Embodied AI
具身 AI 构建带有实体机器人或模拟化身的智能体，让它们通过感知和行动在 3D 空间中学习，应用涵盖导航和操作。
具身 AI 是人工智能领域的一个分支，致力于构建拥有身体的智能体；身体可以是实体机器人，也可以是 3D 模拟器中的虚拟形象。这些智能体通过传感器感知周围环境，通过电机或模拟控制装置与环境交互，并从自身行动的结果中学习。由于每个动作都会改变智能体接下来看到的内容，具身智能体会自行积累经验，而不只是从固定的图像或文本数据集中学习。典型的具身任务包括在陌生住宅中导航以寻找物体、探索房间并回答相关问题、遵循语音指令，以及拿起和重新摆放物体；该领域也为现代机器人技术提供了背后的学习方法。
具身 AI 的起源#
具身 AI 源于对纯符号 AI 的反思。20 世纪 80 年代末，MIT 的 Rodney Brooks 制造了类似昆虫的步行机器人，并用简单的传感器到电机行为层控制机器人。在 1991 年的论文《无表征的智能》中，他主张应从机器与世界的直接交互中逐步构建智能。1988 年，Hans Moravec 指出，计算机当时已经能在跳棋和智力测试中达到成年人的水平，却无法匹配一岁幼儿的感知与行动能力。这种差距如今称为 Moravec 悖论，仍然是该领域的核心难题。
现代具身 AI 领域在 2017 至 2019 年间逐渐成形，当时快速的 3D 模拟器让智能体能够通过数十亿步的经验进行训练。Allen 人工智能研究所推出的 AI2-THOR 提供了交互式住宅环境，智能体可以在其中打开抽屉和移动物体；Meta 的 Habitat 可加载真实住宅的 3D 扫描数据，并在单块 GPU 上以每秒超过 10,000 帧的速度渲染。标准基准任务包括点目标和对象目标导航、具身问答，以及视觉语言导航。2019 年，Erik Wijmans 及其同事使用深度强化学习训练 Habitat 智能体，进行了25 亿步训练，相当于 80 年的人类经验。该智能体仅使用 RGB-D 摄像头、GPS 和指南针传感器，就几乎完美地到达了从未见过的住宅中的目标位置。
感知—行动循环#
具身智能体运行一个闭环：读取传感器数据、构建场景图像、选择动作、执行动作，然后观察环境发生了什么变化。
感知会将原始传感器数据转换为决策所需的信息。对象检测和实例分割可找出智能体能够交互的对象；深度估计和传感器融合可确定对象在 3D 空间中的位置；姿态估计可跟踪人物及其动作；视觉 SLAM则会在构建地图的同时确定智能体在地图中的位置。Ultralytics ROS 快速入门会在 ROS1 或 ROS2 节点中运行 Ultralytics YOLO26，该节点订阅机器人的摄像头话题；在深度示例中，分割掩码会在对齐的深度图像中选出对象像素，节点再发布对象到摄像头的平均距离。
决策可以来自经典规划器、模型预测控制，或将观测直接映射为电机指令的学习策略。世界模型可以预测场景会如何响应某个动作，让智能体在移动前先在想象中测试计划。
具身智能体如何学习行动#
在模拟环境中进行强化学习，可以让智能体通过数百万次试验从奖励中学习；领域随机化会改变纹理、光照和物理参数，使模拟环境中训练的策略能够迁移到真实机器人。OpenAI 曾在 2019 年利用这种方法训练机械手成功还原魔方。模仿学习则利用远程操作示范来训练策略，方法包括基础的行为克隆、扩散策略和动作分块；动作分块会一次预测一小段未来动作序列。
大型预训练模型如今能提供关于对象和语言的通用知识。Google 的 RT-1（2022 年）使用 13 个机器人在 17 个月内收集的 130,000 次示范，学习了 700 多项任务；RT-2（2023 年）则对一个视觉语言模型进行微调，使其将机器人动作输出为文本 token，由此引入了视觉语言动作（VLA）模型这一术语。Open X-Embodiment合作项目汇集了来自 21 家机构、涵盖 22 种机器人类型的示范数据，用于训练适用于不同机器人形态的基础模型。Physical Intelligence 于 2024 年 10 月推出的 π0，在一个 30 亿参数的视觉语言模型中加入了流匹配动作专家，能够以最高 50 Hz 的频率控制机器人。Google DeepMind 于 2025 年 3 月发布的 Gemini Robotics模型则基于 Gemini 2.0 构建了 VLA。
这些方法应用于自动驾驶汽车、仓库移动机器人、视觉引导的拾取与放置机械臂、农业机器人和无人机；这些设备都必须实时根据所见内容采取行动，而且通常依靠搭载在设备上的边缘 AI 硬件运行。
