一、什么是具身大脑
具身大脑(Embodied Brain)是驱动具身智能体(机器人、自动驾驶、智能设备)感知、规划、决策与动作执行的大模型与控制中枢,是把大模型的「认知智能」与机器人的「物理执行」连接起来的关键中间层。具身大脑通常基于视觉-语言-动作(VLA, Vision-Language-Action)多模态大模型、端到端控制与世界模型等组件,是 2024 年以来机器人与自动驾驶领域的核心研究方向,Figure 01、NVIDIA GR00T、Tesla Optimus、智元等头部项目密集布局。

二、原理
1. 多模态感知输入:融合视觉(RGB-D、LiDAR)、语言指令、本体感觉等多模态输入 → 2. VLA 多模态大模型:用视觉-语言-动作统一模型理解环境、指令并直接输出动作 → 3. 世界模型:建立物理规律的概率模型,预测动作后果 → 4. 任务规划:把长 horizon 任务分解为子任务(如「打扫房间」→「拿起扫把」→「扫到垃圾」→「扔进垃圾桶」)→ 5. 动作生成:基于 VLA 输出末端执行器轨迹与运动指令 → 6. Sim-to-Real 迁移:在仿真环境训练,迁移到真实机器人(Sim-to-Real)
三、信息卡片
| 中文名 | 具身大脑 |
| 英文名 | Embodied Brain |
| 缩写 | EB |
| 别名 | 具身大脑、Embodied Brain、具身智能模型、VLA 模型 |
| 提出者 | 学界:Sergey Levine、Pieter Abbeel 等;产业:Figure AI、NVIDIA、Tesla、Google DeepMind、智元 |
| 提出时间 | 2022 年 RT-2 等具身大模型发布;2024 年 Figure 01、NVIDIA GR00T 加速产业化 |
| 所属类别 | 新兴技术 > 具身智能 > AI 模型 |
| 核心技术 | VLA 多模态模型、世界模型、任务规划、动作生成、Sim-to-Real 迁移 |
| 主要应用 | 人形机器人、家庭服务机器人、自动驾驶、具身智能体、工业机器人 |
四、历史时间线
- 2017 年:深度强化学习(DQN、PPO)在机器人控制突破
- 2022 年:Google DeepMind 发布 RT-2(Robotics Transformer 2),首次把大模型应用于机器人控制
- 2023 年:PaLM-E、RoboFlamingo、Octo 等多模态具身模型涌现
- 2024 年:Figure 01、NVIDIA GR00T、Tesla Optimus 加速产业化;Open X-Embodiment 大规模机器人数据集发布
- 2025 年:具身大脑成为机器人公司核心研发方向,VLA、世界模型、Sim-to-Real 是三大技术路径
五、分类
按技术路径:VLA 视觉-语言-动作模型(RT-2、Figure Helix)vs 端到端控制(Tesla FSD)vs 世界模型(DreamerV3)vs 强化学习 + 模仿学习混合
- 按模型规模:亿级(轻量 VLA)vs 十亿级(主流 VLA)vs 百亿级(Figure Helix、PaLM-E)
- 按任务类型:固定任务(工业装配)vs 通用任务(家庭服务)vs 长 horizon 任务(多步操作)
- 按机器人形态:人形机器人 vs 固定臂机器人 vs 移动机器人 vs 自动驾驶
- 按训练方式:仿真训练(Sim-to-Real)vs 真实数据训练 vs 互联网视频预训练
六、应用场景
人形机器人:Tesla Optimus、Figure 02、宇树 H1 等用 VLA 具身大脑理解自然语言指令并执行操作
- 自动驾驶:Tesla FSD、Waymo、华为 ADS 等用端到端具身大脑实现感知-决策-控制一体化
- 家庭服务机器人:1X Neo、Apptronik Apollo 等用 VLA 理解家庭场景并完成家务
- 工业机器人:用 VLA 让工业机器人理解自然语言指令,适应非结构化工业场景
- 具身智能体研究:Pieter Abbeel、Sergey Levine 等学界团队用 VLA 研究通用具身智能
七、优缺点
优点:赋能具身智能:让机器人具备类人认知与决策能力;加速任务泛化:相比传统控制方法显著提升任务泛化能力;推动机器人产业化:是机器人从专用走向通用的核心技术;支撑自动驾驶:是端到端自动驾驶路线的核心技术
- 缺点:数据需求大:高质量机器人数据稀缺,互联网视频预训练效果有限;Sim-to-Real 迁移难:仿真到现实的差距仍是核心瓶颈;安全与可靠性:长 horizon 任务的可靠性与安全性仍需验证;算力与延迟要求高:VLA 模型推理算力与延迟要求对边缘部署是挑战
八、常见误区
- 具身大脑 = 通用人工智能(错:具身大脑聚焦机器人控制,AGI 是更广义的目标)
- 具身大脑 = 大语言模型(错:VLA 是视觉-语言-动作统一模型,LLM 是其中语言部分)
- 具身大脑已可商用(错:当前具身大脑仍在研发与小规模试点,规模化商用需 2-5 年)
- 具身大脑只能用于机器人(错:自动驾驶、AR/VR 智能体、工业自动化也是重要场景)
九、关联概念
父概念:具身智能 Embodied AI、大语言模型 Large Language Model、新兴技术
- 子概念:VLA 模型、世界模型、Sim-to-Real、动作生成
- 兄弟概念:人形机器人、AI智能体 AI Agent、大语言模型 Large Language Model、数字人、空间计算
- 对比概念:传统机器人控制、纯软件 LLM Agent、强化学习、模仿学习
- 应用相关:人形机器人、AI智能体 AI Agent、大语言模型 Large Language Model、强化学习、数字孪生 Digital Twin