上个月赶去南京看科技展，挤了半小时才蹭到具身智能展台跟前，本来以为又是提前录好演示走个过场，结果刚站定就出了小意外。
机器人要给前排观众递矿泉水，走到台边被一根散落的延长线绊了一下，车身晃了两晃，没停，没卡死，居然自己侧身调整重心绕了过去，稳稳把水放在了观众手里。
当时全场低低哦了一声。我站在第一排，莫名起了点鸡皮疙瘩。
别翻百科了，说句人话
你听多了大模型，都知道那是存在服务器里的大脑，你问它什么它都能答，但它从来没亲手摸过勺子，没踩过雨后的水坑，它对世界的所有认知都来自网上攒的文字和图片。
具身智能呢？简单说就是给AI长出自己的手脚和感官，真的站在这个物理世界里，自己摸爬滚打攒经验。
很多人对它最大的误解就是给大模型装个机械身体就是具身智能。真的不是。
十年前就有能上菜的餐厅机器人，那是提前编好路径，走哪停哪卡在哪，全都是定死的，你把个凳子放它路上，它就只会滴滴叫停在原地等死。
具身智能不一样。它能自己看，自己改，遇到没见过的障碍，它能自己试错找办法。就刚才绊电线的那一下，没人教过它遇到散落的延长线该怎么动作，它身上的传感器感受到重心偏移，自己调整了步伐，这才是它的核心。
说实话，这个变化真的戳人。原来AI都是我们整理好数据喂给它，它坐在那学。现在它能自己跑进真实世界，自己找问题，自己攒经验。
为什么偏偏是现在火了
其实这个概念提出来快半个世纪了，怎么就这两年突然挤到风口跟前了？说穿了就是三件事刚好凑齐了。
第一是大模型的通用理解能力上来了。原来AI看东西就是识别一堆像素，你说“把桌上那杯蓝色的水拿给我”，它得你给它标好坐标写好程序才敢动，现在大模型能把看到的颜色、摸到的硬度、听到的指令串起来，听懂人话里的模糊需求，不用每次都给精确指令。
第二是传感器做得够便宜够小了。原来好一点的力控传感器，一个就要十几万，也就实验室敢玩，现在消费级的做得又小又灵敏，能给机器人全身上下装一堆，碰到棉花能感受到软，碰到砖头能感受到硬，不会一拿就把杯子捏碎。
第三是仿真训练技术上来了。原来训练一个机器人走路，真摔个几百次，机械臂都摔烂了，成本高到吓人，现在百分之九十的训练都能在虚拟仿真环境里跑完，再把模型导到实体机器人上，省了太多钱和时间。
不过话说回来，也就是刚凑齐个起点，好多坎还跨不过去。
别被PPT吹晕了，坑还多着呢
前阵子翻了好多创业公司的融资稿，开口就是“两年内打进普通家庭”，闭口就是“颠覆家政行业”。挺扯的。
现在最大的坎，就是虚拟和真实之间那层看不见的鸿沟。说白了就是，你在仿真里训练一万次，走一万次平路，拿到真实世界，今天太阳大玻璃反光，明天地面刚拖完有点滑，机器人直接就懵在原地动不了。
它学不会人类那种天生的直觉。比如拿半杯满的水，人类不用想就知道用多大劲，走多快，机器人得算半天，劲大捏碎，劲小掉地上，错一次还得重新学。
还有算力和成本的问题。现在一台能做基础互动的具身智能原型机，成本少说几十万，你会花几十万买个帮你拿快递的机器人回家吗？就算你愿意，现在稍微复杂点的动作，推理要的算力普通家用电脑根本带不动，得连云端，网稍微卡一点，动作就慢半拍，你能忍？
最有意思的还是常识问题。网上有个挺火的测试，让机器人把桌子上的垃圾捡了，它直接连着垃圾带着桌子一起抱起来了。因为它只听懂了“捡垃圾”这个指令，根本不知道桌子是不能动的啊。这种细碎的常识，你说要怎么教给它？数不清的细节，根本列不完。
我之前跟那个展台的工程师聊天，他说他们团队熬了大半年，最骄傲的突破就是机器人能走不平的草地不摔跤。放在五年前，这想都不敢想。
你看，科技进步其实从来都不是发布会台上那句“实现了通用具身智能”的噱头，都是这么一件一件碎小事堆出来的。
我倒不觉得具身智能明天就能取代谁，颠覆什么，它只是把AI从屏幕里拉出来了，从你的手机电脑里，走到了你踩的这片水泥地上，以后说不定能帮你捡沙发底下的耳机，帮你关火，帮你拿高处的瓶子，这个方向是对的，就是得慢慢走。
哪天你逛展，碰到个机器人绊了一下，自己晃两下站稳了继续走，别惊讶。那就是具身智能，真的站在你面前了。
作者|科技
排版|科技
审核|满满