具身智能是通往通用人工智能的关键路径，但其核心概念常被混淆。这篇综述系统拆解了具身智能的四大支柱：从主动感知环境的具身感知，到与物理世界动态交互的具身交互，再到作为执行载体的具身智能体，以及连接模拟与现实的关键桥梁——虚实迁移。它为理解这一前沿领域提供了清晰的框架和深度视角。
智能速览
具身感知要求智能体主动探索并解读3D环境，而非被动接收。
具身交互核心在于理解意图、执行动作并反馈调整，典型任务为具身问答与抓取。
具身智能体是执行载体，需协同高层任务规划与低层动作规划。
高层规划与低层执行脱节是智能体面临的关键挑战，导致整体完成率偏低。
虚实迁移是连接模拟训练与现实应用的关键，核心是缩小领域差距。
精华内容
具身智能远不止是让机器人“看见”世界，更是要让它们在物理世界中“理解”与“行动”。从感知到交互，再到智能体的自主决策与虚实迁移，每一步都充满了技术挑战与创新机遇。
主动探索环境
具身感知的核心区别在于从被动接受视觉信息升级为主动探索并解读环境，为后续决策提供精准的认知基础。其典型代表是主动视觉感知，需要具备状态估计、场景感知和环境探索三大能力。
另一重要方向是视觉语言导航（VLN），其目标是让智能体遵循“走到厨房从冰箱拿苹果”这类自然语言指令，在未知环境中完成导航。该任务的核心是实现视觉信息与语言指令的精准对齐，考验着智能体的多模态理解与路径规划能力。
理解并执行
具身交互聚焦于智能体在物理或模拟空间中与外界进行动态交互，核心流程是“理解意图-执行动作-反馈调整”。具身问答（EQA）是典型任务之一，智能体需以第一视角探索环境，回答如“客厅是否有降温用的物体？”等问题，关键挑战在于决定何时停止探索以及如何高效获取关键信息。
具身抓取则要求智能体根据人类指令完成物体抓取。这需要融合传统运动学与多模态大模型，解决从“语义理解”到“抓取姿态生成”，再到“物理交互”的完整闭环问题。
智能体决策
具身智能体是具身AI的执行载体，定义为能感知环境、自主决策并通过物理实体执行动作的自主实体。其核心目标是实现高层任务规划与低层动作规划的协同。
高层规划负责将“打扫厨房”这类复杂指令拆解为“整理物体→扫地→擦桌子”等可执行的子任务序列。低层规划则负责执行“开门”“抓取苹果”等具体操作，并处理物理世界的不确定性。然而，两者存在脱节问题，如RoboGPT实验中，任务规划准确率高达96%，但整体任务完成率仅60%。
跨越模拟鸿沟
虚实迁移是具身AI落地的关键桥梁，旨在将智能体在模拟环境中学习的能力迁移到真实世界，核心是缩小模拟与现实之间的领域差距，包括物理规律差异和传感器噪声等。
具身世界模型是实现这一目标的重要技术方向，通过构建贴近真实物理规律的模拟世界来预测环境状态，辅助决策。与预训练的VLA模型不同，世界模型需从物理世界数据中从头训练，以更好地适配自动驾驶、物体分拣等结构化任务。高质量的数据采集与训练是其成功的基石。
具身智能正从理论走向实践，四大核心领域共同勾勒出技术演进的全景。尽管规划与执行的脱节、模拟与现实的鸿沟仍是巨大挑战，但每一步进展都在拉近通用人工智能的梦想。未来，当智能体能自如地在物理世界中穿梭，我们的生活将被如何重塑？
