是什么
具身智能（Embodied AI）指让 AI 拥有「身体」的智能形态：通过摄像头、力传感器等感知物理世界，由模型理解环境并做出决策，再驱动关节、轮子或机械手执行动作，形成 感知—决策—行动 的闭环。它与只处理文字、图像的「离身」大模型相对——聊天机器人在数字世界里回答问题，具身智能要在真实世界里叠衣服、分拣包裹、开门爬楼。
当前主流技术路线是 VLA（视觉-语言-动作）模型：在 多模态 大模型基础上增加动作输出头，让模型看懂环境、听懂自然语言指令后，直接生成机器人的控制信号。谷歌 RT-2 开创了这一范式，Physical Intelligence 的 π 系列、英伟达 开源的 Isaac GR00T 机器人基础模型是代表性进展。
为什么重要
具身智能被广泛视为大模型之后的「下一个战场」：语言模型把 AI 带进了数字世界的每个角落，而物理世界的劳动——制造、物流、家政、养老——市场规模更大，却几乎未被 AI 触及。人形机器人 是其中最受关注的载体，但不是唯一载体：四足机器狗、机械臂、自动驾驶 汽车同样是具身智能的「身体」。
中国是这一赛道最活跃的市场之一。宇树科技 2025 年人形机器人出货超 5500 台、居全球第一，其科创板 IPO 于 2026 年 7 月注册获批（拟募资 42.02 亿元），将成为 A 股「具身智能第一股」；智元机器人目标 2026 年科创板上市；逐际动力、银河通用等亦在推进。据公开报道，已有超 20 家具身智能企业明确上市计划，2026 年被称为该赛道的「上市大年」。更多中国 AI 动态见本站 中国 AI 聚合页。
在 AI 产业链中的位置
具身智能横跨 模型 与 应用 两层：VLA 模型本身属于模型层——它和语言模型一样遵循数据与算力的 规模法则，需要海量真机与仿真数据训练；而机器人整机则是应用层产品，机身上依赖芯片层的高效推理算力，云端训练依赖基础设施层与能源层的支撑。这种「一个方向拉动全部五层」的特性，正是它被产业与资本同时押注的原因。