從扭秧歌到戰(zhàn)術(shù)動作，具身智能到底走到哪一步了？

前不久春晚舞臺上，一段人形機(jī)器人的表演點燃了不少觀眾的熱情。流暢的動作、整齊的編排，讓很多人直呼“遙遙領(lǐng)先”。

緊接著，一段短視頻又在平臺上迅速傳播：畫面里，中國士兵一聲令下，春晚“同款”機(jī)器人完成機(jī)動、交替、掩護(hù)、射擊、換彈，一氣呵成，仿佛已經(jīng)具備戰(zhàn)術(shù)能力。

不少人由此得出結(jié)論——具身智能已經(jīng)可以上戰(zhàn)場了。

但事實真是如此嗎？

今天我們不賣關(guān)子：

春晚表演，本質(zhì)上是基于預(yù)設(shè)程序的演出編排；

而那段“戰(zhàn)術(shù)視頻”，則是AI生成的合成內(nèi)容。

不過，問題并沒有因此失去意義。

真正值得思考的是：

如果未來AI+人形機(jī)器人要走向軍事或高復(fù)雜場景應(yīng)用，它還差什么？需要多久？又會在哪個國家率先成熟？

這篇文章，我們把“具身智能”拆開講清楚。

一、什么是具身智能？

簡單說四個字：AI有了身體。

過去幾十年，機(jī)器人早已存在。工業(yè)流水線上的機(jī)械臂，就是最典型的代表。它們強壯、精準(zhǔn)，但非常“死板”。一旦環(huán)境變化，系統(tǒng)就會失效。

而今天的大模型時代，AI擁有了理解能力。

當(dāng)AI不再只存在于服務(wù)器，而是被裝進(jìn)一個物理軀體里，它就從“會說話的軟件”，變成“能行動的存在”。

我們可以把具身智能拆解成四部分：

1. 軀體（腿和手）

2. 感知系統(tǒng)（視覺+觸覺）

3. 大腦（芯片與算力）

3. 靈魂（大模型）

下面一塊一塊說。

二、軀體：腿容易，手最難

1）腿部：技術(shù)已相對成熟

談到雙足行走，就繞不開Boston Dynamics（一家美國機(jī)器人公司）。

它們最新的全電動Atlas擁有50多個自由度，跌倒后可以用非人類方式折疊身體再站起。翻跟頭、跳躍都不是問題。

腿部控制，本質(zhì)是“和地面博弈”。

一旦掌握平衡與重心轉(zhuǎn)移的循環(huán)邏輯，就可以在不同地形上復(fù)用。

開源社區(qū)已經(jīng)有大量成熟算法。

在行走這一塊，軟件甚至走在硬件前面。

但——

2）手部：真正的難關(guān)

走路是周期任務(wù)，

手部操作幾乎都是非周期性的。

一只仿生靈巧手通常有15~20個自由度。

自由度一翻倍，控制空間指數(shù)級增長。

人類之所以能創(chuàng)造文明，靠的正是雙手。

目前的突破方向，是盡量“像人”。

以挪威公司EXOS的腱驅(qū)動設(shè)計為例（行業(yè)常見方案），

電機(jī)放在前臂，手指內(nèi)部只有高強度纖維繩索模擬肌腱。

好處是什么？

• 慣性小
• 可以高頻微調(diào)
• 出現(xiàn)誤差時會“自適應(yīng)形變”

這讓機(jī)器人真正有機(jī)會進(jìn)入家庭，而不是只存在于圍欄內(nèi)的工廠。

在軍事層面也是一樣——

如果沒有靈巧手，連“扣扳機(jī)”“換彈夾”都做不到。

三、感知：看得見，還要摸得著

光有四肢不夠，機(jī)器人必須理解環(huán)境。

1）視覺系統(tǒng)

目前走純視覺路線的代表，是Tesla（特斯拉）的 Optimus。

它背后的核心是FSD視覺架構(gòu)。

不同于依賴激光雷達(dá)的路線，特斯拉通過多攝像頭數(shù)據(jù)融合構(gòu)建3D體素空間，并用占用網(wǎng)絡(luò)預(yù)測遮擋物體。

更重要的是數(shù)據(jù)規(guī)模——

全球數(shù)百萬輛車每天采集真實世界視頻數(shù)據(jù)。

數(shù)據(jù)量，就是AI的糧食。

2）觸覺系統(tǒng)：最后一塊拼圖

視覺之外，人類還有一項與生俱來的能力——觸覺。

近年出現(xiàn)的新趨勢，是全身覆蓋數(shù)字觸覺皮膚。

這種電子織物每平方厘米上千個傳感單元，

并通過邊緣計算在“皮膚層”先處理90%的數(shù)據(jù)，只把關(guān)鍵變化傳給中樞。

這解決兩個關(guān)鍵問題：

• 遮擋環(huán)境下的盲操
• 精細(xì)力度控制

比如在黑暗環(huán)境中維修設(shè)備，或者精細(xì)焊接。

沒有觸覺，機(jī)器人只是“看著干活”；

有了觸覺，它才開始“真正接觸世界”。

四、大腦：算力與芯片

這一塊的主導(dǎo)者幾乎沒有懸念——

NVIDIA（英偉達(dá)）。

NVIDIA推出的機(jī)器人原生芯片平臺，強調(diào)數(shù)字孿生仿真訓(xùn)練。

在虛擬世界中進(jìn)行高速物理模擬，再把模型直接部署到實體機(jī)器人。

這意味著——

未來機(jī)器人可能實現(xiàn)“即插即用式學(xué)習(xí)”。

誰掌握算力，誰就掌握進(jìn)化速度。

五、靈魂：大模型才是關(guān)鍵

如果說芯片是大腦硬件，那么大模型就是靈魂。

當(dāng)前主流路徑包括：

• Google（谷歌）的 Gemini
• 特斯拉自研模型
• 多家初創(chuàng)公司的人形機(jī)器人VLM方案

最前沿的方向，是把感知、決策、控制三段式結(jié)構(gòu)，壓縮為端到端神經(jīng)網(wǎng)絡(luò)。

不再是“識別—規(guī)劃—執(zhí)行”，

而是類似人類的“看到就動”。

這會帶來一個關(guān)鍵能力——

在復(fù)雜環(huán)境中保持連續(xù)動作，不抽搐、不報錯、不僵死。

如果未來要用于軍事或災(zāi)害救援，這種連續(xù)性至關(guān)重要。

六、人形一定是最優(yōu)解嗎？

很多人會問：

既然要軍事化，為什么非得人形？

直接給機(jī)器人裝武器不是更高效？

這個問題看似合理。

但我們忽略了一點——

現(xiàn)有武器系統(tǒng)，幾乎全部圍繞“人類形態(tài)”設(shè)計。

槍械、車輛、建筑通道、掩體結(jié)構(gòu)，都是基于人類尺寸與生理構(gòu)造。

如果不是人形，就需要為每一種武器重構(gòu)接口。

成本極高。

人形的優(yōu)勢，不在殺傷力，而在泛用性。

它可以：

• 第一階段持槍
• 第二階段搬運傷員
• 第三階段駕駛載具

而不需要更換平臺。

七、中國處于什么位置？

很多人會注意到，春晚機(jī)器人來自中國企業(yè)。

以宇樹科技為代表，

中國的人形機(jī)器人出貨量確實在增加。

但應(yīng)用場景目前更多集中在：

• 教育
• 展示
• 表演

相比之下，歐美公司更傾向直接瞄準(zhǔn)工業(yè)和社會生產(chǎn)。

中國真正的優(yōu)勢在哪里？

在供應(yīng)鏈。

長三角和珠三角，機(jī)器人核心零部件可以在一小時車程內(nèi)集齊。

諧波減速器、交叉滾子軸承、微電機(jī)、力傳感器，全產(chǎn)業(yè)鏈密集分布。

規(guī)模化能力，可能比單點技術(shù)更重要。

歷史上，中國在很多行業(yè)的勝出，并非最早發(fā)明，而是最早實現(xiàn)大規(guī)模、低成本。

具身智能，未必例外。

八、真的會走向“終結(jié)者”嗎？

很多人擔(dān)心：

機(jī)器人會不會搶工作？

會不會變成無人士兵？

從現(xiàn)實來看——

距離科幻電影還很遠(yuǎn)。

真正的瓶頸并不在“殺傷能力”，

而在泛化能力、能源密度、材料強度與系統(tǒng)穩(wěn)定性。

更現(xiàn)實的問題是：

當(dāng)機(jī)器人成本低于人工，

誰更有性價比？

那一天到來時，變化才會真正發(fā)生。

結(jié)語

春晚的機(jī)器人，是舞臺藝術(shù)。

短視頻里的戰(zhàn)術(shù)畫面，是AI合成。

但這不妨礙我們正視一個趨勢：

AI正在獲得身體。

具身智能正在經(jīng)歷百花齊放階段。

歐洲強調(diào)人文與安全，

美國強調(diào)突破與野心，

中國強調(diào)規(guī)模與成本。

未來會如何演變，沒有人能給出準(zhǔn)確時間表。

但可以確定的是——

真正的革命，不是某一段視頻，

而是當(dāng)AI真正能在現(xiàn)實世界中持續(xù)、穩(wěn)定、低成本地完成復(fù)雜任務(wù)。

那一刻，變化才算真正開始。

在那之前，

我們既不必盲目興奮，也不必過度恐懼。

保持理性，比情緒更重要。