过去几年，大模型的"大脑"主要在数字世界里工作：写文字、生成图片、调用软件接口。而具身智能（Embodied AI）想做的事不太一样——让模型拥有一具身体，能在真实物理世界里感知、移动和操作。
一、从"看懂"到"动手"：VLA 是什么
VLA（Vision-Language-Action）指把视觉、语言与动作统一进同一个模型：输入摄像头画面和一句自然语言指令（例如"把桌上的杯子递给我"），输出的是机器人关节层面的动作序列。相比传统的"感知—规划—控制"三段式流水线，VLA 追求端到端学习，以减少模块拆分带来的误差累积。
二、为什么大模型让这件事变得可行
- 视觉-语言预训练带来了对世界的常识：模型见过海量图文，知道"杯子""易碎""轻拿轻放"之间的关系；
- 大规模模仿学习：通过遥操作等方式采集人类演示数据，让模型直接学习"看到什么、做什么"；
- 语言作为统一接口：同一套模型可以接受不同指令，而不必为每个任务单独编写规则。
三、真正的难点在哪里
- 数据昂贵：物理世界的数据采集远比抓取网页麻烦，且难以覆盖长尾场景；
- 容错率低：数字世界里一次错误输出可以重试，机械臂一次失误却可能损坏物品甚至造成危险；
- 实时性要求高：机器人控制对延迟敏感，而大模型推理开销不小，需要模型压缩、蒸馏或端侧部署配合；
- 评测困难：真实环境难以标准化复现，行业仍在探索更可靠的评测方法。
四、距离落地还有多远
目前具身智能更多出现在受控场景，例如实验室环境、固定工位上的抓取与分拣。距离"通用家庭机器人"仍有明显距离。更务实的路径是：先在结构化、重复性高的工业与物流场景中积累数据与可靠性，再逐步走向更开放的环境。
五、一句话总结
具身智能的本质，是把大模型的语义理解能力，接到一个必须对物理后果负责的执行系统上。它的进展不完全取决于模型参数有多大，更取决于数据、可靠性与安全边界能走多远。
【参考来源】综合整理自公开发布的行业信息与厂商公开技术资料（如 Google 的 RT-2、开源项目 OpenVLA 等公开研究）。