是什麼

具身智慧（Embodied AI）指讓 AI 擁有「身體」的智慧形態：通過攝像頭、力感測器等感知物理世界，由模型理解環境並做出決策，再驅動關節、輪子或機械手執行動作，形成 感知—決策—行動 的閉環。它與只處理文字、影像的「離身」大模型相對——聊天機器人在數字世界裡回答問題，具身智慧要在真實世界裡疊衣服、分揀包裹、開門爬樓。

當前主流技術路線是 VLA（視覺-語言-動作）模型：在 多模態 大模型基礎上增加動作輸出頭，讓模型看懂環境、聽懂自然語言指令後，直接生成機器人的控制訊號。谷歌 RT-2 開創了這一範式，Physical Intelligence 的 π 系列、輝達 開源的 Isaac GR00T 機器人基礎模型是代表性進展。

為什麼重要

具身智慧被廣泛視為大模型之後的「下一個戰場」：語言模型把 AI 帶進了數字世界的每個角落，而物理世界的勞動——製造、物流、家政、養老——市場規模更大，卻幾乎未被 AI 觸及。人形機器人 是其中最受關注的載體，但不是唯一載體：四足機器狗、機械臂、自動駕駛 汽車同樣是具身智慧的「身體」。

中國是這一賽道最活躍的市場之一。宇樹科技 2025 年人形機器人出貨超 5500 台、居全球第一，其科創板 IPO 於 2026 年 7 月註冊獲批（擬募資 42.02 億元），將成為 A 股「具身智慧第一股」；智元機器人目標 2026 年科創板上市；逐際動力、銀河通用等亦在推進。據公開報道，已有超 20 傢俱身智慧企業明確上市計劃，2026 年被稱為該賽道的「上市大年」。更多中國 AI 動態見本站 中國 AI 聚合頁。

在 AI 產業鏈中的位置

具身智慧橫跨 模型 與 應用 兩層：VLA 模型本身屬於模型層——它和語言模型一樣遵循資料與算力的 規模法則，需要海量真機與模擬資料訓練；而機器人整機則是應用層產品，機身上依賴晶片層的高效推理算力，雲端訓練依賴基礎設施層與能源層的支撐。這種「一個方向拉動全部五層」的特性，正是它被產業與資本同時押注的原因。