道用多大劲。对吧？
具身智能要改的就是这个事。把AI的大脑装进身体，让它自己在真实世界里摸爬滚打，自己学怎么和物理世界互动，而不是光靠人喂数据。说直白点，就是把AI从屏幕里拽到我们的真实生活来。
具身智能到底难在哪，为什么现在才火
其实具身智能这个概念，几十年前就有了，为什么这两年突然爆了？说白了就是大模型把AI的认知能力拉起来了，终于给机器人配了个够用的“脑子”，以前机器人认东西都认不准，现在有大模型帮忙，能看懂场景了，自然就能往下走了。
可很多人有个误区，觉得具身智能不就是大模型+机械身体吗？把GPT装到机器人身上不就成了？
真不是这样。差得远呢。
最大的坎就是真实世界的不确定性。虚拟世界里所有参数都是定死的，你训练AI的时候给的图，杯子都是干干净净放在正中间的，可你家里的杯子，可能沾了咖啡渍滑溜溜，可能放在歪歪扭扭的茶几边缘，可能你家猫突然蹦上去把杯子推了两厘米，这些变量哪能全给你放进训练数据里？
还有延迟的问题。机器人走路脚歪了一下，要几毫秒之内调整重心，不然就摔了，你总不能把数据传到云端让大模型算半秒吧？等算完，机器人已经躺地上了。所以现在要做端侧的实时推理，既要聪明又要快，这对硬件和算法都是大考验。
训练成本也高。你训练大语言模型，爬爬网页就行，成本可控。你训练具身智能，总不能让机器人真摔十万次学走路，真捏碎一万个杯子学握力吧？一个机器人几十万，造一万个就是几百万上千万，谁受得了？现在大家都用仿真环境先练，练完再迁移到真实世界，可仿真再像，也和真实世界差一层，这个鸿沟至今没人能填得完美。
我们离能用的具身智能还有多远
说实话，你想现在买个具身智能机器人回家帮你叠被子做饭，那肯定是想多了。现在展会上能演示的那些，大多都是几十万上百万的试验品，根本不可能量产走进家庭。而且多数只能干一件事，干好了倒水，就干不了扔垃圾，通用性还差得远。
不过这不代表具身智能离我们很远。它最先落地的场景其实已经来了，就是工业和物流。
比如仓库拣货，以前的机械臂只能拣固定位置固定大小的货，只要货放歪了，包装软了，就不行，得人工补。现在带具身智能的机械臂，自己能认，自己能调姿势，不管你货怎么放，它都能拣起来，效率比人工高多了，现在已经有不少仓库在测试用了。
还有汽车行业，一些工厂里已经开始用带具身能力的机器人做不规则零部件的装配，以前这种活只能人工干，现在机器人能自己适应零件的误差，干得比人还稳。
不过话说回来，现在概念炒得太凶，好多概念股把具身智能吹得无所不能，好像明天就能替代所有人工了，说白了就是割韭菜。你去展会上看看就知道，能流畅做好倒水这个动作的机器人，都没几个，哪那么快改变世界。
可我还是觉得，这件事本身太浪漫了。我们这几十年用的AI，都是活在屏幕里的，帮你回消息，帮你写稿子，帮你算报表，永远摸不着。现在呢，我们终于要把AI做成人能摸得着的样子，让它走进我们的物理空间，帮我们拿快递，帮我们浇花，帮我们做那些费力气的小事。
那天从展会出来，吹着南京九月底的风，我就在想，今天这个晃了三次才对准瓶口的小机器人，说不定就是十几年后那个能帮你收拾家务的机器人的起点。这种看着一件事从0开始慢慢发芽的感觉，比听多少大佬吹概念都过瘾。
作者|科技
排版|科技
审核|小北