来源：机器人技术与应用（郑南宁（中国工程院院士、西安交通大学人工智能与机器人研究所所长），记者张丹华采访整理） · 2026-09-02 · 原文链接
一句话概括
具身智能不等于人形，判据是能否形成感知-认知-决策-行动-反馈闭环；四能力之上是信息—物理—认知三域融合
核心要点
- 判据不是"像不像人"，而是"能不能闭环"。具身智能 ≠ 人形机器人，人形只是载体之一。关键在于智能系统能否进入真实环境，形成"感知—认知—决策—行动—反馈"闭环，并在闭环中不断调整行为、通过学习改善内部模型与策略。评价标准是"是否真正解决现实世界问题"。
- 认知类比：像婴儿一样认识世界。婴儿不先学概念或语言，而是通过触摸、抓取、跌倒、重试建立对世界的理解——视觉提供空间结构，触觉提供物理反馈，运动经验不断修正预测。智能不是只存在于"脑"中的计算，而是身体与环境相互作用的产物；身体不只是执行工具，更是认知系统的组成部分。
- 系统三要素：感知系统（视觉、触觉、力觉等）+ 决策系统（理解与规划）+ 执行系统（机械臂、移动平台等物理实体）形成闭环，使系统能在行动中学习，而非仅依赖离线数据训练。
- 与大模型的关系：当前 LLM 更像"书房中的智能体"，擅长语言生成与知识表达但不直接作用于物理世界。真实世界有高度不确定性（光照变化、遮挡、材料差异、环境扰动），要求持续适应能力。具身智能不是对现有模型的简单扩展，而是重新审视身体、行动、环境在智能形成中的作用。
- 四大能力：① 世界模型——内部构建可模拟环境，行动前预测推演、评估决策后果，使系统从被动响应转向前瞻性主动决策；② 多模态表征——把视觉/语言/触觉/声音整合到统一语义空间；③ 因果推理——当前大模型基于统计相关性，对因果结构把握有限，判断"语言上合理但物理上不成立"，这是 AI 幻觉的来源之一，必须建立稳定的"动作—结果"因果链条；④ 生成与行动一体化——视觉/语言/动作统一建模的端到端系统，据自然语言指令生成动作策略，据环境反馈持续修正。
- 下一步前沿：“信息—物理—认知"三域融合建模。当前局限是许多模型仍停留在单一信息域，难实现真正的跨模态统一；三域融合使其逐步具备接近人类的整体认知结构。三大挑战：黑箱/可解释性不足、算力与部署矛盾（大模型难在边缘实时运行）、产业生态与标准接口尚未成熟。
- 两大基础条件：高质量多模态数据作为"燃料”，高逼真仿真环境作为"练兵场"。仿真训练再迁移到真实世界已成重要路径，但如何缩小 sim-to-real 差距仍亟待解决。
- 应用落点：工业制造从"执行工具"转向"意图驱动系统"（工艺参数直接进模型、扮演"数字检验工程师"、数字孪生全流程映射），制造体系从单点自动化走向全流程闭环；此外医疗康复、城市巡检（桥梁/电网/管道）、家庭陪护家政、自动驾驶（当前最接近规模化应用的具身智能形态之一）。
- 历史脉络：我国 1986 年 863 计划自动化主题就已提出研制精密装配机器人、水下作业机器人、复杂恶劣环境作业机器人——这些正是早期具身智能的雏形。近年随算法、算力、多模态数据才具备规模化工程条件。
- 总体判断：AI 正经历从符号世界、数据世界到真实世界的连续演化，从"看懂世界"走向"在世界中成长"。我国已形成政策引导、技术突破、产业应用协同的格局，但基础理论、原始创新与开源生态仍需提升。
金句
“智能并不是只存在于’脑’中的计算过程，而是身体与环境相互作用的产物。因此，身体不只是执行指令的工具，更是认知系统的组成部分。”
“当前的大模型更像’书房中的智能体’，主要擅长语言生成与知识表达，但并不直接作用于物理世界。”
“当前大模型主要基于统计相关性进行学习，对因果结构的把握仍然有限。因此，模型作出的判断有时在语言上看似合理，但在物理世界中并不成立。这也是人工智能幻觉的来源之一。”
“具身智能的本质，并不是让机器’像人’，而是让智能真正进入现实世界，在复杂、不确定环境中形成持续学习与适应能力。”
本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文