2025-2026 年，具身智能——將大型語言模型和視覺語言模型嵌入機器人實體——從學術前沿轉變為產業競爭的新焦點。不同於傳統機器人（針對單一任務進行硬編程），具身智能系統可以將自然語言指令轉化為一系列在物理世界中執行的複雜操作，並在遇到意外情況時動態調整計劃。
Figure AI 是這一領域最受關注的初創公司。Figure 02 人形機器人在 2025 年進入 BMW 斯帕坦堡工廠進行真實生產線測試，執行車身面板搬運和零件分揀任務。Figure 02 的核心技術優勢在於其「視覺-語言-動作」（VLA）模型——將視覺資訊、語言指令和機器人運動控制在一個統一的深度神經網絡中進行端到端訓練。在 BMW 工廠的測試中，Figure 02 在 70% 的任務中實現了與人類工人相當的運作速度（約人類速度的 85%），但人類工人需要在操作第 500 件零件時進行調整——而 Figure 02 可以在連續 2,000 次操作中保持一致的品質。
特斯拉 Optimus Gen 3 在 2026 年取得了突破性進展。Optimus Gen 3 不再只是展示步行和舞蹈——它開始在 Tesla 弗里蒙特工廠內執行實際任務：使用 11 自由度靈巧手將電池單元從傳送帶轉移到測試站，並標記檢測到的外表缺陷。Optimus 的所有執行器（關節電機）執行器和感測器均為 Tesla 自研——這一垂直整合策略與其在汽車業務中的一貫做法一致。
Boston Dynamics 的 Atlas 在 2026 年實現了從展示平台到實際問題解決的轉變。Atlas 的自主行為模型——不再是遙控展示——使其能夠在機械車間中自主識別亂放的零件、規劃抓取策略（基於強化學習訓練的靈活夾取策略）、並將零件運送至指定位置。其配備的全身操控能力（不只是手臂，而是利用整個身體和重心調整來完成任務）在需要大幅變換操作姿勢的場景中具有獨特優勢。
具身智能面臨的共同挑戰是 Sim-to-Real 遷移——在模擬環境中訓練的模型在現實世界中往往表現出 20-40% 的性能衰減，主要是因為物理引擎無法完美模擬摩擦力、材料變形和感測器噪聲。NVIDIA 的 Isaac Sim 和 Google DeepMind 的 MuJoCo 正在透過更好的物理模擬和最壞情況對抗訓練來縮小這一差距。
具身智能的技術框架
具身智能——將 LLM 和 VLM 嵌入機器人實體——從學術前沿轉變為產業競爭焦點。不同於傳統機器人（針對單一任務進行硬編程）——具身智能系統可以將自然語言指令轉化為物理世界中一系列複雜操作——並在遇到意外情況時動態調整計劃。核心技術是視覺-語言-動作（VLA）模型——將視覺資訊、語言指令和機器人運動控制在一個統一的深度神經網絡中進行端到端訓練。
VLA 模型的訓練需要大規模機器人操作數據——而數據收集是具身智能發展的核心瓶頸。2026 年多個研究小組發布了具身智能專用數據集——包括 Open X-Embodiment 2.0（包含 200 萬次機器人操作演示，來自 22 個研究機構的 34 種不同機器人平台）和 Droid（Google DeepMind 的 100 萬次基於遙控的機器人操作數據）。這些開放數據集的發布大大加速了 VLA 模型的訓練進展——使小型實驗室也可以在預訓練 VLA 模型上進行微調和專用化。
Figure AI 的 BMW 部署
Figure 02 人形機器人在 2025 年進入 BMW 斯帕坦堡工廠的真實生產線測試——執行車身面板搬運和零件分揀任務。Figure 02 的核心技術優勢在於其 VLA 模型——將視覺、語言和動作在統一神經網絡中端到端訓練。在 BMW 測試中——Figure 02 在 70% 的任務中實現了與人類工人相當的運作速度（約人類速度的 85%）——但人類工人需要在操作第 500 件零件時進行調整——Figure 02 可以在連續 2,000 次操作中保持一致的品質。
Tesla Optimus Gen 3
Optimus Gen 3 在 2026 年在 Tesla 弗里蒙特工廠執行實際任務——使用 11 自由度靈巧手將電池單元從傳送帶轉移到測試站——並標記檢測到的外表缺陷。所有執行器和感測器均為 Tesla 自研——垂直整合策略與其在汽車業務中一致。Optimus 的製造成本在 2026 年已從原型階段的約 100 萬美元降至約 5 萬美元——Tesla 目標在規模化生產後降至 2 萬美元以下。低生產成本是 Optimus 的關鍵競爭優勢——如果 Tesla 可以像量產汽車一樣量產人形機器人——將徹底改變人形機器人行業的成本結構。
Sim-to-Real 遷移挑戰
具身智能面臨的共同挑戰是 Sim-to-Real 遷移——在模擬環境中訓練的模型在現實世界中往往表現出 20-40% 的性能衰減——主要因為物理引擎無法完美模擬摩擦力、材料變形和感測器噪聲。NVIDIA Isaac Sim 和 Google DeepMind MuJoCo 正在透過更好的物理模擬和域隨機化訓練來縮小這一差距。域隨機化——在訓練中隨機改變模擬參數（摩擦力、重量、顏色、光線）——使模型學會忽略這些不重要的變化而專注於任務相關的特徵——是當前最有效的 Sim-to-Real 技術。
數據瓶頸的突破
具身智能面臨的核心瓶頸是可用的機器人操作數據。與 NLP（互聯網上有數十兆文本）和 CV（互聯網上有數十億圖像）不同——機器人操作數據的獲取成本極高——需要物理機器人、環境設置和人類操作員。2026 年的多項進展正在緩解這一瓶頸。遙操作數據收集——操作員使用 VR 設備遠程操控機器人收集任務演示——使單個操作員每天可以收集 200-500 次成功的操作演示（傳統的直接示教方法約 20-50 次/天）。
模擬到現實（Sim-to-Real）的改進——NVIDIA Isaac Sim 2026 版引入了「物理精確的接觸模型」——使用有限元分析模擬物體變形和摩擦力——將 Sim-to-Real 的性能差距從 40% 降至約 15%。基於互聯網視頻的預訓練——Google DeepMind 的 Robotics Transformer 3（RT-3）——從互聯網上的 5 億個人類操作視頻中學習通用的物體操控知識——然後在少量真實機器人數據上微調——使新任務的學習樣本效率提升了約 10 倍。
安全與倫理
具身智能系統操作實體機器人——安全和倫理問題比純軟體 AI 更加嚴峻。機器人錯誤可能導致物理傷害——2026 年發生了一起輕微事故（一台 Figure 02 在測試中因物體識別錯誤撞到了一名工人——由於安全速度限制未造成傷害但引發了安全程序審查）。行業正在制定具身智能安全標準——包括力限制（機器人關節的最大輸出力矩限制在安全範圍內）、速度限制（與人類協作時最高速度不超過 0.5 m/s）和安全距離感測（檢測到人類進入操作區域時自動減速或停止）。
未來方向
具身智能的長期目標是開發可以在非結構化環境中自主學習和適應的通用機器人——而不僅僅是執行預編程任務。關鍵技術路徑包括：基於基礎模型的機器人大腦（將 LLM/VLM 的常識推理能力與機器人的物理操作能力結合）、在線學習（機器人在操作過程中從錯誤中學習並改進策略）、以及跨平台遷移（在一個機器人平台上學習的技能可遷移到不同形態的機器人——如從單臂機器人遷移到人形機器人）。