具身智能十年演进：从固定轨迹到大模型驱动的机器人革命

“具身智能”这个词，这两年被刷屏的速度比我写代码的速度还快。但在这个方向真正泡过十年的人，心里大概都有一杆秤：热度归热度，技术能落地的部分完全是另一回事。从一个只能按示教器轨迹重复动作的机械臂，到今天能听懂“把桌上那个马克杯拿过来”并真正伸手完成任务的机器人，中间隔着一条由感知、决策、执行、数据、硬件五条线交替突破组成的漫漫长路。这篇东西想做的，就是把这十年演进线完整捋一遍：每条线在哪一年发生了关键转折，哪些只是炒作、哪些是真进步，以及为什么今天的具身智能依然“看起来很行，用起来还差口气”。适合准备入行的工程师、想投这个方向的投资人，以及所有被人形机器人新闻轰炸到有点迷糊的普通人。

1. 十年之前：按剧本演出的机器人，为什么总在非结构化场景里翻车

1.1 固定轨迹与状态机的天花板

如果回到十年前去看工业现场，绝大部分机器人干的活其实非常“无脑”：点焊、喷涂、上下料、码垛。这些机器人的控制逻辑不是我们今天理解的神经网络，而是一套严格的示教-再现流程——工程师用手持示教器把机器人拖到几个关键点位，记录坐标，再把点位之间的运动参数（速度、加速度、姿态）调好，最后用状态机把这些点位串成一个固定流程。任务完成了，它就能以极高的重复精度一直干下去；任务一变，哪怕只是传送带上工件位置偏了几毫米，它都可能把零件抓空。

当时我们做某个汽车零部件搬运项目，产线换型是最头疼的事。新工件一来，示教点位全部作废，重新对点就要大半天，中间还要处理不同型号共线生产的切换逻辑。状态机代码越写越长，最后变成一堆 if-else 嵌套，谁碰谁头疼。不是说预编程不好，而是它本质上假设“环境和任务是静止的”。这套假设在汽车制造这种被严格规整过的大批量产线上勉强成立，一旦换到仓储、家庭、建筑工地这种到处都是不确定性的地方，就直接失效。

1.2 感知、规划、控制串行流水线的痼疾

那个年代也有视觉系统，但视觉是作为一个独立模块被接进流水线的：相机拍照 → 识别工件位置 → 把坐标发给机器人 → 机器人按算好的轨迹走。看起来闭环了，实际上每个环节都是独立的，误差会在模块之间层层放大。相机标定差一点、手眼标定差一点、机器人绝对定位精度再差一点，最后抓取成功率可能只剩七成。更要命的是，整条流水线对“理解”毫无概念——它只告诉机器人“那个东西在哪里”，完全不告诉它“那个东西是什么、能不能捏、碎了怎么办”。

所以那个阶段机器人在工厂里是一方霸主，出了工厂就是笨蛋。我印象很深的一次测试：把一台搬运机器人从产线上挪到一个堆着杂物的桌子上，结果它连“把桌面清理到目标位置”这种任务都做不了，因为它只认固定托盘上的固定盒子，换了物体尺寸就不知道该怎么下手。这种“感知与执行脱节”的旧范式，就是后来整个具身智能方向要推翻的第一堵墙。

1.3 变革的真正动力：任务不再愿意迁就机器

回头想，十年前看似稳定的工业机器人市场，其实暗藏一个巨大矛盾：制造业想要的柔性生产、仓储物流想要的随机抓取、家庭服务想要的自然交互，全都不在预编程的能力范围内。不是没人想过改，我也见过不少团队在传统框架里打补丁——加激光雷达、加力传感器、加视觉伺服——但补来补去，系统复杂度爆炸，可靠性反而下降。

真正打破僵局的是深度学习的入场。2012年之后，图像识别能力被大幅拉高，别人看到的是“分类准确率提升了”，我看的是“机器人终于有机会把视觉从几何测量工具变成语义理解器官”。这一步看起来简单，却是后来一切的基础。

2. 深度学习进场：机器人第一次从“看见”进化到“理解”

2.1 视觉能力跃迁带来的连锁反应

卷积神经网络的成熟给机器人带来的第一个直接变化，是目标检测和语义分割的可用性。过去机器人的视觉模块做的是纯几何任务：找平面、拟合圆、估计位姿。现在它能把一张图里的杯子和马克杯区分开，能在杂乱场景里把某个特定物体圈出来。这看起来是感知的小进步，但对机器人决策来说是大跨越——因为“抓哪个”“别碰哪个”这类问题，第一次有了可靠的判断依据。

我记得有个机械臂抓取竞赛，早期拿传统视觉做方案的队伍普遍只能应对纯色背景、固定光照、单个物体。后来深度学习方案一上来，直接就在透明杯子、重叠物体、明暗不均的场景里把成功率拉高了近一倍。这种效果是传统特征工程怎么调都调不出来的，因为它本质上是让网络自己学到底什么样的“杯子”是杯子，而不是靠人手工定义边缘和角点。

2.2 抓取研究率先打通“视觉-动作”闭环

视觉进步之后，最早被带动起来的机器人技能就是抓取。原因很简单：抓取是绝大多数物理任务的第一步，而且它的输入输出比较直接——给定一个物体位姿，输出一个机械臂末端位姿和夹爪开合状态。2015年前后，大量工作转向“数据驱动的抓取姿态估计”，用海量标注样本训练网络直接输出可抓取姿态，而不是先重建完整三维模型再做几何规划。

这个转向的价值在于，机器人第一次不是为了“看”而看，而是为了“做”而看。视觉和动作之间不再是两个独立模块的串联，而是被同一套数据驱动的逻辑粘到了一起。从工程角度看，这一步也带来了实实在在的收益：抓取成功率不再依赖昂贵的工业相机和精细标定，普通深度相机加上一个训练好的网络，就能在不少场景里拿到不错的成功率。后来很多做实木家具装配、零件分拣、快递包裹拣选的公司，起家的技术底座其实就是这一套。

2.3 强化学习入场，但训练过程像驯一只倔猫

视觉问题有了眉目之后，大家开始琢磨：能不能让机器人不靠示教，自己通过试错学会动作？强化学习就是这个阶段的明星。它的思路今天已经被讲烂了——让策略网络在环境里试动作，根据奖励信号调参数——但真正动手做过的人都知道，这玩意儿在实际系统里有多难伺候。

难点不在算法本身，而在任务设计。奖励函数给得太稀疏，智能体完全不知道该往哪走；给得太密，它又会找到各种偷鸡路径。我之前带人做过一个倒水任务，机械臂要从水瓶往杯子里倒，奖励设为“杯内液面上升”。结果训练到后面策略学会的策略是直接把杯子怼到瓶口然后把整瓶水灌进去，液面当然上升了，但杯子也被冲翻了。你骂它不对？它确实最大化了你给的奖励。这种“奖励欺骗”在物理任务里到处都是，后来业界总结出要加动作惩罚、要拆子任务、要做 reward shaping，但每一个坑都是拿时间和计算资源填出来的。

即便如此，强化学习确实证明了机器人在没有人工示教的情况下，可以自己摸索出复杂的运动策略——哪怕是四足机器人学会在粗糙地面上保持平衡，哪怕是机械臂学会把零件插入孔洞。这种“从经验中习得行为”的能力，已经是具身智能的核心底色了。剩下的大问题，是怎么把训练成本降下来、怎么让模拟环境里学到的本事真的搬进物理世界。

3. Sim2Real：仿真与现实之间那道裂缝

3.1 为什么必须在仿真里练

真机上做强化学习，成本高到离谱。一个机械臂每小时电费、折旧加起来还能忍，但一次失败的试错可能直接撞坏夹爪、扭断关节，甚至伤到旁边的人。时间也撑不住：一个策略要在真机上采几万条轨迹，折算成时间可能要好几个星期，而且必须有人盯着处理各种意外。这种做法放在实验室环境里可以，放到产品迭代里就是灾难。

所以行业的主流做法变成：先在物理引擎里仿真训练，再把策略拿到真机上测试。仿真环境里可以同时跑几百个机器人、可以调时间流速、可以轻松重置状态，训练效率能高出两三个数量级。过去五年里大部分我们看到比较惊艳的机器人运动能力，比如四足跑跳、机械臂动态抓取、人形机器人行走，几乎无一例外都是从仿真里练出来的。

3.2 裂缝到底从哪里来

但仿真永远不等于现实。这条裂缝的典型来源有三个：视觉差异、动力学差异、感知噪声差异。

视觉差异最好懂——仿真的渲染再逼真，也没有真实照片的纹理、光照、反光和阴影那么复杂。一个在纯色仿真背景下训练的抓取网络，到了真机上看到一堆杂乱的反射光，很可能直接失灵。动力学差异说的是物体和机器人的物理参数对不上：仿真里默认的摩擦系数可能定的是0.5，真实桌面的摩擦系数可能是0.7或者0.3，机械臂在仿真里轻轻一推就动的箱子，真机上可能纹丝不动。感知噪声差异则是传感器层面的——真实深度相机有大量噪点、有缺失、有延迟，这些在仿真的干净数据流里根本不存在。

最典型的翻车案例就是行走。仿真里练好的步态拿到真机上，经常会走两步就开始晃，甚至直接摔倒。原因就是仿真地面给的摩擦力是个理想值，真实地面的微小坡度、材质变化和机械结构本身的间隙，全都会被步态策略放大。这类问题靠调软件参数是调不好的，必须从训练端想办法。

3.3 域随机化：从对抗误差到主动制造误差

面对这条裂缝，2017年前后域随机化成了最实用的一招。核心思路特别简单：既然仿真和现实的差距我们没法准确建模，那就干脆在训练时把所有不确定参数狠狠随机化——颜色随机、光照随机、材质随机、物体形状随机、摩擦系数随机、机械臂动力学参数随机。这么做会让策略在仿真里见过足够多的“离谱场景”，等它登上真机时，真实环境在它眼里不过是又一个随机组合，自然不会慌。

但随机化也不是无脑拉满。太强了，策略在其中学不到任何规律，训练发散；太弱了，还是会有没覆盖到的现实角落。我自己的经验是，先做一轮参数敏感性分析，看看哪个物理量对任务结果影响最大，再重点随机那个维度，其他参数保持一个基础值。比如抓取任务里摩擦系数和质量分布的影响就比贴图纹理更大，走路任务里关节阻尼和地面摩擦则是第一优先。域随机化的本质，是用训练时的多样性换取部署时的鲁棒性，这一点到今天依然是仿真迁移最靠谱的保障。

到了2020年前后，Sim2Real的玩法已经成熟到可以支撑完整产品了。一批仓储分拣机器人、四足巡检机器人开始批量落地。但那时的机器人依然只解决了“低层技能”，距离“理解任务”还很远。真正的范式革命，是在大模型出现之后才到来的。

4. 大模型改写决策层：从坐标命令到自然语言指令

4.1 大模型给机器人补上了抽象理解这层能力

早年的机器人指令是反人类的。你跟它说“帮我把杯子拿过来”它听不懂，你得告诉它“移动到(0.35, -0.2, 0.15)这个坐标，然后闭合夹爪”。这不仅是交互不自然，更麻烦的是：任务层级太高时，工程师根本没法预先把所有可能的坐标都定义出来。大模型出现后，这个局面被彻底改变。语言模型带着对世界的常识进场，机器人终于能理解“那个东西”指的是哪个物体、“稍微高一点”到底高多少、“别洒了”意味着动作要稳一些。

这里的关键不在于文本处理能力，而在于语言被当成一种“抽象层”接入了感知和动作。视觉模型把相机画面变成物体语义，语言模型把用户指令变成子任务序列，动作模型再把子任务映射成具体轨迹。机器人第一次同时具备了“看得到世界”和“听得懂人话”的能力，这是十年前完全不具备的。

4.2 VLA范式的核心设计思路

这个阶段最值得关注的技术收敛方向，是视觉-语言-动作（VLA）模型。它的基础设计没有特别神秘：一个预训练的多模态大模型作为底座，输入端接入相机图像和语言指令，输出端不是回答文字，而是直接输出机器人动作序列。为了让动作能被大模型的token机制处理，研究者会把机械臂末端位姿或关节角度离散化成若干token，让模型像生成句子一样“生成动作”。

训练VLA的数据来源一般是海量遥操作演示，配合仿真数据和少量的真机数据。这个过程其实有点像人类学徒看师傅干活：看多了“看到这种情形就该这么做”的配对，模型就学会了从感知到动作的映射。而预训练带来的好处是，模型本身已经理解物体、空间关系、因果关系，所以即使在没见过的新场景里，它也能凭常识猜个八九不离十。

我记得有个开源项目做的是桌面整理任务，VLA模型不光能按指令把物体放进指定盒子，而且在盒子和物体都是训练时没见过的型号时，依然能靠语义泛化完成任务。这在以前是做不到的——传统抓取策略只会“抓那个形状”，VLA则知道“这是一个杯子，水杯该正着放，马克杯该把手朝右”。这种从“几何驱动”到“语义驱动”的转变，我看来是这十年里最接近“智能”的一次跃迁。

4.3 长短程任务的缝合：高层规划与底层执行的配合

当然，VLA也远没到万能的程度。让它直接输出一条十几秒以上的长程任务轨迹，目前的成功率依然很难看。主流做法是拆层：把“整理房间”这种长程任务交给语言模型做任务规划，拆成“清空桌面-把书放回书架-把垃圾丢掉”等子任务；每个子任务再交给VLA或传统运动规划去执行。这种高层语义规划+低层运动执行的架构，算是目前具身智能落地的标准范式。

一个很典型的例子是厨房任务。机器人接到指令“做一顿简单的早餐”，语言规划层会把任务拆成“拿面包-拿出鸡蛋-放到平底锅-开火-等待凝固”，每一步调用对应技能。哪一步失败了呢？拿鸡蛋那一步如果鸡蛋在碗里躺着，VLA的泛化就还不够好——它见过鸡蛋在蛋托里的数据，但没见过鸡蛋在碗里的状态。这类跨场景的组合泛化问题，最终又落回一个老题目上：数据不够。

5. 数据从哪来：整个行业最容易被低估的血库问题

5.1 三驾马车：遥操作、仿真合成、真机自采

具身智能的数据需求，和纯语言模型完全不同。语言数据在互联网上有海量现成样本，但“机器人执行物理动作”的数据没有那样的大仓库可挖。目前能规模获取动作数据的方式只有三类：人工遥操作、仿真合成、真机传感器记录。

遥操作是目前质量最高的一种。人戴上动作捕捉手套或操控主手，直接引导机械臂完成各种任务，同时记录图像、关节角度、力反馈等数据。这种方式的好处是轨迹自然、意图清晰；坏处是太贵太慢。一个熟练操作员一天能采的有效轨迹可能只有几十条，还容易疲劳导致数据质量下降。如果任务涉及灵巧手，尤其是需要五指精细配合的装配、穿针、揉面，采集难度还要再上一个量级。

5.2 合成数据：量大，但“量大≠有用”

为了突破遥操作的天花板，仿真合成数据被寄予厚望。理论上，仿真是廉价的、无限的、可以任意标注的，想生成多少都行。但实践里合成数据有个致命问题：它很难覆盖人类在真机任务里最关心的“接触物理”。拧螺丝、插线束、缝纫、抓取软物体，这些任务的成功与否完全取决于接触点上的微小力学关系。仿真引擎对这些细节的建模精度，离物理真实还差着一大截。

更麻烦的是，合成数据引入了“虚假多样性”——表面看起来数据很多样，实际上所有样本都共享同一套被简化的物理规律。用这些数据训出来的模型，在仿真评估里分数很高，真机上却会在第一个没预料到的力学细节上崩溃。所以这两年行业里开始强调“仿真资产保真度”，从采用更高精度的接触模型到引入神经渲染补齐视觉保真，本质上都是在补锅。

5.3 机器人界的Scaling Law，还立不住

大模型领域常说“大力出奇迹”，模型越大、参数越多、数据越足，能力就越强。很多人理所当然地认为，机器人数据只要堆到一定量，通用操作智能自然涌现。但至少到目前为止，这个判断还没有被实锤。原因在于机器人的数据维度比文本高得多：一种物体、一种背景、一种光照、一种夹具组合，就是对状态空间的一次切片；你堆的几十万条轨迹很可能只覆盖了某一种切片，换个场景就全部失效。

我实际遇到过的一个项目，摸具分拣机器人在带纹理的工作台上抓取成功率做到97%，到了另一个项目同款机器人换成了纯色工作台，成功率直接掉回78%。训练数据里没有覆盖纯色低纹理背景下的物体特征，模型就退化成了一个“只会认台面纹理”的假通用模型。这给我的教训是：数据规模是必要不充分条件，在具身智能里，“覆盖度”比“总量”更接近硬指标。谁先把数据覆盖度的问题解决掉，谁才可能先看到属于自己的那个Scaling Law。

6. 硬件形态之争：轮式、四足还是人形

6.1 为什么大家突然都往人形方向挤

这十年里最显性的变化，是一堆人形机器人公司冒了出来。从商业叙事上看，逻辑很顺：人类世界的一切设施都是为人设计的，爬楼梯、用工具、开门、坐椅子，这些动作只有人形才能无缝适配。与其改造整个物理世界来迁就机器人，不如造一个和我们一样形状的机器人。

但工程上人形是个极大的挑战。双足行走本身就是高维欠驱动系统的难题，要在复杂地形上站稳，需要极高的算力和实时控制能力；再加上两条臂、两只灵巧手，自由度轻松超过40个，每个关节都要有足够的扭矩、精度和响应速度。硬件复杂度带来的直接后果是成本高企、故障率上升、维护难度大。市场上很多人形机器人看起来在演示视频里走得很好，但背后是几十号工程师围着调参数，是数不清的备用关节在库房里等着换。

6.2 形态不是越像人越好，要看任务剖面

我个人的看法是，形态服务于任务，而不是反过来。“人形”只是众多解决方案里的一个极值点，远不是默认答案。做室内搬运和整理，轮式底盘加一条七轴机械臂可能是性价比最高的组合；做野外巡检和复杂地形搜救，四足加轻量臂更加合理；只有在需要同时应付复杂地形和双臂精细操作的任务里，人形才真正显示出不可替代性。

选形态最怕的是被叙事带跑。我见过一个做园区配送的团队，一开始非要上四足，理由是“园区有坡道”。结果实际跑下来，一块几百块的轮式底盘换个大直径轮子就能解决问题，成本少了一个零，稳定性和续航还更好。硬件选型的核心永远是“哪个方案能以最低总成本完成任务”，不是“哪个形态看起来更有未来感”。

6.3 执行器才是真正的隐性战场

讨论机器人形态的时候，很少有人意识到决定它们生死的是关节执行器。传统工业机器人用的是重型伺服电机加高精度减速器，体积大、重量重，装在人形上完全不行。这几年大家开始转用高力矩密度的无框力矩电机、中空电机加谐波减速器或行星滚柱丝杠的“一体化关节”方案，把电机、减速器、驱动器、编码器集成到一个关节模块里。

这一波硬件迭代的意义，怎么强调都不过分。它让机器人的自重负载比大幅提升，让灵巧手的手指关节能塞进指甲盖大小的空间，也让成本有了快速下降的通道。但国产化的关节模组和国外高端产品之间的差距依然存在，尤其是力矩波动、寿命、温升这几个指标上，实验室数据可能很好看，真正跑几千小时之后就见分晓。对想下场做硬件的团队来说，这个方向比“造一个会走路的壳子”更值得花力气。

7. 落地场景排序：工业先行，家庭还得等下一个技术代际

7.1 仓储物流与工业现场：第一块被啃下的硬骨头

具身智能的落地，和自动驾驶走了几乎一模一样的路：先封闭再开放，先低速再高速，先简单场景再复杂场景。目前真正被验证得最充分的场景，集中在仓储物流里的移动分拣和工业现场的上下料、质检、装配辅助。

拿我自己跟过的一个物流分拣项目来说，任务是让机械臂从传送带上把不同尺寸和颜色的包裹按区分类。刚开始用传统视觉加规则的方案，换一种包装材料就要重新调参；后来切换到数据驱动的抓取模型+VLA辅助分类，成功率上去了，但真正推广开来的前提是“包裹规格被约束在一个区间里、传送带速度恒定、光照基本不变”。这说明现阶段工业落地的关键不是机器人多聪明，而是场景被规整得多好。那些能把场景约束清楚、ROI算明白的环节，具身智能已经是合格生产力；约束不清楚的场景，还得在实验室里继续泡着。

7.2 家庭服务的难点不在“智能”，在容错和成本

家庭服务机器人被反复畅想了二十年，至今没有一个能被称得上“普及”的产品。难点经常被归咎于智能不够，但我看更核心的三个问题是成本、安全和长尾场景。

先说成本。一个有点操作能力的双臂机器人，光硬件成本就足够买一辆入门汽车了，普通家庭不可能为此买单。其次安全。家里有老人小孩，一个力控再好的机械臂也存在夹伤、撞伤的风险，家庭环境里的安全认证标准比工业现场更复杂，因为受众是非专业人员。最后是长尾场景。家庭里的物体种类、摆放方式、任务变化几乎是无限的，今天让机器人学会叠衣服，明天它就可能在面对一条不规则裙子时手足无措。服务家庭这件事，本质上要求机器人在“无法预编程”和“无法严格建模”的环境里可靠工作，这正是具身智能距离通用性最近也最远的命题。

8. 未来十年：世界模型、快速适应与成本曲线

8.1 世界模型给机器人装上“想象”能力

未来的一个重要变量，是世界模型。它不是让模型去预测下一帧视频那么表面，而是让机器人具备“脑内预演”的能力：在动手之前，先在内部模型里推演一下这个动作会造成什么后果，再决定要不要执行。有了这种能力，机器人就可以大幅降低试错成本，也能在遇到从未见过的情况时做一定程度的推理判断。

我对这件事的期望是谨慎乐观的。世界模型在仿真和游戏里已经表现出了不错的预测能力，但物理世界的复杂度和不可完全建模性依然是非常硬的约束。让机器人“懂”水的飞溅、布料的折叠、零件的卡扣，这些接触密集的物理现象，离可靠建模还有不少距离。这条线如果跑通，具身智能会上一个真正的台阶。

8.2 从“会做”到“学得快”：少样本适应才是通用性的门票

另一个值得盯的方向，是元学习和少样本适应。现在的VLA模型本质上还是大参数拟合，任务也好、被接触的物体也好，都得靠训练时见得多；而未来的机器人需要在现场用极少量的演示或试错，迅速学会一个新任务、适应一个新物体。这背后的技术路线包括在线微调、分层抽象、经验回放等，核心目标是让机器人具备“学得快”的能力，而不是“记得多”的存量。

我记得早期做机械臂装配时，换一种螺栓型号就要重新标定和调参，非常痛苦。如果未来机器人能看几次人类演示就掌握“用这个新螺栓拧进那个新孔位”的技能，工业自动化的换型成本就能降低几个数量级。这一点对商业化落地的影响，可能比模型参数的堆叠更直接。

8.3 成本曲线与供应链：决定商业化的是口袋，不是Demo

技术上再炫，最终都要回家看账单。过去两年机器人硬件的核心部件价格已经出现了明显松动，伺服电机、减速器、激光雷达、工业相机都因为供应链成熟而大幅降本。趋势是明确的，但距离真正的爆发还差一个拐点：当一套具备基本操作能力的整机硬件成本降到一二十万以下时，大量中小企业才会开始认真考虑批量部署。

我现在看项目，已经不太关心演示视频里机器人有多犀利，而是先问三个问题：整机成本多少、故障率多高、每年维护预算多少。技术上限决定你能否惊艳观众，成本下限才决定你能不能把产品卖出去。未来十年谁能把成本曲线砸下去，谁才有资格定义这个行业的节奏。

做具身智能这十年，我最大的体会是：这个领域从来没有一夜之间的“灵光乍现”，所有看着惊艳的跳跃式进展，往前翻都能找到五年甚至十年前某个实验室里被反复打磨的基石。大家喜欢谈范式革命，但革命背后的细节，往往都是数据采集员在闷热机房里的几万次遥操作，是算法工程师对着训练曲线熬掉的无数个通宵，是硬件工程师在实验室里拧坏的几百根螺丝。对刚入行的朋友，我给的建议只有一句话：别被热度带偏，去看那些最枯燥、最不起眼的瓶颈；具身智能真正的门槛，永远藏在细节里。