导语

4月14日，波士顿动力与谷歌DeepMind联合宣布，旗下黄色机器狗Spot将迎来一次关键升级：原本只能按固定脚本运行的它，将接入Gemini Robotics-ER 1.6模型，并整合进波士顿动力的Orbit工业巡检平台。这意味着Spot获得了更强的空间推理、自主决策能力，以及在不规则工业场景中持续学习的能力。事实上，Spot的硬件能力早已成熟，真正缺失的，是一颗能让它在杂乱工厂里无需人类逐帧遥控的「大脑」。

这种「能移动」与「懂环境」之间的落差，正是具身AI（Embodied AI）这一横跨数十年的研究领域试图填补的核心鸿沟。近期Spot的智能化尝试，让外界再次将目光投向一个根本性问题：当人工智能走出屏幕、进入物理世界，智能究竟应该发生在哪里？

具身AI不是「给机器人装个AI」

一个常见的误解是，具身AI等同于「把AI塞进机器人身体里」。但在该领域的专家看来，身体从来不是承载智能的运输工具，而是计算本身的一部分。苏黎世大学人工智能实验室前主任Rolf Pfeifer与佛蒙特大学计算机科学教授Josh Bongard在《How the Body Shapes the Way We Think》一书中指出，思维并非独立于身体，而是被身体结构严格约束，同时也被身体所赋能。

更早之前，澳大利亚机器人学家Rodney Brooks在MIT的工作就提出了更具挑衅性的主张：机器人不需要内部世界模型和复杂规划也能表现出智能。他设计的「包容架构（subsumption architecture）」用简单的反射层直接耦合传感器与电机，无需任何对世界表征的编程，就能产生稳健的实时行为。换句话说，如果身体和传感器能即时对真实房间做出反应，就不需要先构建一张抽象地图。

形态计算：把脑力「外包」给身体

上述理念在工程上体现为「形态计算（morphological computation）」——把原本需要大脑完成的工作，转嫁给物理结构。例如被动动力学 walker 无需电机与控制系统，仅靠腿部几何与关节形状就能在缓坡上行走；柔软顺从的机械手不必显式建模物体形状，靠材料形变就能抓取异形物件。

从Pfeifer的苏黎世实验室、Brooks的机器人，到今天的人形机器人，一条主线清晰浮现：智能分布在大脑、身体与环境之间，而非孤立存在于某个模块。当前行业热潮的本质，正是探索这种分布式智能在规模化落地时究竟有多难。

落地之痛：从Demo到部署的残酷落差

与从文本、图像中学习的聊天机器人不同，具身AI必须驯服重力与平衡，而物理场景的无穷多样，加上「仿真到现实鸿沟（sim-to-real gap）」，让这件事极其困难。行业数据颇为刺眼：尽管具身AI市场预计2030年达230亿美元，但多数人形机器人单次充电续航仅约90分钟；实验室里95%成功率的策略，到了真实世界往往跌至60%左右。

此外，仿真中可廉价训练百万次的控制策略，一上真机就急剧退化；复杂的推理模型常因响应太慢，被迫将「重思考」放在离线设备，本体只留轻量反射控制；电池与脆弱部件也持续拖累试点项目。数据稀缺同样致命——文本与图像模型有互联网语料，具身系统却没有对应宝藏。Open X-Embodiment数据集与Generalist AI的GEN-0（基于数十万小时操作数据预训练）正试图填补，但真实部署至少需要数千万小时级数据。

具身AI与神经形态AI：被混淆的两个方向

讨论中，人们常把具身AI与神经形态AI混为一谈，因为二者都认真借鉴生物学。但问题指向不同：具身AI关心智能「位于何处」，认为认知分布于脑、身、环境，对处理器类型并无执念，普通GPU集群也能跑其「大脑」；神经形态AI关心处理器「如何构建」，试图用脉冲神经网络（SNN）模仿生物神经元物理机制。SNN仅在阈值被超越时放电，适合运动感知等时效任务，且芯片只在活跃神经元耗电，能效极高。

二者正通过「具身神经形态智能」研究交汇：将脉冲、事件驱动芯片放入实体机器人，以低功耗与适时响应匹配始终在线的物理任务。

协同进化：为任务设计「对」的身体

若身体参与计算，下一个问题便是：如何为任务设计合适身体，而非把AI硬绑到现成机架上？比勒费尔德大学Alexander von Humboldt教授Yaochu Jin主张，神经控制与物理形态不应分开设计再组合，而应像生物那样协同发育。他的研究横跨进化算法、发育生物学与计算神经科学，聚焦神经系统与形态的共同进化，以及环境反馈如何塑造感官分布。

这直指具身AI瓶颈：机器人身体常与任务环境错配，手动改硬件又慢又贵。进化方法可自动搜索「身体—大脑」设计空间，让模拟种群按任务表现竞争复制，再落地制造。

结语：具身AI是一场系统级战役

资本与模型正涌入具身AI，但硬问题清单始终稳定：仿真与现实鸿沟、推理延迟、续航短板、数据荒。更重要的是，安全部署依赖传感器、硬件鲁棒性、操作边界、人机交互与网络防护——具身AI绝非纯软件挑战，而是系统挑战。Spot接入Gemini或许只是工业巡检的一小步，却映照出一个更大转向：当机器开始用身体思考，我们才刚摸到智能的边角。