大導演詹姆斯·卡梅隆曾在 2019 年擔任編劇，制作了一部《阿麗塔：戰(zhàn)斗天使》的電影，這個電影的原著漫畫《銃夢》早在 1991 年的時候，就有一個非常超前的設定：住在世界底部「廢鐵鎮(zhèn) Scrapyard」的居民，大多是擁有人類大腦，機械身體的改造人，而住在世界上方烏托邦城市「扎雷姆 Zalem」的居民，則都是成年后被摘除大腦，植入芯片大腦，被超級計算機控制，但擁有人類軀體的改造了。

除去關于戰(zhàn)斗和科幻的描述，《銃夢》提出了一個在當時看起來很玄妙的問題：擁有人類大腦和機械軀體的人，和擁有機械大腦和人類軀體的人，哪個才算真正的人？

所有公司都應該是 AI 公司？所有公司都可能是具身智能公司！

2023 年下半年 ChatGPT 3.5 和大模型技術開始進入公眾視野之后，也有人喊出了一個口號：所有公司都應該是 AI 公司，不入局 AI，不會用 AI 的公司在未來毫無競爭力。

于是我們在 2024 年上半年經(jīng)歷了無數(shù)的人類劇變之夜，OpenAI、微軟、Google 或者英偉達的任何新消息，都可以被解讀為歷史的轉折點。

然后人們發(fā)現(xiàn)，AI 對世界的沖擊，好像沒有媒體說的那么劇烈。

與狂飆突進的 AI 進程相匹配的，還有「具身智能 Embodied Intelligence」概念的興起，這也是一個具備了哲學，生物，科幻和科技意義上的概念。

我們可以這么簡單理解「具身智能」：Embodied Intelligence 是賦予智能以身體，把智能系統(tǒng)和機器人身體結合在一起，使之能認知環(huán)境，理解環(huán)境，可以與環(huán)境交互和行動，來體現(xiàn)智能。

在制造業(yè)發(fā)達的中國，「具身智能」其實是一個比 AI 更吸引人，更容易被大眾接受的概念，也是更適合中國實業(yè)的 AI 技術路線。

之所以有如此感觸，是因為在行業(yè)趨于冷靜的 2024 年下半年之后，我做的多次采訪，都提到了自家企業(yè)未來的發(fā)展方向都會是，或者都包含具身智能。

有趣的是，這些企業(yè)都不是大眾認知中嚴格意義上的機器人公司，或者人工智能公司，而是大眾眼里的車企，無人機車企，或者家電企業(yè)......

去年 8 月，愛范兒與理想智駕團隊有過對話，其中理想智駕研發(fā)副總裁郎咸朋這么形容端到端技術路線的智能駕駛，和此前依靠「感知-規(guī)劃-控制」邏輯的智能駕駛是「能力和功能」的區(qū)別。

或者說，是授人以漁還是授人以魚。

▲ 端到端+VLM 的底層模型框架，可能是目前具身智能的通用框架

在采訪中，理想智駕核心團隊都會把理想汽車比喻成裝在輪子上的機器人，也聊到了人形機器人等具身智能載體在用「端到端+VLM」的框架的應用雛形。

車企在研究智駕技術彎道超車的過程中，發(fā)現(xiàn)了具身智能的曙光。

然后就是理想創(chuàng)始人李想在去年年底亮相接受專訪，直接表示理想的定位和愿景：理想是一家人工智能企業(yè)，致力于人工智能的汽車化，推動人工智能普惠到每一個家庭。

如果關注過 2024 小鵬 AI 科技日活動的話，也會發(fā)現(xiàn)小鵬更是高舉 AI 大旗，還發(fā)布了 AI 機器人 Iron，并把 AI 機器戰(zhàn)略人放在了重要位置，表示沒有 500 億，做不好 AI 機器人。

更不用說馬斯克一再強調「特斯拉是一家 AI 和機器人公司，而不僅是一家汽車公司」，關于造車賣車這件事，大家想必感覺到了馬斯克已經(jīng)意興闌珊，他更多的精力在 xAI 和 TeslaBot，還有 RoboTaxi+FSD 的商業(yè)模式上。

▲ Figure 02

甚至是被大家認為最正統(tǒng)最純粹的 AI 公司 OpenAI，也可以是一家具身智能公司。AI 機器人公司 Figure 背后的投資方包括了 OpenAI、微軟、英偉達等巨頭企業(yè)，去年下半年發(fā)布的 Figure 02 被稱為「地球上最先進的 AI 硬件」，其中的 AI 技術，包括多模態(tài) AI 能力，由 OpenAI 提供。

非常一致的是，無論是特斯拉的 TeslaBot，還是小鵬的 Iron，亦或是 Figure 02 都被安排進了汽車生產(chǎn)車間打工，這其中固然有營銷的成分，但也說明他們的愿景。

在不少的細分領域，比如專注在農(nóng)業(yè)領域的極飛，認為在耕種管收的農(nóng)業(yè)生產(chǎn)階段，具身智能也有用武之地，比如大型棉田糧田都有大型收割機械，但是在收蘋果收梨子這種果園場景，大型農(nóng)機難以進入，主要還是靠人力來采摘，具有復雜狹小地形行動能力和機械臂的 AI 機器人，正好適合這種場景。

而目前主要產(chǎn)品為掃拖機器人和洗地機的云鯨，則認為目前家庭環(huán)境清潔只做到了平面，也就是地面的清潔，未來云鯨的發(fā)展方向是空間清潔，即各種桌面臺面的清潔和整理。想要做到空間清潔，自然也需要以「視覺能力」為核心的人工智能能力，以及在掃拖機器人基礎上進化而來的更多維度的機械結構。

▲ 石頭 Saros Z70 掃地機器人，帶有機械手

無獨有偶，在 2025 年 CES 旗艦，同為掃地機器人生產(chǎn)商的石頭和追覓，都發(fā)布了帶機械手的掃地機器人，或者是仿生多關節(jié)機械手技術，掃地機器人只是機械手技術的載體而已。

▲ 戴森的機械手做家務演示

更早之前，戴森也發(fā)布了機械手清理家居的演示物料，基本上各大從事家居清潔工作的廠商，都開始思考用機械臂機械手的硬件，和以 AI 視覺為核心的 AI 能力來突破只能清潔地面的局限，這是家居環(huán)境里的具身智能。

雖然小標題里的「所有公司都可能是具身智能公司」這句話有點標題黨，但如此強調的意義在于，這一批有志于具身智能的企業(yè)，并不完全是離商業(yè)化較遠，離前沿技術很近的機器人公司（比如波士頓機器人），而很可能是我們身邊日常接觸的企業(yè)，它們有成熟的商業(yè)模式和現(xiàn)金流，以及對技術的巨大投入決心。

這也是技術路線可以走下去的標志之一：共識。

很多熱門的技術趨勢，比如 AR/VR/XR，元宇宙，NFT 等等，熱度或許高，但共識很脆弱，各有各的想法和算盤，沒有合力，也沒有普適場景。

▲ 阿麗塔甚至沒有頭骨，用機械結構包裹大腦，圖片來自《阿麗塔：戰(zhàn)斗天使》劇照

給身體以智能，還是給智能以身體？

「給歲月以文明，而不是給文明以歲月」是個萬能句式，就像我們討論具身智能的時候，也要討論是「給身體以智能，還是給智能以身體？」一樣。

也可以回到開始的問題，《銃夢》提出的「擁有人類大腦和機械軀體的人，和擁有機械大腦和人類軀體的人，哪個才算真正的人？」

圖靈獎獲得者、中國科學院院士、清華大學交叉信息研究院院長，也是世界最頂尖計算機人才搖籃「清華姚班」的創(chuàng)辦者姚期智，在 2023 年世界機器人大會上發(fā)言說：

人類本身就是世界上相當理想的一個具身智能體。 它基本上具備三個方面，三個成分：第一方面是身體，第二方面是小腦，第三方面是大腦。 身體的部分具身必須要有足夠的硬件，具有傳感器和執(zhí)行器，小腦會主導視覺、觸覺各種感知來控制身體，完成復雜的任務，最后大腦部分，它主導上層的邏輯推理、決策、長時間的規(guī)劃以用自然語言能夠和其他的智能體、環(huán)境交流。

身體，小腦和大腦的三重比喻，是業(yè)界最通俗易懂的，關于「具身智能」的解釋。

相比于身體的相對成熟，具身智能當中「小腦」和「大腦」的成熟度還遠遠不夠，尤其是「大腦」。

作為負責「感知-推理-預測-行動」的模塊，如今具身智能的大腦能力和人類還有巨大的差距，研究上也屬于早期階段，Google 在 2022 年發(fā)布了機器人控制系統(tǒng) SayCan，次年發(fā)布了 562B 參數(shù)的多模態(tài)大模型 PaLM-E，其中包括 22B 參數(shù)的視覺模型。

▲ PaLM-E 簡介

PaLM-E 的進步之處在于，具身智能機器人可以根據(jù)人類的自然語言指令，自主分解任務，付諸行動，完成任務，類似于 ChatGPT 根據(jù) prompt 生成結果。

另外 Google 和 DeepMind 等機構也一直在匯集機器人的訓練數(shù)據(jù)集，最新的 RT-X 匯集了 22 種不同機器人類型的數(shù)據(jù)，涵蓋 100 萬個片段，展示了機器人 500 多項技能和 16 萬項任務表現(xiàn)。

斯坦福終身教授、前 Google 首席科學家李飛飛最近的研究重心也轉移到了空間智能，并且創(chuàng)辦了空間智能科技公司 World Labs，意在將 AI 模型從 2D 像素平面提升到完整的 3D 世界（虛擬和現(xiàn)實世界），構建大型世界模型 (LWM)，以感知、生成和與 3D 世界互動。

而在創(chuàng)辦 World Labs 之前，李飛飛在具身智能領域也有重大貢獻，她領導的 VoxPoser 和 PaLM-E 類似，也是具身智能多模態(tài)大模型，具有很強的視覺智能，以及把自然語言指令轉變?yōu)榫唧w行動的能力。

▲ VoxPoser 支持下的機器人繞過花瓶打開抽屜

比方說，告訴機器人「打開抽屜，小心花瓶」，機器人就會繞過花瓶去打開抽屜。

這個自然語言指令和最終動作之間，說明 VoxPoser 支持下的機器人能夠知道什么是抽屜，什么是花瓶，看得到抽屜和花瓶在 3D 空間的方位，「小心」的潛臺詞是什么，最終任務是什么.......

▲ VoxPoser 運行邏輯

這意味著機器人有耳朵，有眼睛，有腦子，當然也有手。腦子會理解耳朵聽到的指令，然后拆解成任務步驟，接著腦子還會指揮眼睛，去生成空間信息的「地圖」，最后手會根據(jù)「地圖」進行行動。

如此復雜的過程當中，多模態(tài)大模型中的大語言模型和視覺模型會不斷交互，生成拆解任務的代碼，空間信息地圖，以及執(zhí)行任務的代碼等等信息。

更關鍵的是，機器人沒有經(jīng)過預訓練，而是直接完成了任務，這就是具身智能和先前機器人的最大區(qū)別：之前的機器人，無論是產(chǎn)線上的機械臂，還是晚會上跳舞的機器人，都是按照固定程序運行，行為只有一套模板，無法理解環(huán)境信息并做出反應。

多模態(tài)大模型支持下的具身智能也會產(chǎn)生「涌現(xiàn)」的能力，比如在沒有預訓練的情況，要機器人把抽屜抽出一半這個任務，因為機器人預先不知道抽屜的長度，所以「一半」是什么，對于機器人是未知數(shù)。

但機器人是這樣求解的：先把抽屜完全抽出，然后推回一半，也就等于抽出了一半。

或者說，像 VoxPoser 這樣的多模態(tài)大模型，賦予了具身智能「泛化」的能力，即具身智能不止能干一件事，而是可以舉一反三，干很多事情。

這就又回到了前面說的那個問題，是授人以漁還是授人以魚。端到端大模型是智駕里的「授人以漁」，寫規(guī)控是「授人以魚」，類似的，多模態(tài)大模型自己生成代碼是自己掌握了「能力」，能力能夠產(chǎn)生多種「功能」。

VoxPoser 的演示能夠幫助我們理解具身智能和此前各種機器人的顯著區(qū)別，也能夠回答小標題的設問：給身體以智能，還是給智能以身體？

當然是給智能以身體，大腦才是身體的主宰。

《銃夢》的問題也有了答案，擁有人類大腦和機械軀體的人，和擁有機械大腦和人類軀體的人，哪個才算真正的人？當然也是前者。

▲ 特斯拉自研了用于 AI 訓練的 Dojo 芯片和 Dojo 系統(tǒng)

馬力與智力，馬斯克與 MAGA

哲學問題和技術問題或許遙遠和晦澀，但現(xiàn)實問題永遠存在。

當我思考為什么現(xiàn)在的汽車廠商如此熱衷于 AI 和具身智能，以至于都要拋棄「汽車廠商」身份的時候，出現(xiàn)了這么一些想法：

• 汽車生產(chǎn)是最大規(guī)模的工業(yè)生產(chǎn)行為，總是追求最先進技術，最高效率，以及最不依賴人類的制造業(yè)
• 汽車智能駕駛的追求，同樣也是不依賴人類
• 汽車過去是普通人能駕馭的最大馬力產(chǎn)品，現(xiàn)在是普通人能擁有最高算力（智力）產(chǎn)品

特斯拉位于上海的工廠是汽車行業(yè)里自動化程度最高，效率最高的工廠之一，當然也可能是人類參與最少的汽車工廠之一，絕大多數(shù)生產(chǎn)裝配工序，都依靠機器完成。

▲ 當代汽車產(chǎn)線

而「黑燈工廠」的概念，也深受汽車行業(yè)歡迎，不少車企還會專門宣傳「黑燈工廠」，所謂「黑燈工廠」，就是指無需人類參與，自動化智能化程度極高，可以不用照明也可以運行的產(chǎn)線或工廠。

作為普通人，我們理解汽車對人類的「拋棄」更多還是智能駕駛層面，「駕駛行為」可以預見到在未來會變得越來越稀有，離日常越來越遠，離興趣愛好越來越近。

我們也可以從另一個角度去理解汽車這種產(chǎn)品，無論是特斯拉還是蔚小理的產(chǎn)品，都可以算作是普通人能夠擁有的馬力最大，智力最高產(chǎn)品。

在很長一段時間里，馬力和智力是分開的，燃油車時代的汽車智力有限，車內雖然芯片眾多，但制程和算力都很落后，我們日常使用的手機和電腦，以及背后的云計算，具有不錯的算力，但都不會擁有馬力。

而現(xiàn)在，一輛旗艦電動汽車，能夠擁有上千匹馬力，以及數(shù)百億個晶體管。

如果從這個角度考慮，那些在往汽車里加傳感器加大算力芯片，自建萬卡訓練集群做大模型的汽車品牌，和堅持聘用畫線老仙人給汽車畫腰線的汽車品牌，已經(jīng)是完全不同的品類了。

那么，前者自稱「人工智能和機器人公司」就太合理了。

最近馬斯克和川普的一些狂熱支持者（簡稱 MAGA 群體）在社交媒體上有過一場猛烈的交鋒，起因是 MAGA 群體反對高技術人才工作簽證，認為這類簽證會搶走本土人才的工作機會，把大好工作機會留給外人。

生在南非的移民馬斯克和他的另一位移民伙伴盟友反駁得就很直接，甚至自帶破防和濺射效果：

• 通過高技術人才工作簽證等合法途徑引進的工程技術人才非常重要，就像 NBA 的掘金隊引進塞爾維亞運動員約基奇一樣。
• 美國本土文化崇尚派對明星，而非科學人才，其他地方恰好相反。
• 應該引進更多的高技術人才，翻倍最好。

類似的橋段也有佐證，比如有媒體說，美國投資人如果看到一個硅谷互聯(lián)網(wǎng)創(chuàng)業(yè)團隊里沒有華裔名字，會問一個問題：

你們團隊沒有中國人，那活到底誰來干呀？

所謂謊言從不傷人，真相才是快刀，馬斯克和他盟友的潛臺詞意思差不多就是，MAGA 群體干不了高技術人才的活，活是給聰明人干的。

這是真相之一，真相之二就是，MAGA 群體集中的中端藍領工作，恰是馬斯克所謀。

▲ 機器人進廠打工，是營銷噱頭，也是未來的必然場景

制造業(yè)、物流、建筑業(yè)、倉儲、食品加工等領域中，大量低技能、高重復性的崗位是目前 MAGA 群體的主要就業(yè)機會，這些崗位已經(jīng)被不少自動化產(chǎn)線所侵占，剩余的更柔性的部分，也很有可能被擁有更強環(huán)境理解能力和學習能力的具身智能機器人所取代。

那么這些具身智能主要是誰來研究的呢？通過高技術人才簽證引進的工程技術人才。

當一家企業(yè)的創(chuàng)始人同時能夠生產(chǎn)巨大的馬力和智力的時候，他很難不想著去用這兩種力量去替代羸弱而復雜的人類。

管理過巨型企業(yè)的企業(yè)家更是深知人是多么難以管理，以及機器人是多么好管理。對技術抱有信仰，看到 AGI 曙光的企業(yè)家，自然也不會讓 AI 只顯示在屏幕上。

更現(xiàn)實的問題：為什么我們需要具身智能？

2024 年對于日德車企來說，不是很好的年份，因為一方面市場份額在下降，利潤驟減，產(chǎn)能也開始出現(xiàn)冗余了；另一方面，產(chǎn)能冗余，但工人工資還是要發(fā)，逐利的資本自然會考慮裁員降本，但在工會組織強大的德國，又是困難重重。

相比于在中國生產(chǎn)一輛汽車，大眾在德國生產(chǎn)一輛汽車的成本要高得多，成本高競爭力就下降，競爭力下降，份額就減少，份額下降，產(chǎn)能不飽，成本還會繼續(xù)變高，大眾在德國本土就進入了這樣的泥沼之中，所以大眾計劃在德國本土關廠降薪裁員，然后就是工會反對，員工罷工。

經(jīng)過漫長的談判，德國大眾和工會達成協(xié)議：不關廠，但裁員，到 2030 年逐步在德國本土裁員 3.5 萬人。

具身智能們不會成立工會，這就是具身智能的巨大優(yōu)勢。

當然這是站在資本角度考慮的。

其實站在普通人角度考慮，邏輯也大差不差，關鍵詞都是一個：勞動力。

對于企業(yè)主來說，押注具身智能，是指望它們成為更高效率，更低成本（使用成本和管理成本）的勞動力。

▲ 在干旱地區(qū)使用智能水閥，能夠大大減少用水成本和人力成本，并且方便管理

對于我們來說，老齡化不可逆轉的情況下，從事基礎的農(nóng)業(yè)、制造業(yè)、服務業(yè)工作的勞動力可以預見地會出現(xiàn)短缺，智能化和具身智能被認為是最有效的解法之一，這在諸多企業(yè)家或者創(chuàng)業(yè)者眼里是共識。

甚至對于現(xiàn)在已經(jīng)有一些制造業(yè)的企業(yè)主開始抱怨，年輕人更愿意送外賣，也不愿意進廠，原因不外乎送外賣更自由收入預期更高，進廠打工性價比不高。

對于具身智能成為勞動力的進程，大家的共識也差不多：

• 短期，ToB ，科教展研等場景，實驗性出貨。
• 中短期，ToB，工業(yè)場景落地，較傳統(tǒng)工業(yè)機器人，具身智能具有大腦的泛化性，不局限于一種工作，依靠輪式底盤 + 可升降高度機械臂 + 靈巧手 / 夾爪 / 三指移動和工作。
• 中期，ToB，服務場景落地，更類人型，能夠在零售（分揀、理貨）、酒店 & 餐廳（收餐、遞送）、清潔（非平面操作清潔）、巡檢（辦公樓）場景勝任工作。
• 遠期，ToC，服務場景落地，滿足兒童娛樂、老人看護、成人陪伴等情感型功能，以及家用清潔收納等復雜需求。

至于這個遠期到底有多遠，大家倒是沒有一致看法，樂觀的認為是三五年，保守的認為得十年以上。

關于具身智能，勞動力和企業(yè)主的情況有很多，甚至有些情況看起來還是矛盾的，一會兒產(chǎn)能冗余，勞動力太多，一會兒勞動力又太少，但本質上還是同一個問題，如果有選擇，企業(yè)主其實不喜歡用人當勞動力，就像沒有老師喜歡當班主任那樣，加津貼也不喜歡。

▲ 天空上的城市就是扎雷姆 Zalem，圖片來自《阿麗塔：戰(zhàn)斗天使》劇照

《銃夢》里面，烏托邦城市「扎雷姆 Zalem」的被摘除原始大腦被植入芯片大腦的居民，然后接受超級計算機統(tǒng)一管理，才是企業(yè)主最喜歡的模式。

當然，現(xiàn)實不會如此黑暗，一方面，人類和機器人的發(fā)展，確實會像《銃夢》描述的那樣，人類如同「廢鐵鎮(zhèn) Scrapyard」居民那樣開始賽博格化，從外置機械開始，再接受一定程度上的身體機械化，從殘障和疾病人群用機械補足身體機能，再到正常人類利用機械增強身體機能。

另一方面，具身智能的方向自然是朝著「扎雷姆 Zalem」居民那樣聰明的大腦和靈活的軀體發(fā)展，以及，要聽話。

不過對于具身智能來說，其復雜度和容錯率與做一個 ChatGPT 不是一個維度，大語言模型已經(jīng)有海量的互聯(lián)網(wǎng)數(shù)據(jù)作為訓練預料，但具身智能卻沒有這樣的待遇，RT-X 匯集的 22 種不同機器人類型的數(shù)據(jù)，涵蓋 100 萬個片段，展示了機器人 500 多項技能和 16 萬項任務表現(xiàn)，已經(jīng)是目前的集大成者，但這些數(shù)據(jù)量，都還遠遠比不上一個優(yōu)秀端到端智駕訓練所需的數(shù)量，更別說應付更復雜的場景了。

但或多或少，我們在OpenAI、特斯拉、英偉達、理想、World Labs、宇樹等等等企業(yè)身上看了具身智能的拼圖。