AI 时代如何做具身智能

具身智能（Embodied AI）不是一个新词。把它放回今天的具体语境里，值得单独讨论：基础模型（LLM / VLM）的成熟把"机器人理解世界"这件事的成本结构彻底改写了，于是过去几年在实验室里跑不通的事，现在开始有工程团队去推。

这篇文章不是技术综述，是一份工程师视角的判断清单——把模型拆开、把数据拆开、把部署拆开，看哪些环节在 AI 时代变得不一样。

一、先把定义收紧

具身智能的常见误解是「把一个大模型塞进机器人里」。但工程上的定义是 agent 必须通过物理动作影响世界，并且其决策结果依赖当前观测。三件事缺一不可：

• 感知：从传感器（相机、LiDAR、IMU、力矩、触觉）拿到世界状态。
• 决策：基于状态 + 任务目标输出动作或动作序列。
• 控制：把高层动作变成低层执行信号（关节电流、车轮转速）。

AI 时代最大的变化是「决策」这一段从手写规则/传统规划，变成了视觉-语言-动作模型（VLA）为主。这不代表控制不重要——控制是落地时最大坑，但它是另一篇文章的事。

二、决策模块：VLA 怎么选

截至 2026 年，主流路径是端到端 VLA（视觉+语言→动作），分三层选型：

1. 闭源旗舰（如 OpenVLA-O、Gemini Robotics、Pi 系列）：拿来即用，效果上限高，但成本和时延敏感。
2. 开源 VLA（如 OpenVLA、RT-2 复刻）：能在自建 GPU 上跑得动，需要中等规模团队做 SFT / RLHF。
3. 层次化方案：上层 VLM 做任务规划，下层专用模型做原子技能（抓取、避障）。工程上最稳，但模块之间的接口要设计好。

建议：第一次跑通业务前，不要直接用闭源旗舰跑真机——单次推理时延 + token 成本会让你烧不起。先用 simulation 跑通链路，再考虑上闭源。

三、数据：比模型更稀缺的部分

行业里有一句大实话：现在不缺模型，缺数据。数据来源分三层：

• 真机数据：贵、慢、但分布真实。10 小时真机 ≈ 几万到几十万次轨迹。
• 仿真数据（Isaac Sim、MuJoCo、Genesis）：便宜、量大，但 Sim2Real gap 是真实存在的。
• 人类视频（Ego4D、Something-Something、YouTube）：量最大、最脏，但隐含语义信息最难替代。

健康的数据飞轮比例建议是 1 : 50 : 200（真机 : 仿真 : 人类视频），这是 2025 年头部团队的常见分桶。

四、Sim2Real 的现实

仿真不是万能的。但 2024 年起，domain randomization + 真实场景图片背景融合 + 物理参数 sweep 把 Sim2Real 成功率从 20% 提到了 60-70%。关键的工程实践：

• 域随机化:在仿真里把光照、背景、物理摩擦系数大范围随机化，强制模型学到不变性。
• 外观迁移:用 diffusion model 把仿真渲染变成接近真实的图，作为额外训练信号。
• 物理辨识:对真实机器人的动力学参数（质量、阻尼、传动）做系统辨识，缩小仿真和真实的物理 gap。

五、部署：评估比 demo 重要十倍

任何具身 agent 真正上线前必须有真实场景的回归评估集。建议至少包含：

• 20-50 个常见任务（成功率 ≥ 90% 才算合格）
• 5-10 个边界 case（成功率 0% 也行，但要能 fail safely）
• 3-5 个对抗场景（小孩冲过来、宠物挡路、光照突变）

每个任务跑 50 次以上取中位数。不要相信 demo 视频——单次跑通不算，10 次跑通才算。

六、一个最小可行的项目骨架

如果你今天要立项，我的建议是：

1. 选一个单一任务（不要"通用机器人"，那是研究院的活）。
2. 用开源 VLA + Isaac Sim在 4 周内跑通仿真 demo。
3. 在 6 周内把真机数据回灌到训练 pipeline，验证 Sim2Real。
4. 在 8 周内完成100 次真机评估，得到可信成功率。

三个月能跑出一个「能稳定完成 1 个任务的机器人」就是合格起点。半年跑通 3-5 个任务就算进入第一梯队。

七、容易踩的坑

• 把 demo 视频当指标。单次跑通 ≠ 稳定 ≠ 可上线。
• 低估数据闭环成本。真实数据采集 + 标注 + 回灌 pipeline 的人力通常比模型训练更多。
• 忽略安全评估。具身 agent 必须能 fail safely——碰撞检测、紧急停止、行为边界。
• 把感知当白盒。相机标定、IMU 噪声、LiDAR 标定这些"无聊的工程"往往比模型重要。

结尾

具身智能不是 2026 年才出现的事。但 AI 时代让它的门槛变得不一样——决策不再是瓶颈，数据和工程闭环才是。如果今天开始做一件事，我会选层次化方案 + Sim2Real + 真实数据飞轮这条路径，而不是上来就 all-in 端到端大模型。

下一篇预告：把"做项目"这件事整理成可复用的工作流模板。