一、定义
具身智能（Embodied Intelligence）是指智能体通过物理身体在真实世界中感知、推理和行动的能力——其核心主张是：抽象认知必须在真实世界的交互中"接地"（grounding），而非仅依赖符号或文本的内部计算。
这一定义源于认知科学中的"具身认知"（Embodied Cognition）理论，该理论认为认知并非发生在大脑内部的独立计算过程，而是由有机体的身体状态、运动能力、与环境的交互以及对世界的隐性假设共同塑造的。在人工智能领域，这一思想被工程化为：智能体不仅需要先进的感知和控制能力，更需要将抽象认知扎根于真实世界交互之中。
与传统AI将智能等同于"在内部表征上做计算"不同，具身智能认为智能是身体、环境和认知三者共同涌现的结果——世界本身就是最好的模型。
二、纵向分析：从诞生到当下
2.1 哲学与认知科学的种子（1940s—1980s）
具身智能的思想源头远比大多数人以为的要早。
1940年代，控制论先驱们就已经在问一个根本性的问题：智能到底是脑子里的计算，还是身体与环境的互动？Norbert Wiener 的控制论、W. Grey Walter 的"乌龟"机器人（1948年，能自主避障和寻找充电站）、以及 William Ross Ashby 的"稳态器"——这些早期工作构成了一个关键的洞察：智能不需要一个中央"大脑"做所有决策，局部的感知-反应循环本身就能产生看似复杂的行为。
但这个洞察在后来被遗忘了。1956年的达特茅斯会议之后，AI 的主流叙事转向了符号主义——认为智能就是对符号的逻辑操作。这条路走出了专家系统、定理证明器、后来的深蓝（Deep Blue, 1997年击败卡斯帕罗夫）。但符号主义有一个致命的假设：它认为世界可以用精确的内部表征来描述，然后在这些表征上做推理。
问题来了。一个机器人要在厨房里拿杯子，它需要一个关于"杯子"的精确定义吗？需要一个关于"厨房"的完整地图吗？符号主义者说需要。但现实世界太复杂、太模糊、变化太快，你根本写不完这些规则。这就是所谓的"莫拉维克悖论"（Moravcsik's Paradox）——让机器人下棋比让它在房间里走路容易得多。
2.2 行为主义革命：Rodney Brooks 的颠覆（1986—1990s）
1986年，MIT 的 Rodney Brooks 发表了一篇改变游戏规则的论文，提出了"包容架构"（Subsumption Architecture）。核心思想简单到近乎挑衅：别管什么世界表征了，直接让机器人对传感器信号做出反应就行。
Brooks 的经典实验是一个叫 Allen 的小机器人。它有三层行为：避障、徘徊、探索。这三层不需要一个中央控制器来协调，高层行为可以"抑制"低层行为。比如机器人在徘徊时检测到障碍物，避障层自动接管。没有任何"世界模型"，没有任何"规划"，但机器人表现出了看起来像"探索"的行为。
这个思路的哲学根基是 Brooks 的一句名言："The world is its own best model."（世界本身就是自己最好的模型。）你不需要在脑子里重建世界，直接从世界读就行了。
同一时期，Varela、Thompson 和 Rosch 在1991年出版了《具身心智》（The Embodied Mind），从认知科学角度系统阐述了具身认知理论。他们借鉴了佛教哲学和现象学，论证认知不是一个脱离身体的计算过程，而是身体、大脑和环境三者共同涌现的结果。
Brooks 的行为主义路线和 Varela 的具身认知理论，从工程和哲学两个维度，共同奠定了具身智能的思想基础。
2.3 强化学习的引入与寒冬（1990s—2010s）
行为主义的直觉很棒，但它有一个实际问题：手工设计行为层太难了。每个新任务都需要工程师花大量时间调试行为参数。
强化学习提供了一个替代方案：让机器人自己通过试错来学习行为。1990年代，Rich Sutton 和 Andrew Barto 的理论框架逐渐成熟，但早期的强化学习在真实机器人上效果很差——真实世界的样本效率太低，机器人在学会走路之前就已经把自己摔坏了。
1990年代到2010年代初，具身智能进入了相对沉寂的阶段。学术界有持续的研究（动态行走、SLAM导航、抓取规划），但没有出现突破性的范式转变。工业机器人仍然是预编程的、在结构化环境中工作的"笨机器"。波士顿动力在这个时期持续打磨运动控制技术，但它们更接近传统控制工程，而不是真正意义上的具身智能。
这个阶段的核心矛盾是：理论上有很好的直觉（让身体和环境驱动智能），但工程上缺乏足够强大的学习算法来把直觉变成现实。
2.4 深度学习带来的转机（2012—2019）
2012年深度学习在视觉识别上的爆发，以及2013年DeepMind的DQN在Atari游戏上的突破，为具身智能注入了新的可能性。核心变化是：深度神经网络终于有能力从原始感知数据中学习有意义的表征了。
2016年是一个关键节点。OpenAI成立后不久就开始布局机器人学习，发布了Gym和后来的Gym环境（2018年推出Roboschool）。同年，Sergey Levine团队在UC Berkeley开始系统性地研究"深度强化学习+机器人"，发表了引导式策略搜索（Guided Policy Search）等一系列工作。
Sim-to-real（从仿真到真实）成为这个阶段最核心的技术突破。OpenAI的Rubik's Cube项目（Dactyl, 2019年）证明了一个重要论点：你可以在仿真环境中训练一个灵巧手，然后让它在真实世界中操作物体——中间的"仿真差距"可以通过域随机化（domain randomization）来弥合。这个发现极大地降低了机器人学习的数据成本。
但2019年的具身智能仍然面临一个根本瓶颈：每个任务都需要从头训练一个策略。让机器人学会抓杯子，不代表它能抓瓶子。泛化能力是这个阶段最大的短板。
2.5 大模型入场：范式质变（2022—2024）
2022年之后，具身智能领域经历了一次真正的范式质变——大语言模型和多模态模型的引入，让机器人第一次拥有了"常识"和"推理能力"。
2022年，Google的SayCan项目是第一个标志性工作。它把PaLM语言模型和机器人策略连接起来，让机器人可以用自然语言理解任务（"帮我把桌子上的可乐拿过来"），然后语言模型帮助机器人规划子步骤（先走到桌子、找到可乐、伸手抓取）。SayCan的意义在于证明了：大模型可以充当机器人的"大脑皮层"。
2023年3月，Google发布了PaLM-E，一个5620亿参数的多模态模型，直接处理图像、文本和机器人状态信号。同年7月，Google又发布了RT-2（Robotic Transformer 2），一个视觉-语言-动作模型（VLA），可以将网络上学到的知识直接迁移到机器人控制上——机器人从没见过厨房里的某个瓶子，但通过互联网上的图片"认识"了瓶子，就能抓它。
2023年还有两个重要工作。一个是VoxPoser（Stanford, 李飞飞团队），用大模型生成3D价值地图来引导机器人操作。另一个是MIT和Stanford的工作开始探索"具身基础模型"的概念。
2024年6月，Stanford、UC Berkeley和Physical Intelligence联合发布了OpenVLA，一个开源的视觉-语言-动作模型。这让具身智能从少数大公司的实验室走向了更广泛的社区。
同年，Physical Intelligence（简称PI）成为这个赛道最受关注的创业公司。2024年底，PI发布了π0（pi-zero），一个通用机器人基础模型，声称可以控制多种机器人执行各种操作任务。PI在2024年11月完成了4亿美元融资，估值达到24亿美元，投资方包括Jeff Bezos、Thrive Capital和Lux Capital。
2.6 人形机器人复兴（2023—2026）
2023年开始，具身智能领域突然涌起了一波"人形机器人热"。这股热潮有三个推动力：大模型赋予了机器人"大脑"、特斯拉Optimus的示范效应、以及全球劳动力短缺的紧迫感。
特斯拉 Optimus：2022年AI Day首次亮相，2023年展示了行走和精细操作能力。马斯克的愿景是把Optimus做成一个年产百万台、单价低于2万美元的通用机器人。2024年底到2025年初，Optimus开始在特斯拉工厂内部测试简单任务。这个项目的意义不仅在于技术本身，更在于它证明了汽车制造业的供应链可以平移到人形机器人上。
Figure AI：2023年成立，2024年初完成6.75亿美元融资（微软、英伟达、贝索斯参投），估值26亿美元。Figure 02机器人在2024年展示了在宝马工厂执行装配任务的能力。2025年，Figure与OpenAI合作开发多模态AI模型，强调端到端的通用任务执行。
波士顿动力：2024年宣布停产液压Atlas，转向全电驱动版本。这是波士顿动力成立30多年来的最大战略转变——从"运动控制专家"转向"具身智能平台"。
NVIDIA GR00T：2025年3月GTC大会上，NVIDIA发布了GR00T N1开源基础模型，采用"双系统架构"（System 1做快速反应，System 2做慢速推理），试图成为机器人领域的"安卓"。同期发布Isaac Sim仿真平台的大幅升级。
Google Gemini Robotics：2025年3月发布Gemini Robotics 1.5，专门针对机器人任务优化，与Apptronik合作落地。
2.7 中国力量的崛起（2023—2026）
中国的具身智能领域在2023年后进入爆发期，呈现出与美国不同的发展路径——更强调供应链整合、成本控制和工业落地。
宇树科技（Unitree）：从四足机器人起家，2023年推出H1人形机器人（售价约9万美元），2024年推出G1人形机器人（售价9.9万元人民币起），直接把人形机器人的价格拉到了"买得起"的水平。2025年初在CES展会上引发全球关注。宇树的核心策略是开源软件平台+极致性价比，目标是成为机器人领域的"小米"。
智元机器人（Agibot）：由前"华为天才少年"稚晖君（彭志辉）于2023年创办。2024年发布远征A2系列，强调全栈自研——从电机、减速器到控制算法全部自己做。获高瓴、红杉等投资，估值快速攀升。智元的策略是"从工业场景切入"，在汽车制造等领域做实际部署。
傅利叶智能（Fourier Intelligence）：早期从康复机器人起家，2023年发布GR系列通用人形机器人。傅利叶的优势在于已经在医疗康复领域有成熟的产品线和现金流，向通用机器人拓展是自然延伸。
优必选（UBTECH）：2023年底在港股上市，被称为"人形机器人第一股"。Walker系列在教育和商业服务领域有较长的产品历史。但上市后股价表现不佳，反映了市场对其商业化能力的疑虑。
银河通用（Galbot）：2024年完成超过7亿元融资，由清华大学团队创办，专注于大模型+机器人的技术路线。
2024到2025年，中国的具身智能赛道迎来了前所未有的资本热潮。据不完全统计，2024年中国具身智能领域融资总额超过百亿元人民币，2025年第一季度延续了这一势头。
三、横向分析：竞争图谱
具身智能不是一个单一赛道，而是一个多层次的技术版图。当前的横向格局可以从技术路线、玩家类型和地域分布三个维度来理解。
3.1 技术路线之争
当前具身智能领域最核心的技术争论可以归纳为三个问题：
端到端 vs 模块化
端到端（End-to-End）的支持者认为，给机器人一个大的神经网络，输入传感器数据、输出关节动作，让数据自己说话。特斯拉Optimus和Figure AI是这个路线的代表。优势是泛化能力强，理论上可以学到人类设计不出来的行为。劣势是需要海量数据，出了问题很难调试。
模块化（Modular）的支持者认为，感知、规划、控制应该分开设计和优化。波士顿动力和传统工业机器人走的是这条路。优势是可靠性高、可解释性强。劣势是泛化能力有限，每个新场景都需要大量工程适配。
目前的趋势是"混合路线"逐渐成为共识——底层控制仍然用模块化方法保证安全性和实时性，高层决策用大模型来做泛化和推理。NVIDIA的GR00T N1的"双系统架构"就是这个思路的工程化表达。
大模型驱动 vs 传统控制
这是具身智能领域最具争议的议题之一。一方认为大语言模型可以充当机器人的"大脑"，通过语言理解和常识推理来指 导机器人行为。Google的RT-2、SayCan是这个阵营的代表。另一方认为语言模型本质上是在做文本预测，它不理解物理世界，让一个"文字游戏机"来控制机器人是危险的。
更深层的问题是：机器人需要什么样的"常识"？人类对物理世界的理解（比如"杯子会摔碎""重的东西需要两只手拿"）到底是语言中学到的，还是身体经验中学到的？如果是后者，那纯靠文本训练的大模型可能永远无法真正理解物理世界。
Sim-to-Real vs 真实数据
仿真训练（Sim-to-Real）几乎是当前所有创业公司的默认选择——在NVIDIA Isaac Sim等平台中训练策略，然后通过域随机化迁移到真实世界。优势是数据成本低、可快速迭代。劣势是仿真与现实之间永远存在差距（sim-to-real gap）。
特斯拉是少数有能力和意愿采集大量真实数据的玩家——它有数百万辆车在路上跑，积累了海量的现实世界感知数据。但即使是特斯拉，Optimus的训练也大量依赖仿真。
3.2 全球玩家版图
第一梯队：平台型玩家
- NVIDIA
：定位最清晰——要做机器人领域的"安卓"。从芯片（Jetson系列）、仿真平台（Isaac Sim）、到基础模型（GR00T N1），提供全栈基础设施。不直接做机器人硬件，而是赋能所有机器人公司。 - Google DeepMind
：在VLA模型（RT-2、Gemini Robotics）上持续投入，是学术成果最丰富的大厂。2025年与Apptronik合作落地。 - 特斯拉
：垂直整合路线，硬件（Optimus本体）+软件（FSD技术栈迁移）+场景（自家工厂）全部自己做。目标是把人形机器人的成本降到汽车水平。
第二梯队：专注型创业公司
- Figure AI
：估值最高的人形机器人创业公司（26亿美元），与OpenAI深度绑定，强调端到端通用能力。 - Physical Intelligence
：专注机器人基础模型，不造硬件。π0模型是当前最被看好的通用机器人策略。 - 1X Technologies
（挪威）：获OpenAI投资，专注家庭服务场景的NEO机器人。 - Agility Robotics
：Digit双足机器人，与亚马逊合作在仓库测试。 - 波士顿动力
：老牌劲旅，从液压转向电动，从炫技转向商业化。
第三梯队：中国军团
- 宇树科技
：极致性价比+开源策略，四足机器人全球出货量第一，人形机器人价格最低。 - 智元机器人
：全栈自研，华为基因，工业场景切入。 - 傅利叶智能
：康复机器人起家，向通用领域拓展。 - 优必选
：港股上市，品牌知名度高，但商业化待验证。 - 银河通用
：清华背景，大模型+机器人路线。
3.3 产业生态位分析
当前具身智能的产业格局可以类比2007年的智能手机市场：iPhone刚刚发布，安卓还没成熟，所有人都知道这是一个大机会，但没人确定最终的产品形态会是什么样。
NVIDIA在做芯片+操作系统的"安卓"生态。特斯拉在做封闭的"iOS"垂直整合。Google在做"大脑"（模型层）。创业公司在各个细分场景里尝试产品化。中国玩家在供应链和成本控制上有独特优势，正在走一条"从低端切入、向上升级"的路径——很像当年小米用低价手机打开市场。
3.4 商业化进展
截至2026年初，具身智能仍处于商业化早期，但几个标志性场景已经出现了：
- 工业制造
：Figure在宝马工厂、特斯拉Optimus在自家超级工厂的内部测试 - 物流仓储
：Agility的Digit在亚马逊仓库做包裹搬运 - 教育研究
：宇树G1凭借9.9万元的价格大量进入高校和研究机构 - 医疗康复
：傅利叶在康复领域已有成熟商业化产品
真正的规模化量产还没有开始。行业共识是2025年是"商业化元年"，2028-2030年才可能实现成本大幅下降和场景规模化。
3.5 市场规模
多个市场研究机构给出了不同口径的预测，但趋势一致——未来十年将有十倍以上的增长：
全球具身智能市场2025年约50亿美元，预计2033年达到589亿美元（Congruence Market Insights） 人形机器人细分市场2024年约25亿美元，预计2034年达到107.5亿美元（Market.us） 北美市场目前占比最大（约42%），亚太增速最快
四、横纵交汇洞察
4.1 历史如何塑造了当下的竞争位置
回头看具身智能50多年的发展史，有几个关键决策深刻地塑造了今天的格局：
Brooks在1986年的选择——拒绝世界模型。包容架构直接催生了行为主义机器人学，也让波士顿动力的运动控制技术走到了今天。但同时，这条路线的"反建模"倾向导致它在面对需要长期规划和常识推理的任务时力不从心。波士顿动力花了30年做出了全世界最会做后空翻的机器人，但直到2024年才开始认真考虑"大模型+机器人"的融合。
深度学习社区在2013-2016年的选择——先做游戏再做现实。DeepMind选择用Atari游戏和围棋来证明强化学习的威力，而不是直接上机器人。这个选择让算法进步领先了硬件落地好几年，但也造成了一种"算法先行、具身落后"的格局。当2022年大模型入场时，机器人领域的算法储备其实是不够的。
特斯拉在2022年的选择——亲自下场做人形机器人。马斯克的Optimus项目不是技术最领先的，但它有三个独特优势：汽车制造的供应链可以平移、海量的现实世界感知数据（来自数百万辆车）、以及马斯克本人制造舆论的能力。Optimus的出现直接点燃了整个人形机器人赛道。
中国在2023-2024年的选择——供应链驱动的"小米路径"。宇树把人形机器人价格打到9.9万元，智元走全栈自研，这背后是中国制造业供应链的巨大优势。电机、减速器、传感器这些核心部件的国产化率快速提升，成本曲线陡峭下降。
4.2 竞品的纵向对比
如果把主要玩家也放到时间线上看，它们的起源和演变路径差异巨大：
Google/NVIDIA从AI基础设施出发，走向机器人。它们的优势是算法和算力，劣势是没有机器人本体和真实场景。所以它们选择做"大脑"和"平台"，而不是自己造机器人。
特斯拉从汽车出发，走向机器人。它的核心能力是大规模制造和供应链管理，这恰好是人形机器人最需要的。但它在AI方面的能力（主要来自自动驾驶团队）需要迁移到完全不同的任务类型上。
宇树/智元从中国制造业出发，走向具身智能。它们的优势是成本控制和迭代速度，劣势是底层算法的原创性。它们的策略是先做出来、先卖出去，用市场反馈来驱动技术迭代。
Figure/PI从AI出发，走向机器人硬件。它们的核心团队来自AI研究背景，对大模型如何赋能机器人有最深的理解。但它们缺乏大规模制造的经验和供应链资源。
这些不同的起源路径决定了每家公司的核心竞争力和盲区。没有谁在所有维度上都强。这正是具身智能赛道当前"百花齐放"而不是"一家独大"的根本原因。
4.3 优势与劣势的历史根源
具身智能这个概念本身的优势——它提供了一个关于"智能从何而来"的更完整的故事。符号主义只看脑子，连接主义只看数据，具身智能说：智能是身体、环境和认知三者共同涌现的。这个叙事在哲学上更站得住脚，在工程上也更有前景。
具身智能这个概念本身的劣势——它的定义边界至今仍然是模糊的。"具身"到底意味着什么？一个人形机器人装了一个大语言模型算具身智能吗？一个扫地机器人算吗？一个装了摄像头的工业臂算吗？概念的模糊性导致了产业泡沫——很多公司贴上"具身智能"的标签来融资，但做的事情和传统的机器人控制没有本质区别。
4.4 未来推演
剧本一：最可能的路径（概率约50%）
2026-2028年，工业场景率先实现小规模部署。物流搬运、简单装配、质检巡检成为第一批落地场景。人形机器人的硬件成本降至5-10万元，但仍需要人在环中监督。大模型在机器人上的应用从"新奇demo"走向"稳定可用"，但距离完全自主还有距离。市场洗牌开始，缺乏商业化能力的创业公司被淘汰。
2029-2032年，成本进一步下降（2-5万元），服务场景开始规模化——酒店服务、餐厅送餐、商场导购。家庭场景仍然是"富人玩具"，因为安全性要求极高。具身基础模型开始成熟，不同机器人之间可以共享"经验"。
2033年之后，通用人形机器人开始进入中产家庭。具身智能从"技术概念"变成"基础设施"。
剧本二：最危险的路径（概率约25%）
大模型在机器人上的应用遇到根本性瓶颈——语言模型对物理世界的理解始终不够深，仿真训练的sim-to-real gap无法有效弥合。2027-2028年出现几次严重的安全事故（机器人在工厂伤人或造成重大财产损失），引发严格的监管。资本退潮，赛道进入寒冬。人形机器人重蹈上世纪80年代"第五代计算机"的覆辙——过度承诺，惨淡收场。
剧本三：最乐观的路径（概率约25%）
2026-2027年出现一个"ChatGPT时刻"——某家公司发布了一个通用机器人基础模型，让机器人第一次在未经特定训练的情况下完成多种复杂任务。这引发类似2022年底ChatGPT引发的AI热潮，资本疯狂涌入。硬件成本因为规模效应快速下降。2030年前后，人形机器人的价格降到汽车水平（5-15万元），进入千家万户。具身智能成为继PC、智能手机之后的"第三代计算平台"。
无论哪个剧本，一个基本判断是不变的：具身智能不是泡沫，而是AI的必然下一章。问题是时间——是一年、五年还是十年，才能看到真正的规模化。
五、信息来源
Wikipedia: Embodied cognition, Subsumption architecture, Robotics arXiv: RT-2 (2023), PaLM-E (2023), VoxPoser (2023), OpenVLA (2024), GR00T N1 (2025), StarVLA-α (2026) Google DeepMind: RT-2, PaLM-E, SayCan, Gemini Robotics NVIDIA: GR00T N1 announcement at GTC 2025 Physical Intelligence: π0 model, Series A/B funding announcements Tesla: Optimus presentations at AI Day 2022, 2023 Figure AI: Funding announcements, BMW factory deployment reports 宇树科技: G1 pricing, CES 2025 demonstrations 智元机器人: 远征A2 series launch, funding rounds Congruence Market Insights, Market.us, Dimension Market Research: Market size reports Brooks, R. (1986). "A Robust Layered Control System for a Mobile Robot." IEEE Journal of Robotics and Automation. Varela, F., Thompson, E., & Rosch, E. (1991). "The Embodied Mind." MIT Press. Sutton, R. & Barto, A. (2018). "Reinforcement Learning: An Introduction." MIT Press.
