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——接入Gemini Robotics-ER 1.6模型。这套AI系统不仅会被嵌入Spot本体，还将整合进波士顿动力的Orbit工业巡检平台，赋予设备更强的空间推理、自主决策以及复杂工业场景下的持续学习能力。长期以来，Spot的硬件素质已经足够出色，但真正让它在杂乱工厂中脱离人工逐帧操控、理解所处环境的“智能”，直到现在才补上。
这一迟来的拼图，恰好指向一个存在数十年的研究方向：具身AI（Embodied AI）。它的核心命题，不是给机器人装一个大脑那么简单，而是要弥合“能移动的机器”与“理解所处空间的机器”之间的根本鸿沟。
具身AI：身体本身就是计算的一部分
外界最容易产生的误解，是把具身AI等同于“装在机器人身体里的AI”。但在该领域研究者看来，身体从来不是承载智能的运输工具，而是计算本身的一环。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，而是被身体结构紧密约束，同时也被身体所赋能。
早在1980年代末至1990年代，MIT的澳大利亚机器人专家Rodney Brooks就提出过更具挑衅性的主张：机器人并不需要内部世界模型和繁复规划才能表现出智能。他设计的“包容架构（subsumption architecture）”依靠简单反射与传感器、电机紧耦合，无需任何显式世界表征，就能产生稳健的实时行为。换言之，如果传感器和身体能时刻对真实环境作出反应，就不需要先构建一张抽象地图。
形态计算：把脑力卸载给物理结构
上述理念在工程中体现为“形态计算（morphological computation）”：把原本需要大脑完成的工作，转嫁给身体物理结构。例如被动动态行走器无需电机与控制系统的介入，仅凭腿部几何与关节形状就能顺斜坡而下；柔软顺应的机械手不需对物体形状建模，靠材料自身形变即可抓取异形物件。从Pfeifer的苏黎世实验室、Brooks的机器人，到今天的人形机器，一条共同线索是——智能分布在脑、身体与环境之间，而非集中于某一点。
当前这轮热潮，正是在大规模场景下重新检验这种分布究竟有多难。
落地之痛：从演示到部署的残酷落差
与从文本、图像中学习的聊天机器人不同，具身AI必须征服重力与平衡，而物理场景的无穷变量与“仿真到现实鸿沟”让这件事极其困难。行业数据颇为刺眼：尽管具身AI市场预计到2030年将达到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，到了真实世界会跌至60%上下。 demo与部署之间的差距，是这个领域最不性感却最核心的难题。
具身AI不等于 neuromorphic AI
日常讨论中，具身AI常与 neuromorphic AI（神经形态AI）混淆，因为二者都认真看待生物学。但它们回答的是不同问题：具身AI关注智能“位于何处”，认为认知跨脑与身体分布，对内部处理器类型基本中立，普通GPU集群也能跑；神经形态AI关注处理器“如何构建”，试图通过脉冲神经网络（SNN）模仿生物神经元物理机制。SNN只在阈值被超越时放电，适合运动感知等时效任务，且因仅有活跃神经元耗电而极度节能。如今，“具身神经形态智能”研究正把脉冲、事件驱动芯片放进实体机器人，以低功耗与及时响应适配始终在线的现实任务。
脑与身体应协同进化
若身体参与计算，下一个问题便是：如何为任务设计正确身体，而非把AI硬塞进现有框架？比勒菲尔德大学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拼装，而须像生物那样同步生长。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。这对具身AI的关键瓶颈直接有用：机器人身体常与任务错配，手动改硬件又慢又贵；进化方法可在造物前，让模拟种群按任务表现竞争与复制，自动搜索“身体+大脑”的设计空间。
仍未跨越的系统性关卡
即便资本与模型疯狂涌入，硬骨头依旧清晰：仿真策略便宜跑百万次，上真机就锐减；复杂推理模型常慢于毫秒级响应的机械臂腿，被迫把重思考放离线、轻反射留本体；电池与脆弱部件拖累续航与试点；更致命的是数据荒——文本视觉模型吃的是互联网红利，具身系统没有对等语料。Open X-Embodiment数据集与Generalist AI的GEN-0（数十万小时操作数据预训练）只是填补空白的尝试，而真实部署至少需要数千万小时级数据。具身AI不应只被看作软件挑战，安全落地依赖传感器、硬件鲁棒性、操作边界、人机交互与网络安全的系统协同。
背景与行业影响
具身AI并非新概念，却因大模型与算力成熟而在当下回潮。Spot接入Gemini Robotics-ER 1.6，标志着工业巡检从“脚本机器”走向“自主代理”的拐点；而学界对形态计算、协同进化与神经形态融合的探索，正在重新定义机器人研发范式。未来竞争不只比谁模型强，更比谁让脑、身、环境成为一个可演进的系统。对于制造业、物流与高危作业而言，填补仿真—现实鸿沟的那一天，才是具身智能真正上岗的一天。