2026年4月，中国人工智能学会发布《具身智能白皮书（2026版）》，从技术、数据到应用完整勾勒了具身智能全貌。白皮书指出，行业正经历从VLA（视觉-语言-动作）到WAM（世界-动作模型）的范式跃迁，其核心是让机器从“模仿指令”跨越到“理解物理因果”。
核心要点
1. 什么是具身智能：AI从“离身计算”走向“物理世界交互”
这份白皮书，对具身智能进行了系统介绍，报告回顾了具身智能的发展进程，起点是图灵的早期设想，接着是行为主义机器人，而后是深度学习以及大模型的助力，如今它已然成为多学科交叉的前沿范畴。特别需要留意的是，怎样将在虚拟环境里训练得出的技能转移至真实世界（也就是所谓的“仿真到现实的鸿沟”），这是当下的关键难题。基于此，研究者研发了数字孪生、场景随机化、人工实时干预等办法，致力于缩减仿真与现实之间的差距。
2. 关键技术：大模型成为“大脑”，感知、规划、执行一体化
报告将具身智能的几大关键技术予以详细拆解，这些技术包括感知、推理、操作、导航、强化学习等。当中最大的亮点在于，大语言模型以及多模态大模型正逐渐成为具身智能的核心“大脑”。它们能够把人类的自然语言指令，像“帮我把桌子收拾干净”这样的指令，拆解成一个个可以执行的动作步骤，并且还能够在执行的过程里，依据环境反馈进行自我纠正。在操作的层面上，视觉与语言以及动作的大模型成为了主流，并且正朝着更为高级的“世界 - 动作模型”去演进，那个“世界 - 动作模型”不但能够做出动作，而且还能够对未来的环境变化进行预测。其他的重要技术还涵盖了群体具身智能，也就是多机器人协作、具身世界模型，即在脑中模拟物理规律等。可以这么讲，大模型的加入使得机器人拥有了真正意义上的“理解力”以及“规划力”。
3. 应用前景与未来方向：正从实验室走向产业，数据和标准是胜负手
具身智能已然实现于好些行业落地，这些行业涵盖家庭服务，也就是全能家务机器人相关领域，还有工业制造，具体是柔性装配方面，再者是农业，包含无人农机集群范畴，另外有交通，涉及端到端自动驾驶部分，以及能源电力，关乎智能巡检与带电作业等诸多方面了。面对未来的展望，存在着几个值得予以关注的关键趋势，其一为从VLA模型朝着世界 - 动作模型进行跃迁，以此使得机器能够切实地理解物理因果，其二是数据生态产生了结构性变迁，像是自我中心视频、通用操作接口、人类视频迁移学习等方法正极大程度地削减数据采集成本，其三是仿真平台变得越发开放且标准化，从而为算法验证给予低成本的环境。报告在最后着重表明，具身智能若要实现真正意义上的大规模普及，就必定要在数据标准化、安全伦理、接口协议等方面构建起完备的体系。中国正在积极布局，争取在这一领域掌握国际话语权。
