百科具身开发者社区 · 九层能力图谱今天
具身智能是什么意思？
一句话回答：具身智能（Embodied AI）指拥有物理身体的智能系统，它通过传感器感知真实环境，自己做决策，再用身体执行动作，并根据结果不断调整。 最常见的载体是人形机器人、四足机器狗、轮式双臂机器人和机械臂。
“具身”强调智能离不开身体：只会对话的聊天机器人没有身体，能看着桌面把杯子拿起来放进水槽的机器人才是具身智能。
具身智能和大模型（ChatGPT 类）有什么区别？
| 大语言模型 / 聊天机器人 | 具身智能 | |
|---|---|---|
| 输入 | 文字、图片 | 相机、激光雷达、力 / 触觉、关节状态等连续信号 |
| 输出 | 文字、图片 | 电机指令与物理动作 |
| 出错代价 | 答错可以重来 | 可能摔机、撞人、损坏物体，要求实时与安全 |
| 训练数据 | 互联网文本与图片，规模极大 | 机器人操作轨迹，需要遥操作、仿真或人类视频采集，规模小得多 |
两者也在融合：VLA 模型就是在视觉语言大模型上继续训练机器人动作数据，详见 VLA 模型是什么。
一个具身智能系统由什么组成
本站按九层技术栈整理所有资料（完整说明见 九层能力图谱）：
| 层 | 内容 | 本站入口 |
|---|---|---|
| L1 本体 | 人形、四足、机械臂等整机 | 机型库、价格表 |
| L2 零部件 | 减速器、关节电机、灵巧手、激光雷达、深度相机、算力板 | 零部件库 |
| L3 控制与 SDK | ROS 2、DDS 通信、底层力控、全身控制 | 开源 SDK |
| L4 感知导航 | SLAM、定位、自主导航 | 排障库 |
| L5 仿真训练 | Isaac Lab、MuJoCo、强化学习 | 仿真资产库、Isaac Sim 配置要求 |
| L6 数据 | 遥操作采集、仿真合成、开源数据集 | 数据集 |
| L7 模型 | VLA、扩散策略、世界模型 | 模型库 |
| L8 部署 | 端侧推理、量化、实时控制 | 教程 |
| L9 应用 | 工厂、仓储、巡检、商业服务、家庭 | 应用场景 |
具身智能的数据从哪来
机器人的训练数据远比文本稀缺，目前主要有四个来源：
- 真机遥操作：人通过主从臂、VR 或动捕设备操控机器人，记录图像与动作，质量最高、成本最高；
- 仿真合成：在 Isaac Sim、MuJoCo 等仿真器里批量生成，再做 Sim2Real 迁移；
- 人类视频：从第一人称视频里学习动作意图；
- 跨机构汇总的开源数据集：例如 Open X-Embodiment 汇集了多家机构、多种机器人的轨迹，DROID 提供大规模真实场景机械臂数据。
具身智能现在能做什么、不能做什么
- 已在落地：工厂上下料与分拣、仓储搬运、变电站与管廊巡检、展厅导览与商业接待。案例见 商业落地案例。
- 仍在攻关：在陌生环境里长时间稳定完成多步骤任务、灵巧手精细操作、低成本大规模数据采集，以及整机续航与可靠性。
想入门具身智能从哪开始
- 先买什么：5 万元以内入门机器人选型、人形机器人多少钱一台
- 先学什么：LeRobot 从零到真机
- 看行业动态：24h 快讯、具身周报
延伸选型与深度对比
基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。
宇树 G1
Franka FR3来源
本页事实对应的公开页面，以原文为准。
- 具身开发者社区 · 九层能力图谱访问 2026-11-05
- RT-2: Vision-Language-Action Models (arXiv 2307.15818)访问 2026-11-05