引力琥珀：具身智能不只是“大模型+机器人”，AI 怎样真正作用于物理世界？

引力琥珀：具身智能不只是“大模型+机器人”，AI 怎样真正作用于物理世界？

摘要

大模型和多模态模型正在把 AI 从“理解信息”推进到“生成动作”。但具身智能（Embodied AI）并不是把大模型接到机器人上：真正进入物理世界以后，系统还要在持续变化的环境中建立空间关系、理解身体与工具约束、生成可执行动作，并利用深度、力矩、电流和接触状态等反馈不断修正下一步行为。本文结合引力琥珀园林智能运营体系的技术设计，从三维环境感知、身体动作空间、VLM / VLA、物理反馈和闭环决策几个层面讨论 AI 怎样真正作用于物理世界。项目当前仍处于分阶段建设与验证过程中，文中涉及的边缘模型矩阵和闭环机制用于说明技术架构方向，不代表八类无人终端及全部模型能力已经完成全量部署。

关键词：具身智能（Embodied AI）、Physical AI、多模态、VLM、VLA、三维感知、机器人动作、力觉反馈

具身智能不是给机器人接入一个大模型，而是让多模态感知、状态表示、动作策略、具体身体和真实环境反馈形成持续闭环，使 AI 的判断能够通过一个可执行的“身体”作用于物理世界，并根据作用结果继续更新下一步行为。

如果把问题压缩成一句话：具身智能与普通多模态 AI 的核心区别，不在于输入模态更多，而在于 AI 的输出会改变真实环境，并使下一轮感知、状态估计和动作决策随之变化。大模型、VLM 或 VLA 可以成为认知和策略组件，但“具身”来自模型、身体、传感器、执行器与环境共同形成的闭环。

一、具身智能真正改变的，是 AI 的输出不再停在“理解”

过去很多 AI 系统的任务到“识别”和“生成”就结束了：视觉模型判断画面里有什么，大语言模型解释用户想做什么，多模态模型把图像、文本和声音组织成一个语义答案。即使答案存在误差，它首先影响的仍然是信息层。

具身智能把这条链继续向前推了一步。机器人看到火点以后，不能只输出“前方存在火情”；它还要判断自己能否到达、应该停在什么位置、作业方向如何调整，以及动作之后现场是否发生了预期变化。也就是说，AI 的输出开始成为真实世界中的位置、速度、轨迹、姿态和工具动作。

这也是为什么“具身智能 = 大模型 + 机器人”并不完整。大模型可以显著增强语义理解、任务分解和泛化能力，但机器人真正作用于环境，还需要把抽象语义转换成带有空间和物理约束的动作。2025 年的具身智能综述把这一类系统概括为多模态感知、世界/状态建模与策略执行的闭环组合，而不是单一模型能力 [1]。

Observation_t → Action_t → World_(t+1) → Observation_(t+1)

这个循环比“输入 → 输出”多出的关键一步，是世界会因为机器人的动作而改变。机器人必须重新读取变化后的环境，再决定下一步。具身智能由此从一次性推理变成持续交互。

图 1 具身智能进入物理世界：感知结果最终需要转化为机器人移动、定位与真实作业动作

二、从“识别到了什么”到“这个空间能不能行动”

机器人真正进入开放环境后，二维目标框往往是不够的。知道“前面有树根”不等于知道树根有多高；识别“这里是草坪”也不等于知道地面是否平整、是否存在水池边缘或台阶落差。对于移动和作业机器人，感知系统必须继续回答“在哪里”“离多远”“能否通过”“从哪一侧接近”。

因此，具身系统通常会把 RGB、深度、激光雷达、IMU、RTK 以及机器人自身状态组织成一个局部环境表示。引力琥珀园林智能运营体系的边缘技术设计中，也把实时三维感知、局部建图、BEV / 3D Occupancy 和细粒度分割放在现场执行的前端，用于区分道路、草坪、树根、水池边缘、垃圾和低矮障碍等对象。这里的重点不是追求一张“更漂亮的三维地图”，而是让后续动作策略拥有可行动的空间约束。

O_t = {RGB_t, Depth_t, LiDAR_t, Pose_t, RobotState_t}

Scene_t = Perception(O_t)

z_t = F(I_t, D_t, L_t, P_t, R_t)

这里的 I_t、D_t、L_t、P_t 和 R_t 分别代表视觉、深度、激光雷达、位姿以及机器人自身状态，F 只是一个抽象的多模态融合函数，并不意味着项目采用某种固定网络结构。对于真实机器人，更重要的是让这些输入在时间、坐标和置信度上可对齐，使环境表示能够回答“目标在哪里、哪里可通行、工具是否可达、当前身体状态是否允许执行”等与动作直接相关的问题。

近年的机器人研究也越来越强调这种空间表示。2024 年 ICRA 的 LiDAR-Visual-Inertial SLAM 与体素占用映射工作展示了将多源传感器融合为一致三维占用表示，并直接服务于导航和探索的思路 [4]。从工程角度看，三维环境模型的价值不在“识别更多类别”，而在于把感知结果转成机器人能够规划和执行的空间。

图 2 开放环境中的具身作业：机器人需要同时处理环境感知、目标定位、运动关系与专业工具执行

三、身体不是“外壳”：不同机器人拥有不同的动作空间

“Embodied”里最容易被忽略的其实是身体本身。对于具身系统，身体不是把同一个 AI 模型装进去就结束的硬件外壳，它会直接限定机器人能观察什么、能到达哪里、能以什么速度和精度行动，以及哪些动作在当前环境里根本不成立。

同样一句“靠近目标”，四足机器人可能需要同时选择落脚点和机身姿态，轮式清扫车更关心可通行区域、转弯半径和吸口相对位置，机械臂则需要求解末端位姿、关节约束和碰撞关系。任务语义相同，动作空间却完全不同。这也是为什么具身智能很难被简化成“一个通用大模型 + 一个机器人 API”。

A_t = Phi(Body, Tool_t, Environment_t)

式中的 A_t 表示时刻 t 上真正可执行的动作集合；Body 表示底盘、机械臂、关节自由度等本体条件，Tool_t 表示当前专业工具和负载状态，Environment_t 表示地形、障碍和现场约束。动作策略更准确的表达不是在无限动作空间里“生成一个动作”，而是在当前身体允许的集合中选择：

a_t = pi(z_t, g_t ; A_t)

这里 z_t 是当前环境与机器人状态表示，g_t 是任务目标。2026 年 Nature Machine Intelligence 对 Physical AI 的讨论也把问题指向同一个核心：系统不仅要预测、模拟或推理世界，还必须能够在具体物理约束下有效地行动和适应 [7]。因此，“身体怎样限制并塑造智能”并不是具身智能的附属问题，而是动作生成能否落地的前提。

四、VLM / VLA 让“理解”和“动作”靠得更近，但它们仍不是全部具身智能

大模型进入机器人以后，一个明显变化是语义理解和动作策略开始靠得更近。VLM 可以把“清理花坛边缘的垃圾”这样的自然语言目标与现场图像关联起来；VLA 则进一步尝试把视觉、语言和机器人动作放到同一个策略模型中。OpenVLA 在 2024 年展示了利用大规模真实机器人示范训练通用 Vision-Language-Action 策略的路线 [2]。

2026 年 IEEE TNNLS 的 VLA 综述把这一类模型界定为：以视觉观察和自然语言指令为核心输入，并可以继续融合其他传感模态，直接生成机器人动作或控制命令 [6]。这使 VLA 成为“多模态语义如何进入动作空间”的重要技术路线，也解释了为什么它会成为当前具身智能研究的核心关键词之一。

但 VLA 和“完整具身智能系统”仍然不是同一个概念。VLM 更偏向回答“现场是什么、任务意味着什么”，VLA 进一步回答“下一步动作是什么”；真正的具身系统还要继续验证这个动作对当前身体是否可执行、工具是否处于正确状态、接触以后结果是否符合预期，以及新状态出现后是否需要改变下一动作。

但具身智能系统真正需要的不是“模型能输出 action token”这一件事，而是让动作在当前身体、当前工具和当前环境里成立。同样一句“靠近目标”，四足机器人、轮式清扫车和机械臂对应的动作空间完全不同；同一个视觉目标，在不同负载、地形和可达条件下，也可能产生完全不同的局部动作。

所以，具身智能更适合被理解成一个“模型与身体共同决定动作”的系统问题，而不是把一个通用大模型接到机器人接口上。Nature Machine Intelligence 在 2025 年报道的 ELLMER 框架就是一个很有代表性的例子：LLM 负责高层任务理解和分解，而机器人执行仍持续利用视觉和力反馈调整动作 [3]。这说明高层认知和传感运动闭环可以结合，但它们承担的技术职责并不相同。

五、机器人真正接触物体以后，视觉还不够

如果机器人只需要在空旷道路上移动，视觉和三维空间信息已经能解决很大一部分问题。一旦任务进入“接触”，情况就变了。抓取一个零件、贴着路沿割草、修剪枝叶、吸取不规则垃圾或旋耕土壤，都会产生视觉之外的新状态：接触力、摩擦、扭矩、振动、电机电流和工具负载。

这些反馈并不是设备健康监控的附属字段，而是动作本身的一部分。比如机器人手已经看见目标并完成抓取姿态，如果接触后出现滑移，系统需要立刻改变夹持力；旋耕设备已经沿正确路线前进，如果刀轴扭矩持续上升，策略可能需要降低速度、减小耕深或重新选择切入方式。

a_t = pi(Scene_t, Goal_t, RobotState_t, Force_t, Torque_t, ToolState_t)

e_t = y_t^target - y_t^measured

a_(t+1) = pi(Scene_(t+1), Goal_t, RobotState_(t+1), e_t)

这里的 e_t 可以是目标位姿与实际位姿的偏差，也可以是目标接触力与实际力、预期刀轴负载与实际电流、预期抓取稳定性与实际滑移之间的差异。它说明物理反馈不是“任务做完以后再看一次结果”，而是可以直接改变下一时刻动作策略。对于真正接触环境的机器人，这类反馈闭环往往决定系统能否从“动作看起来合理”走到“动作在物理上有效”。

2025 年 Nature Communications 关于仿生触觉的研究把滑移和法向力反馈直接接入机器人手指闭环，用于抓取和操作 [5]。这类工作说明，具身智能越接近真实物理交互，越不能只依赖“看见了什么”；力觉、触觉和执行器状态会逐渐成为与视觉同样重要的输入。

图 3 从视觉理解到精细物理交互：机器人动作还需要位姿、接触与力反馈参与闭环

六、具身智能真正的技术对象，是“感知—行动—反馈”的闭环

把前面的几个环节放在一起，可以看到具身智能与普通生成式 AI 最明显的差异：模型的输出会改变下一时刻的输入。机器人向前移动以后，相机视野会变化；机械臂接触物体以后，力和位姿会变化；工具作用于草坪、绿篱或垃圾以后，环境本身也会变化。下一次决策必须建立在新的世界状态上。

这意味着“动作生成”本身并不是终点。一个具身系统至少要持续维护三件事：当前环境怎样变化、机器人自身处于什么状态、上一动作是否产生了预期结果。如果执行结果与预期不一致，系统需要重新感知、重新估计，必要时修改路径、动作参数或任务策略。

s_(t+1) = F(s_t, a_t, o_(t+1))

a_(t+1) = pi(s_(t+1), g_t)

这两个式子描述了一个最小的具身闭环：动作 a_t 改变了环境，新的观测 o_(t+1) 与历史状态共同形成下一时刻状态 s_(t+1)，策略再基于更新后的状态和任务目标 g_t 产生下一动作。它不限定系统必须使用世界模型、强化学习或某种特定 VLA 架构，只强调“状态必须因真实执行结果而更新”。这也是 Physical AI 与纯数字推理系统最关键的工程差别之一。

具身智能的关键，不是让 AI 更准确地描述物理世界，而是让感知结果能够持续参与动作生成，并通过真实环境反馈修正下一步动作。

从这个角度看，Physical AI 的核心也不是“AI 有了一个身体”这么简单，而是智能开始被物理约束塑形。不同底盘、机械臂、传感器、工具和场景会定义不同的动作空间，也会决定系统应该怎样读取反馈。模型越通用，真正落地时越需要清楚地描述身体能力和现场约束。

七、落到引力琥珀：具身智能是一整条能力链，而不是一个模型名称

在引力琥珀园林智能运营体系的技术设计中，边缘侧并不是只规划一个“大模型节点”，而是把现场能力拆成实时三维感知与局部建图、Edge VLM、端到端动作策略、专业工具执行与动态调节、OOD 与安全兜底等不同模块。这样的分层并不是为了让系统看起来复杂，而是因为开放园区里的“看见、理解、行动、接触、反馈”本来就属于不同技术问题。

例如清扫任务里，视觉模型可以发现垃圾，三维感知负责恢复垃圾与道路的空间关系，动作策略负责生成接近轨迹，工具模型还要结合吸口位置和风机负载调整作业动作。绿篱和旋耕任务则会进一步引入力矩、电流、振动和工具姿态。对于这些任务，大模型可以成为语义理解和策略生成的重要组成部分，但具身能力最终体现在整个闭环是否能够稳定工作。

把这种能力链落到园林的不同任务上，可以看到“同一个具身闭环”会随着身体、工具和物理对象改变而实例化成不同的感知与动作接口。下面只列项目技术设计中的典型关系，不代表相关能力已经全部完成线上验证。

这个表也解释了为什么“具身智能”不适合被包装成一个单一模型名称：真正可复用的是感知—状态—动作—反馈的系统结构，而每一种身体和专业工具都会重新定义动作空间、反馈变量和安全边界。

园林项目材料给出的建设路线也是分阶段推进：先从感知入口和清扫 MVP 闭环开始，再逐步扩展到园艺作业、专业与高风险作业，以及更完整的云端和边缘模型矩阵。因此，更准确的表述不是“引力琥珀已经部署一套万能具身大模型”，而是公司正在围绕真实开放环境建设从多模态感知、现场策略到专业执行和数据回流的具身智能系统。

结语

具身智能不只是“大模型 + 机器人”。大模型解决的是智能的一部分：理解语言、识别语义、组织任务和生成策略。真正进入物理世界以后，机器人还需要知道自己在哪里、目标在三维空间中的什么位置、当前身体和工具能做什么，以及动作之后世界发生了什么变化。

所以从“看懂现场”到“真正动手”，中间并不是多加一个 action head 就结束了。三维感知让机器人获得可行动的空间，多模态模型让任务语义进入现场，动作策略把目标变成可执行行为，力矩、触觉和设备状态再把物理世界的反馈送回下一轮决策。只有这些环节真正闭合，AI 才从一个理解世界的系统，变成一个能够持续作用于世界的系统。

如果把引力琥珀的具身智能技术压缩成一句话：它不是某个单一 VLA 或“大模型机器人”，而是把多模态感知、三维空间表示、身体与工具约束、动作策略、物理反馈和安全执行组织成可以持续闭环的机器人系统。公司更关注的工程问题，也不是单纯给机器人装上一个更大的模型，而是让感知、决策、动作和反馈共同形成可运行、可验证、可持续迭代的物理智能闭环。

参考文献

[1] Zhang, Y.; Tian, J.; Xiong, Q. A review of embodied intelligence systems: a three-layer framework integrating multimodal perception, world modeling, and structured strategies. Frontiers in Robotics and AI, 2025, 12:1668910. DOI: 10.3389/frobt.2025.1668910.

[2] Kim, M. J.; Pertsch, K.; Karamcheti, S.; et al. OpenVLA: An Open-Source Vision-Language-Action Model. arXiv:2406.09246, 2024. https://arxiv.org/abs/2406.09246

[3] Mon-Williams, R.; Li, G.; Long, R.; et al. Embodied large language models enable robots to complete complex tasks in unpredictable environments. Nature Machine Intelligence, 2025, 7:592-601. DOI: 10.1038/s42256-025-01005-x.

[4] Boche, S.; Barbas Laina, S.; Leutenegger, S. Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping. ICRA 2024, pp. 18027-18033. DOI: 10.1109/ICRA57147.2024.10610460.

[5] Gautham, V.; Panpalia, A.; Manouchehri, H.; et al. Slip-actuated bionic tactile sensing system with dynamic DC generator integrated E-textile for dexterous robotic manipulation. Nature Communications, 2025, 16:7005. DOI: 10.1038/s41467-025-61843-6.

[6] Ma, Y.; Song, Z.; Zhuang, Y.; Hao, J.; King, I. A Survey on Vision-Language-Action Models for Embodied AI. IEEE Transactions on Neural Networks and Learning Systems, 37(7):3031-3051, 2026. DOI: 10.1109/TNNLS.2025.3650584.

[7] From embodied intelligence to physical AI. Nature Machine Intelligence, 8:491-492, 2026. DOI: 10.1038/s42256-026-01239-3.