什么是具身智能？
具身智能（Embodied AI / Embodied Intelligence）是把 AI 大模型搬到具备物理身体的机器人上，让它能感知物理世界、与环境交互、完成实际任务的人工智能范式。
它与传统纯软件的"对话型 AI"最大的差别是：能在真实物理世界里行动。AlphaGo 是数字智能、ChatGPT 是文本智能，特斯拉 Optimus、宇树 H1 才是具身智能。
具身智能的三大核心要素
| 要素 | 含义 | 关键技术 |
|---|---|---|
| 身体（Body） | 感知+行动的物理载体 | 关节/电机/传感器/夹爪 |
| 大脑（Brain） | 感知-决策-规划 | 视觉/语言/动作多模态大模型 |
| 小脑（Cerebellum） | 实时运动控制 | 动力学模型、强化学习 |
"大模型+机器人"的技术突破
- VLM/VLA 模型：视觉-语言-动作多模态模型（Google RT-2、谷歌 PaLM-E、英伟达 GR00T、阿里 RDT-1B）；
- 仿真训练：在英伟达 Isaac Sim 等环境里大规模训练机器人；
- 世界模型：让机器人对物理世界有先验认知；
- 遥操+模仿学习：从人类示范中快速学习新技能。
典型代表
| 形态 | 代表 | 定位 |
|---|---|---|
| 人形机器人 | 特斯拉 Optimus、宇树 H1、Figure 01、Apptronik Apollo | 通用任务执行 |
| 四足机器人 | 波士顿动力 Spot、宇树 Go2 | 巡检/安防/搜救 |
| 桌面操作机器人 | 谷歌 RT-2、阿里 RDT | 实验室/家庭任务 |
| 移动操作机器人 | 仓储拣选、家庭服务 | 商业场景 |
与"人形机器人"的关系
具身智能 ⊃ 人形机器人。人形机器人是具身智能最具想象力的载体之一，但具身智能不止于人形——四足、轮式、桌面臂都属于具身智能范畴。本文聚焦"AI 范式"，与已发布的"人形机器人"专文（ID=42）侧重硬件不同。
核心产业链
| 环节 | 关键内容 | 代表公司（仅梳理） |
|---|---|---|
| 大模型/算法 | VLA、世界模型 | 科大讯飞、商汤、智谱、互联网大厂 |
| 关键零部件 | 减速器、电机、传感器 | 绿的谐波、汇川技术、柯力传感 |
| 整机厂 | 人形/四足/桌面 | 宇树（未上市）、优必选（H）、A股机器人板块 |
| 仿真平台 | 训练与数据 | NVIDIA Isaac、国内仿真厂 |
| 下游应用 | 工业/服务/家庭 | 汽车厂、物流、商超 |
商业化路径的三个层次
- 工业制造（最先落地）：汽车厂、3C 厂的搬运、装配；
- 商业服务：导览、巡检、配送；
- 家庭服务（终极愿景）：陪伴、护理、家务，预计 2030+ 才能成熟。
三大挑战
- 泛化能力不足：能在 A 场景做的事换到 B 场景就垮；
- 数据稀缺：物理交互数据比文本数据稀缺得多；
- 成本与可靠性：从样机到量产仍有 10 倍以上成本压缩需要。
结语
具身智能是 AI 走向"通用人工智能（AGI）"的关键拼图。它把大模型从"屏幕里"搬到"物理世界里"，是机器人 + AI 双轮共振的产物。本文从概念、技术、形态、产业链、商业化与挑战六个维度做了客观梳理，不构成任何投资建议。
深度扩展:具身智能的"技术栈与产业链"
🔸 一、具身智能 vs AI 软件的核心差异
具身智能(Embodied AI)= AI 大脑 + 物理身体。核心差异:
- AI 软件:在数字世界运行(ChatGPT、文生图)
- 具身智能:在物理世界运行(机器人、自动驾驶)
🔸 二、四大核心模块
- 感知层:多模态传感器(视觉/触觉/力觉/IMU)
- 决策层:大模型"大脑"(VLA 视觉-语言-动作模型)
- 执行层:电机/减速器/灵巧手
- 训练层:仿真+真机数据闭环
🔸 三、全球三大玩家
| 公司 | 代表产品 | 特色 |
|---|---|---|
| 特斯拉 | Optimus | FSD 数据复用 + 自研芯片 |
| Figure AI | Figure 02 | OpenAI 大模型 |
| 宇树 | H1/G1 | 中国领先,价格优势 |
🔸 四、市场规模预测
- 2024 年全球人形机器人出货 1 万台+
- 2030 年预计超 100 万台(CAGR 100%+)
- 单台成本从 50 万 → 10-15 万(规模效应)
🔸 五、A 股核心标的
- 绿的谐波(688017):谐波减速器全球前三
- 汇川技术(300124):伺服电机+控制器
- 三花智控(002050):热管理+执行器
- 拓普集团(601689):特斯拉核心供应商
- 柯力传感(603662):力矩传感器
本文仅作相关主题科普/介绍,不构成任何投资建议。市场有风险,投资需谨慎。