大語言模型擴展了人的腦力，傳統機器人擴展了人的體力，而具身智能試圖把兩者連接起來：讓機器既能理解任務，也能在真實環境中采取行動，并從行動結果中繼續學習。但是，這件事的難點遠不只是給大模型接上一條機械臂。語言模型處理的是符號和知識，機器人面對的卻是空間、接觸、摩擦、遮擋、形變和不確定性。一個真正可用的具身基礎模型，需要把感知、預測、決策和動作放進同一個物理閉環中。從這個角度看，具身智能的核心問題可以概括為一句話：模型怎樣把對世界的理解，轉化為真實、穩定、可泛化的動作？本文根據WAIC 2026 智啟具身論壇上清華大學計算機系副研究員 蘇航的《從觀察到行動：具身智能的基礎模型與反饋學習》演講內容整理相關信息，幫助大家理解當前熱門的物理AI上談的具身智能基礎模型，他是什么？能做什么？未來的發展。
一、身體不是執行器，而是智能與世界之間的接口
如果智能沒有身體，它就只能在數字世界中觀察、分析和生成信息。身體讓智能擁有了另一種學習方式：通過動作影響環境，再從環境反饋中理解物理規律。人類并不是先掌握一套完整的物理方程，再學會擰螺絲、拉拉鏈或炒菜。我們在不斷的嘗試中形成手眼協調、接觸判斷和動作經驗。身體既是行動工具，也是感知與學習系統的一部分。因此，具身智能不是“大腦負責思考，身體只負責執行”的簡單組合。它更像一個連續閉環：感知環境 → 理解任務 → 預測后果 → 生成動作 → 接收反饋 → 更新能力
這條閉環也是具身智能通向更通用智能的重要路徑。模型只有真正進入物理世界，才能學習那些無法僅靠語言和圖像完整描述的經驗。二、具身智能需要自己的原生基礎模型
VLA、世界模型等技術都受益于語言模型和多模態模型的發展，但具身基礎模型不能只是現有大模型的簡單延伸。原因很直接：大量物理技能很難被語言完整表達。比如擰緊一顆螺絲時，手需要實時感知阻力；拉拉鏈時，需要協調方向、張力和速度；炒菜時，需要根據食材狀態連續調整動作。這些能力包含大量隱性的時空和接觸經驗。一個面向真實世界的具身基礎模型，至少需要具備三類核心能力：- 泛化能力：面對新物體、新環境、新任務甚至新機器人本體，仍能遷移已有經驗；
- 魯棒性：環境發生擾動、動作出現偏差時，仍能穩定完成任務或恢復；
- 數據遷移能力：能夠聯合利用機器人數據、人類操作數據、互聯網視頻和仿真數據。
這三種能力決定了模型能否從“一個任務訓練一個策略”，走向共享物理經驗的通用基礎模型。三、具身數據正在從遙操作走向無本體采集
傳統機器人數據通常來自遙操作：操作員控制一臺具體機器人完成任務，系統記錄視覺、關節和動作軌跡。這類數據與目標機器人高度一致，質量較高，但采集成本高，擴展到大量家庭和工業場景非常困難。UMI類無本體采集提供了另一條路線。采集者可以帶著輕量設備進入真實環境，直接記錄人類操作過程，不必把整臺機器人搬到現場。數據采集因此與特定機器人本體解耦，更容易擴大場景、任務和物體的多樣性。但“采回來”不等于“能訓練”。人類數據與機器人數據之間至少存在三類差異：1. 觀察視角不同：人通常以更高、更靈活的視角觀察，機器人的攝像頭位置和視野不同；2. 身體結構不同：人手、夾爪、機械臂和靈巧手的自由度與運動約束不同；3. 動作空間不同：人類可行的動作，并不一定能被機器人直接執行。所以，無本體數據利用的關鍵不是簡單復制人的軌跡，而是學習一種跨本體的動作表征：從人類動作中提取與具體身體無關的任務意圖、空間關系和運動結構，再把它映射到目標機器人的可執行空間。四、跨本體學習的關鍵，是建立統一的動作表征
面對不同機器人本體，直接對齊關節角幾乎不可行。雙臂機器人、單臂機械臂、夾爪和靈巧手擁有不同的自由度，同一個“把杯子放進柜子”的任務，在各自系統中的底層動作完全不同。更可擴展的思路，是把動作映射到一個共享的隱空間。在這個空間里，模型不直接記憶某臺機器人的關節運動，而是學習更抽象的動作單元和物理關系，例如：接近目標、建立抓取、保持約束、沿路徑移動、釋放物體。訓練時，可以利用離散化或量化機制，把連續且高度異構的動作壓縮為可學習的動作表征。不同機器人、人類操作設備和任務數據，因而能夠進入同一訓練框架。這種統一表征追求的不是讓所有本體執行完全相同的軌跡，而是讓它們共享相同的任務結構和物理經驗。其價值最終體現在零樣本遷移上：模型面對未見過的本體、環境、物體或任務結構時，仍能利用過去學到的知識完成操作。五、視頻數據提供規模，機器人數據完成物理對齊
視頻是成本最低、來源最廣的數據形式之一。互聯網和第一視角視頻包含大量人類行為、物體變化和場景演化信息，可以幫助模型學習“世界如何變化”。視頻生成模型之所以受到具身智能關注，是因為它在預測后續畫面的過程中，會學習一部分時序關系和物理先驗：物體如何移動、接觸后可能發生什么、一個動作如何改變環境狀態。但視頻只有觀察，沒有天然的機器人動作標簽。它可以告訴模型“接下來發生了什么”，卻不一定能直接告訴機器人“關節應該怎么動”。因此，不同數據承擔著不同職責：具身數據沒有一種“萬能來源”。真正有效的基礎模型，需要把不同數據的優勢組合起來。六、VLA、世界模型、VGM和IDM可以放進統一框架
這些模型看起來解決不同問題，但本質上都在對條件概率進行建模：給定一部分信息，預測另一部分信息。例如，VLA根據當前觀察和任務指令預測動作；世界模型根據當前狀態和動作預測未來；IDM根據當前狀態和目標狀態推斷中間動作。既然它們共享類似的概率建模基礎，就有機會在統一架構中聯合訓練。第一，不同來源的數據可以互相增強。沒有動作標簽的視頻也可以幫助模型學習世界變化，機器人數據則負責把這種理解對齊到可執行動作。第二，多任務后訓練不容易破壞模型原有能力。傳統VLA在適配新任務時，可能出現災難性遺忘或能力退化；如果模型擁有更廣泛的世界表征和多類型數據基座，新增任務更可能成為能力擴展，而不是對舊能力的覆蓋。七、模型進化最有價值的數據，往往來自能力邊界
預訓練數據通常由成功演示構成，它告訴模型“正確動作應該是什么”。但機器人進入真實環境后，最有價值的樣本往往不是那些已經能穩定完成的任務，而是處在成功與失敗邊界上的狀態。比如機器人準備拿起桌邊的水瓶。正常策略可能直接抓取，但更穩妥的做法是先把水瓶向桌內推，再完成抓取。這樣的邊界狀態很難在標準演示數據中被系統覆蓋，卻決定了機器人在真實環境中的可靠性。這些數據直接暴露了模型當前的能力邊界。只要能夠把它們收集并轉化為訓練信號，模型就能有針對性地擴大成功區域。八、人類接管不是補丁，而是一種高價值訓練機制
當機器人偏離正確軌跡時，人類可以短暫接管，把系統從失敗邊緣拉回成功路徑。這個過程通常被稱為human-in-the-loop。傳統觀點容易把人工接管視為自動化不完善的補丁。但從學習角度看，接管數據具有很高價值：它精確發生在模型最需要幫助的位置，包含從錯誤狀態恢復到正確狀態的路徑。4. 模型利用這些數據學習恢復策略，擴大自主成功范圍。相比繼續收集大量重復的成功數據，邊界接管數據往往擁有更高的信息密度。它可以減少工程團隊為最后10%的長尾問題投入的大量調試時間。更重要的是，人類接管不是永久依賴。每一次接管都應該成為下一輪訓練數據，讓類似問題在未來逐漸轉為自主處理。九、具身基礎模型的完整學習閉環
把上述方法放在一起，可以得到一條從數據到能力的完整路徑：多源數據采集 → 跨本體動作表征 → 統一概率建模 → 多任務預訓練 → 真實部署 → 邊界狀態識別 → 人類接管 → 恢復數據回流 → 模型更新
這里最重要的變化，是訓練不再止于模型發布。部署本身成為持續學習的一部分：機器人在真實環境中執行任務，發現預訓練沒有覆蓋的狀態，再通過人工接管、失敗恢復和數據回流不斷擴展能力。因此，具身基礎模型的競爭不會只取決于模型參數量，也取決于三個系統能力：結語：真正的通用能力，來自持續進入未知
具身智能并不是讓機器人記住更多標準動作，而是讓它能夠處理越來越多未見過的物體、環境、本體和異常狀態。視頻和無本體數據解決規模問題，機器人數據解決動作對齊問題，統一模型解決多任務共享問題，真實部署和人類接管則解決邊界擴展問題。最終，一個成熟的具身基礎模型應該形成這樣的能力：看得懂環境，理解人的意圖，預測行動后果，生成可執行動作，在出現偏差時恢復，并把每一次失敗轉化為下一次成功的經驗。從感知到動作執行，真正連接兩端的不是某一個模型模塊，而是一套不斷與物理世界交互、不斷修正自身的數據與學習閉環。*未經準許嚴禁轉載和摘錄-獲取本文參考資料方式：加入我們的知識星球可以下載公眾號海量參考資料包含以上參考資料。WAIC 2026 圓桌討論 - 從虛擬到現實：世界模型如何驅動具身智能
1020家展商擠爆上海：從WAIC 2026參展名錄，讀懂中國AI的下一個風口
世界模型 101：概念、技術爭鳴與科學應用
世界模型 102：三條技術路線與大一統趨勢的架構解讀
每賣一輛問界，13.6萬流向華為：賽力斯的康柏時刻
從福布斯的李柯訪談看比亞迪：產品技術和出海戰略
大眾汽車集團的精簡一半車型，將在中國和歐洲削減100萬輛產能未來計劃
特斯拉2026 Q2 銷量增長25%的背后深度分析
Waymo世界模型在CVPR 2026上首次曝光：自動駕駛正在進入“Genie時代”
特斯拉 CVPR 2026 演講全文和詳解：把自動駕駛，做成「所有機器人的基礎模型」
