GeneseAI

第IV部分 · 重大融合

机器人技术与具身智能

第13章9 分钟阅读更新于：2026年9月

13.1简史：从工业机械臂到会学习的机器人

13.2具身智能与视觉-语言-动作（VLA）模型

图13.1. VLA 模型的原理。机器人感知周围环境（视觉），接收一条自然语言指令，再由模型把这一切转化为动作。大语言模型为语言做到的事，它为身体做到了。

13.3人形机器人竞赛（2026年6月全景）

13.4人形机器人之外

13.5利害所在：安全、就业、可接受性

本章要点（第13章）

  • 机器人技术长期依赖被编程的、僵化的机器。2024至2026年的转折，源于大模型进入了机器人的身体。
  • 视觉-语言-动作（VLA）模型（Figure 的 Helix、Physical Intelligence 的“pi”、Google 的 Gemini Robotics、NVIDIA 的 GR00T、Unitree 的 UnifoLM）把感知和指令转化为动作，通常要先经过仿真训练。
  • 人形机器人竞赛在美国参与者（Figure、Tesla、Boston Dynamics、1X、Apptronik）与中国参与者（Unitree、AgiBot、UBTECH、XPeng）之间展开，各家战略不同（能力、模型、整合或价格）。
  • 关键在于跨过临界点（2 万至 2.5 万美元左右），其中起作用的是数据良性循环和供应链（对中国零部件高度依赖）。
  • “物理 AI”不限于人形机器人：协作机器人、仓储机器人、四足机器人、无人机、自动驾驶汽车。
  • 安全（如何认证一台会学习的机器人）、就业、可接受性和监管方面的问题都十分重大（第24、21和25章）。

第IV部分到此结束。我们探讨了 AI 与区块链、量子计算和机器人技术的融合。现在该离开技术本身，去观察它们对世界的实际影响了：科学与健康、劳动与经济、法律与社会。这正是第V部分的主题。