當(dāng)機(jī)器人能像人類一樣理解自然語言指令，還能預(yù)判環(huán)境變化、自主規(guī)避物理風(fēng)險時，通用人工智能的落地似乎不再遙遠(yuǎn)。近日，清華大學(xué)計算機(jī)科學(xué)與技術(shù)系，北京信息科學(xué)與技術(shù)國家研究中心，復(fù)旦大學(xué)可信具身智能研究所聯(lián)合發(fā)布《Embodied AI: From LLMs to World Models》。系統(tǒng)性梳理了具身智能的技術(shù)脈絡(luò)，尤其聚焦大語言模型與世界模型的協(xié)同。

先搞懂什么是具身智能？它和普通AI 有啥不一樣？

提起AI，很多人會想到只在數(shù)字世界對話的系統(tǒng)，或是圖像識別這類被動處理數(shù)據(jù)的工具，這些都屬于離身智能，它們不直接和物理世界互動。

而具身智能的核心是活在物理世界里：它需要像人一樣，通過傳感器主動感知環(huán)境，用認(rèn)知系統(tǒng)處理經(jīng)驗，再用執(zhí)行器做出動作，形成感知- 認(rèn)知 - 互動的閉環(huán)。就像家里的掃地機(jī)器人能避開桌椅、規(guī)劃清掃路徑、調(diào)整刷子轉(zhuǎn)速，就是一種簡單的具身智能；更復(fù)雜的像救災(zāi)無人機(jī)自主避開障礙物、工業(yè)機(jī)械臂靈活抓取不同零件，都屬于這一范疇。

該研究團(tuán)隊強(qiáng)調(diào)，具身智能的終極目標(biāo)是接近人類級別的通用智能，它不是只解決單一任務(wù)，而是能在動態(tài)、不確定的物理世界里自主適應(yīng)。舉個例子，一個具身智能機(jī)器人，既該聽懂把客廳的杯子放到廚房，又該知道杯子是易碎品，還能避開路上的寵物。

從單感官到多感官，具身智能如何突破局限？

早期的具身智能更像偏科生，有的只靠視覺導(dǎo)航，有的只靠語言做任務(wù)規(guī)劃，這種單模態(tài)模式有明顯短板。

單模態(tài)與多模態(tài)具身智能

純視覺的機(jī)器人，在昏暗環(huán)境或動態(tài)場景里很容易迷路；純語言控制的機(jī)器人，可能會因為沒考慮物理規(guī)律提出離譜指令。

后來技術(shù)轉(zhuǎn)向多模態(tài)融合：把視覺、語言、觸覺、聽覺等信息整合起來。就像現(xiàn)在的服務(wù)機(jī)器人，既能通過攝像頭看到物體位置，又能通過語言理解用戶需求，還能通過觸覺感知物體重量，這種多模態(tài)能力讓它能更靈活地處理復(fù)雜任務(wù)，能夠輕輕拿起裝滿水的玻璃杯。

研究團(tuán)隊用一張圖形象對比兩者：單模態(tài)是感知、認(rèn)知、互動各管一攤，多模態(tài)則是三者互相配合、信息互通。而推動這一轉(zhuǎn)變的關(guān)鍵，正是大語言模型和世界模型的突破。

兩大核心技術(shù)：大語言模型負(fù)責(zé)懂，世界模型負(fù)責(zé)做

具身智能要在物理世界生存，需要解決兩個核心問題：理解任務(wù)和符合物理規(guī)律。而大語言模型和世界模型，恰好分別補(bǔ)上這兩個短板。

1.大語言模型：讓機(jī)器人能聽懂、會規(guī)劃

大語言模型的核心作用是賦予語義智能，它讓機(jī)器人從只能執(zhí)行固定指令，升級為能理解模糊、復(fù)雜的人類語言，并拆解任務(wù)。

舉個例子，你跟機(jī)器人說準(zhǔn)備下午茶，大語言模型會先做語義推理，理解下午茶通常包括泡茶、拿點心、擺盤子；再做任務(wù)分解，把大目標(biāo)拆成去廚房拿茶壺、接水、加熱、去冰箱拿蛋糕、放到茶幾等具體步驟。

該研究團(tuán)隊提到Google 的 SayCan 案例：它給大語言模型搭配真實世界動作庫，避免大語言模型提出不切實際的動作，同時用價值函數(shù)驗證每個動作的可行性。不過早期大語言模型的局限也很明顯，它依賴固定的動作庫，換個新機(jī)器人或新環(huán)境，就可能水土不服。

多模態(tài)大語言模型

后來出現(xiàn)的多模態(tài)大語言模型進(jìn)一步突破這個問題。就像PaLM-E、RT-2 這些模型，能直接處理圖像、語言、觸覺等多模態(tài)信息，看到杯子、聽到拿杯子、感知杯子重量，直接輸出控制機(jī)械臂的動作序列，不用再依賴固定動作庫。

2.世界模型：讓機(jī)器人懂物理、能預(yù)判

如果說大語言模型負(fù)責(zé)想明白要做什么，世界模型就負(fù)責(zé)想明白這么做會有什么后果，它相當(dāng)于給機(jī)器人建立大腦里的物理世界模擬器。

具身世界模型發(fā)展路線

世界模型主要做兩件事：

構(gòu)建內(nèi)部表征：把傳感器收集的復(fù)雜信息壓縮成結(jié)構(gòu)化的內(nèi)部地圖，包含物體位置、物理屬性、空間關(guān)系。這樣機(jī)器人不用每次都重新觀察世界，就能快速調(diào)用關(guān)鍵信息。

預(yù)測未來變化：根據(jù)物理規(guī)律預(yù)判動作的后果。比如機(jī)器人想推桌子，世界模型會先模擬推桌子時會不會把上面的杯子碰倒；救災(zāi)無人機(jī)想穿過峽谷，世界模型會預(yù)判氣流會不會讓機(jī)身不穩(wěn)。這種預(yù)判能力，能幫機(jī)器人避開風(fēng)險、提高效率。

具身智能關(guān)鍵技術(shù)模型

研究團(tuán)隊提到幾種主流的世界模型架構(gòu)：RSSM 擅長處理時序信息，適合做短期動作預(yù)測；JEPA 擅長提取語義特征，適合理解物體屬性；Transformer-based 模型則擅長處理長序列信息，適合復(fù)雜環(huán)境的長期規(guī)劃。

不過世界模型也有短板，它擅長模擬物理，但不擅長理解抽象語義。它能預(yù)判推杯子會讓杯子移動，但可能聽不懂把杯子送給媽媽里的媽媽是什么意思，這就需要和大語言模型配合。

大語言模型+ 世界模型，1+1>2 的協(xié)同架構(gòu)

該研究團(tuán)隊的核心觀點之一是，單獨用大語言模型或世界模型，都無法實現(xiàn)高級具身智能；只有讓兩者結(jié)合，才能打通語義理解和物理執(zhí)行的鴻溝。

搭載多模態(tài)大語言模型與世界模型的具身智能

為什么這么說？看兩者的互補(bǔ)性就知道，大語言模型懂語義，但不懂物理。它可能規(guī)劃出讓機(jī)械臂穿過桌子拿東西的步驟，卻不知道這違反物理規(guī)律。世界模型的問題懂物理，但不懂語義。它能預(yù)判推桌子會碰倒杯子，卻不知道為什么要推桌子。

而兩者結(jié)合后，就能形成語義指導(dǎo)物理，物理約束語義的閉環(huán)，大語言模型先根據(jù)用戶需求拆解任務(wù)，生成初步動作計劃。世界模型驗證這個計劃是否符合物理規(guī)律，并預(yù)測每個動作的后果。如果計劃有問題，世界模型反饋給大語言模型，大語言模型再調(diào)整計劃。最終生成既符合用戶需求、又符合物理規(guī)律的動作序列，讓執(zhí)行器落地。

該研究團(tuán)隊舉了EvoAgent 的例子：這個具身智能體用大語言模型做任務(wù)規(guī)劃和自我反思，用世界模型做環(huán)境建模和動作預(yù)測，結(jié)果能在不同環(huán)境里自主完成長期任務(wù)，全程不用人類干預(yù)。

簡單說，大語言模型讓機(jī)器人不糊涂，世界模型讓機(jī)器人不莽撞，兩者結(jié)合，才是具身智能走向?qū)嵱玫年P(guān)鍵。

從家庭到工業(yè)，具身智能已經(jīng)在改變什么？

以前的服務(wù)機(jī)器人，比如酒店送物機(jī)器人，只能走預(yù)設(shè)路線，遇到客人擋住就會卡殼；現(xiàn)在結(jié)合大語言模型和世界模型的服務(wù)機(jī)器人，能聽懂把水送到302 房間，順便問客人需不需要續(xù)杯，還能實時調(diào)整路線避開行人，甚至能根據(jù)客人的語氣判斷是否需要多送一瓶水。

研究團(tuán)隊提到的RT-2 機(jī)器人，能根據(jù)視覺信息自主識別杯子、桌子，再結(jié)合語言指令規(guī)劃動作，哪怕杯子的位置和之前訓(xùn)練時不一樣，也能靈活應(yīng)對。

傳統(tǒng)救災(zāi)無人機(jī)需要人類遠(yuǎn)程操控，在復(fù)雜環(huán)境里很容易失聯(lián)，而具身智能無人機(jī)，能通過世界模型模擬環(huán)境風(fēng)險，通過大語言模型理解救援指令，自主規(guī)劃安全路徑并傳回受災(zāi)情況。

在工業(yè)領(lǐng)域，以前的機(jī)械臂，大多是專機(jī)專崗，換個生產(chǎn)線就不能用了，現(xiàn)在結(jié)合大語言模型和世界模型的機(jī)械臂，能通過大語言模型理解生產(chǎn)指令，通過世界模型預(yù)判抓取力度，不用重新編程就能切換任務(wù)。

具身智能還需要突破哪些難關(guān)？

現(xiàn)在的具身智能，還需要大量人類標(biāo)注的數(shù)據(jù)或預(yù)訓(xùn)練，未來要實現(xiàn)自主進(jìn)化，機(jī)器人能在新環(huán)境里自主探索，從失敗中學(xué)習(xí)，甚至不用人類干預(yù)就能完成長期任務(wù)。

具身智能對硬件要求很高，機(jī)器人要實時處理多模態(tài)數(shù)據(jù)，還要快速做出反應(yīng)，這需要更高效的芯片、更低延遲的傳感器。未來的硬件優(yōu)化，會更注重算法-硬件協(xié)同，針對大語言模型和世界模型的計算特點，設(shè)計專用加速器；或者通過模型壓縮，讓復(fù)雜的具身智能算法能在邊緣設(shè)備上運行。

此外，單一機(jī)器人的能力有限，未來更需要群體具身智能，可以預(yù)見的是，未來場景下會出現(xiàn)多個救災(zāi)無人機(jī)協(xié)同搜索，多個工業(yè)機(jī)械臂配合組裝，甚至機(jī)器人和人類協(xié)同完成任務(wù)。這需要解決群體認(rèn)知問題，讓機(jī)器人知道如何共享環(huán)境信息，如何分配任務(wù)，如何應(yīng)對個別機(jī)器人故障。

具身智能機(jī)器人會直接和人類互動，安全性和可解釋性至關(guān)重要。未來需要讓機(jī)器人的動作可追溯，它為什么要這么做，萬一出錯了如何快速調(diào)整，還要確保它符合人類倫理，比如遇到危險時優(yōu)先保護(hù)人類，而不是完成任務(wù)。

未來，當(dāng)機(jī)器人能更自主、更安全、更靈活地在物理世界生存時，通用人工智能的夢想，或許就不再遙遠(yuǎn)。而大語言模型和世界模型的結(jié)合，正是這條路上最關(guān)鍵的一步。

論文地址：https://arxiv.org/pdf/2509.20021v1