物理世界的 AI：当代码拥有了身体

过去十年，AI 的主战场是比特世界（World of Bits）——在围棋棋盘上战胜人类、在屏幕上画出惊艳的画作、在数据流里预测股市。

无论是写诗还是作画，AI 始终被困在那个发光的长方形屏幕里。

2026 年，这个边界被打破了。AI 开始进军原子世界（World of Atoms）。这一趋势被称为”AI Goes Physical”或者具身智能（Embodied AI）。

什么是具身智能

简单说，就是把大模型（LLM 或世界模型）装进机器人的身体里。

以前的机器人（比如波士顿动力的机器狗）虽然运动能力很强，但没有”常识”——它不知道那是”杯子”，只知道那是一个需要回避的”障碍物坐标”。

现在的具身智能拥有了大脑。当你说”我渴了”，它能理解这句话的含义，识别出桌子上的杯子，走到饮水机接水，然后递给你。这需要感知、规划、控制的完美结合。

驱动变革的三个引擎

1. 视觉语言模型（VLM）的进化

像 GPT-4o 和 Gemini 1.5 Pro，赋予了机器人”眼睛”。它们不再依赖激光雷达的点云数据，而是直接通过摄像头看世界。它们能读懂物体上的标签、看懂人类手势、甚至能通过观察人类的操作视频（Learning from Demonstration）来学习如何叠衣服。

2. 模拟仿真（Sim-to-Real）

在真实世界里训练机器人太慢也太贵（摔坏了要修）。现在的做法是在 NVIDIA Isaac Sim 这样的物理仿真引擎里构建一个和真实世界一模一样的”元宇宙”。机器人在虚拟世界里以 1000 倍速度做强化学习，尝试几亿次抓取动作。练成之后，直接把神经网络这个”大脑”下载到真实机器人身上。这种 Zero-shot Transfer 即使在陌生环境也能表现良好。

3. 端侧算力的爆发

机器人需要实时反应，不能依赖即便只有几百毫秒延迟的云端。高性能边缘计算芯片（NVIDIA Jetson Thor）让机器人能在本地跑得动整套复杂的感知-决策模型。

我看到的几个应用场景

通用人形机器人

Tesla Optimus 和 Figure 01 这类人形机器人开始小规模进入工厂。它们不再是只能拧某一个螺丝的专用机器，而是像工人一样：今天被安排搬运货物，明天被安排质检零件。它们能适应为人类设计的环境（楼梯、门把手、工具），工厂不需要为了机器人而改造。

下一代家庭服务

扫地机器人是具身智能的雏形，但它只能处理二维平面。新一代家庭机器人有了机械臂——可以去厨房把洗碗机里的盘子拿出来放进橱柜、可以把散落在地上的玩具收拾进箱子。动作可能还略显笨拙，但真的在帮我们分担家务。

自动驾驶的”ChatGPT 时刻”

端到端（End-to-End）的大模型自动驾驶开始取代基于规则的旧系统。汽车不再是”红灯停、绿灯行”的死板规则，而是像人类老司机一样，通过观察和直觉来驾驶。它能读懂交警手势、理解路边行人意图。

几个绕不开的挑战

容错率

物理世界的容错率远低于数字世界。AI 画错一只手，我们笑笑就过去了；机器人拿杯子力度大一点，杯子就碎了；自动驾驶判断失误，可能就是车祸。安全第一是具身智能不可逾越的红线。

成本

人形机器人现在一台几十万美元，远没到家庭普及的程度。规模化和工艺改进需要时间。

长尾场景

训练数据里没见过的边角场景（罕见障碍物、极端天气），机器人的处理仍然不够好。

一些观察

具身智能让我兴奋的不是”机器人长得像人”，而是劳动力供给结构的根本性变化。

如果互联网实现了信息的零成本传输，具身智能将实现劳动力的极低成本供给。这对制造业、物流业、家庭服务的影响会是深远的。

但也要冷静：2026 年的具身智能还在非常早期阶段——能真正在无结构环境里稳定工作的机器人仍然很少。实验室演示的”机器人叠衣服”距离大规模商用还有距离。

我的预期是：未来 3–5 年，工厂和仓库会率先普及（封闭环境、任务重复）；家庭场景的普及要到 10 年以后。

但方向已经很清楚：AI 走出了屏幕，开始进入我们生活的物理空间。这是接下来十年最值得关注的变革之一。