中国人工智能系列白皮书(2026版)

这份报告讲的是“能动手、会思考、可交互”的机器人。它不再是只会按固定程序干活的机器，而是像人一样，有身体、能感知环境、会自己做决定的智能体。

? 什么是具身智能？

你可以把它理解为给AI装上了一个“身体”。

• 传统AI：像一个只会下棋或聊天的“大脑”，它存在于虚拟世界里。
• 具身智能：是“大脑”+“身体”的结合。它能通过摄像头（眼睛）、传感器（触觉）感知真实世界，通过机械臂、轮子（手脚）与世界互动，并在这个过程中不断学习和进化。

? 核心技术：机器人的“手、眼、脑”

报告指出，具身智能的关键技术就像一个协同工作的系统：

1. 具身感知（眼）：

• 不只是“看”，而是有目的地“观察”。机器人会根据任务，主动调整视角去获取最有用的信息。
• 它会融合视觉、触觉、声音等多种信息，就像人一样，不仅用眼看，还会用手摸、用耳朵听，来全面理解环境。

2. 具身推理（脑）：

• 这是机器人的“大脑”。大语言模型（LLM）在这里扮演了核心角色。
• 当你说“我渴了”，它不仅能听懂，还能推理出“倒一杯水”这个目标，并把它拆解成“走到饮水机 -> 拿起杯子 -> 接水 -> 送过来”等一系列具体步骤。
• 如果中途杯子掉了，它还能自我反思，调整计划，比如“先捡起杯子，再重新接水”。

3. 具身操作（手）：

• 这是让机器人“动手”的能力。它要求机器人能像人一样灵巧地操作各种物体。
• 比如，能拿起不同形状的餐具、叠好一件柔软的衣服、或者在杂乱的桌面上找到并拿起指定的物品。

? 未来趋势：从“模仿”到“理解”

报告预测了一个非常重要的技术飞跃：

• 从 VLA 到 WAM：
• VLA (视觉-语言-动作)模型：是目前的主流。你给它看一张图，下达一个指令，它就能输出动作。这更像是“模仿”。
• WAM (世界-动作)模型：是未来的方向。它不仅会模仿，还会在“大脑”里构建一个对物理世界的理解（世界模型）。在执行动作前，它会先在脑子里“预演”一下，预测动作的后果，从而做出更安全、更合理的决策。这标志着机器人从“模仿人类指令”进化到“理解物理因果”。

? 应用场景：它已经走进我们的生活

具身智能不是遥远的科幻，它正在各行各业落地：

• 家庭服务：成为全能管家，帮你洗衣做饭、打扫卫生、照看老人小孩。比如，特斯拉的擎天柱（Optimus）机器人就在朝这个方向努力。
• 工业制造：在工厂里，它们不再是只会拧螺丝的机械臂，而是能处理更复杂、更柔性化任务的智能工人，比如进行精密装配、智能焊接等。
• 农业：自动驾驶的拖拉机、能精准施肥和喷药的无人机、甚至能自动采摘水果的机器人，正在让农业变得更高效、更智能。
• 交通与物流：自动驾驶汽车是典型的具身智能应用。在仓库里，人形机器人可以像人一样搬运箱子、整理货架，大大提升效率。
• 能源电力：在危险的输电线路、高压变电站，机器人可以代替人工进行巡检和维修，保障人员安全。

总而言之，这份白皮书描绘了人工智能从“虚拟大脑”走向“物理实体”的宏伟蓝图。具身智能正在让机器人变得更聪明、更灵活，未来它们将成为我们生活和工作中不可或缺的伙伴。