一句话定义
具身智能是让模型进入物理世界：通过传感器感知，用 VLM/LLM 理解与规划，再由控制器驱动执行器，形成“感知→规划→控制→执行→反馈”的闭环。
为什么需要它
聊天模型不能搬箱子、开门或装配。具身智能把语言/视觉理解接到机器人上，让自然语言任务变成动作；但实时性、安全和硬件约束远比软件严格。
怎么工作
- 感知：相机/激光/触觉 → 场景/物体/位姿。
- 理解/规划：VLM/LLM 分解任务、选技能、生成动作序列。
- 控制：运动/力矩控制，保证稳定与安全。
- 执行/反馈：环境变化回到感知。
- Sim2Real：仿真训练，域随机化/系统辨识，真实校准。
VLA（视觉-语言-动作）模型可以端到端或分层：上层规划、下层技能/控制。数据来自遥操作、仿真和视频，形成数据飞轮。评测看任务成功率、安全性、泛化和延迟；安全要有急停、力限和人工接管。硬件传感器/执行器/算力同样限制能力，先仿真再真机。安全第一，数据闭环，评测先行；从小任务开始，逐步扩展。先仿真再真机，再扩展，持续迭代。
关键取舍
- LLM 提供常识/任务规划，但不能替代底层实时控制。
- 仿真便宜但和真实有差距；真实数据贵但更可信。
- 安全约束/急停/权限必须硬编码，不能只靠模型。
- 长任务要状态/记忆/失败恢复。
常见误区
- 机器人 LLM 直接输出关节角：通常要技能/控制器中间层。
- 仿真成功就能上真机：sim2real 差距很大。
- 多模态模型能解决一切：实时性/力控/安全仍要专门系统。
- 具身智能等于人形机器人：形态可以多样。
用在哪里
- 工业/物流/家庭机器人。
- 自动驾驶/无人机。
- 具身智能研究与数据采集。