具身智能
具身智能是人工智能领域的一个研究方向，主张智能行为源于身体与物理环境的持续交互，而非单纯的符号计算或数据处理。其核心特征包括：通过传感器感知真实世界、依据感知信息进行自主决策、并通过执行器对环境施加影响，形成感知-决策-行动的闭环。具身智能广泛应用于机器人、自动驾驶及人机交互等领域。
核心事实
时间轴 (近 90 天)
高质量、带力觉标注的真实操作数据在具身智能领域稀缺且采集成本高。
机器人仿真环境难以规模化的核心瓶颈是高质量仿真需要专家大量手工工作，成本随任务数量线性上升。
对于机器人、自动驾驶和具身智能等应用，场景理解只是第一步，持久且可行动的空间状态才是关键。
灵巧手正成为具身智能的关键硬件瓶颈。
李飞飞团队长期倡导视觉与机器人学习，并将其作为具身智能的核心路径。
具身智能的核心挑战在于智能体需要在多样、开放的环境中积累交互经验，但真实世界的训练成本高、风险大、难以规模化。
“仿真预训练 + 现实部署”的范式使世界模型成为具身智能的重要训练基础设施，也是 Genie 4 从娱乐工具延伸至机器人领域的关键逻辑。
辅助移动设备常被视为具身智能的“小尺度试验场”，安全要求极高且适合验证感知与控制工程化能力。
中国科学技术大学龚伟教授的报告「网络化空间具身智能」提出智能正从「单机智能」演进为跨节点、跨模态、跨空间的系统智能。
射频计算的内涵已不再局限于物理层，大模型、具身智能、边缘计算被拉入讨论框架。
还有 40 条时间轴事件
全部知识事实 (20)
具身智能强调AI不仅存在于数字空间，更需要通过物理身体与真实世界交互、感知和学习
90%已验证具身智能强调智能体必须通过与物理环境的真实交互来发展认知能力，而非仅依赖离线数据训练
80%已验证在多智能体对抗场景中，训练方法的设计往往比模型架构本身更重要
75%已验证世界模型（World Model）指AI系统在内部构建对环境状态及其演变规律的表征，从而能够预测行动带来的后果
75%已验证世界模型概念源自Yann LeCun提出的自主机器智能架构，核心思想是让AI在内部构建物理世界运行规律的模拟器以预测行动后果
75%已验证具身智能（Embodied AI）指将AI的认知与推理能力与物理实体深度结合，使机器人能够通过与真实物理环境的持续交互来感知、学习并执行任务
75%已验证经典 AI 中智能体被定义为'能感知环境、并通过行动最大化预期收益的实体'，源自 Russell & Norvig《人工智能：一种现代方法》
70%已验证元认知（Metacognition）概念来自认知科学，原指人类对自身思维过程的认知能力
70%已验证具身智能是指将智能系统嵌入具有物理实体的载体中，通过与环境的物理交互来感知、学习和决策
70%已验证物理AI指让AI走出屏幕、进入现实世界并与物理环境交互的技术方向，典型落地场景包括机器人、自动化设备和边缘传感系统
65%已验证具身智能是指将智能系统嵌入拥有物理身体、能够与真实环境直接交互的机器人或智能体中的研究方向
65%已验证人形机器人的硬件成本普遍在数十万元级别，是具身智能商业化落地的成本挑战之一
65%已验证具身智能的理论根基可追溯至法国哲学家梅洛-庞蒂在其1945年著作《知觉现象学》中提出的'具身认知'理论
65%已验证越是需要深度创造和原理性突破的工作越难被AI自动化替代，而标准化、重复性强的应用层工程更可能被AI工具替代
65%已验证编程智能体的核心架构通常包含感知-规划-执行-反思的循环机制
65%已验证大语言模型（LLM）被引入机器人任务规划层，使机器人能够理解自然语言指令并将其分解为可执行的动作序列
65%待验证具身智能（Embodied Intelligence）是AIGC技术与机器人深度融合催生的前沿研究方向
85%部分验证AI大模型领域的竞争正在从单纯的'模型性能之争'转向'生态体系之争'
70%待验证当前AI模型缺乏在物理世界中行动的能力，具身智能和机器人技术路线才刚刚起步
60%待验证具身认知理论由哲学家梅洛-庞蒂等人奠基，Rodney Brooks在上世纪80年代将该思想引入机器人研究并提出「无需表示的智能」
60%