中国人工智能学会发布具身智能白皮书2026版

2026年4月，中国人工智能学会正式发布《具身智能白皮书（2026版）》，这是国内该领域最具权威性的体系化技术综述。白皮书从概念内涵、关键技术、数据平台、行业应用到未来趋势，构建了完整的具身智能知识图谱。相比上一版，2026版最引人注目的变化是：VLA（视觉-语言-动作）模型正在向WAM（世界-动作模型）发生范式跃迁，具身智能正从"模仿人类指令"走向"理解物理因果"。

白皮书将具身智能的定义明确为：智能体通过物理本体与外界环境的互动来实现智能。它涵盖环境感知、记忆推理、对话交互、自主学习、决策规划、动作执行等综合技术，强调涉身性、情境性、主动性和交互性四大特征。

这一概念的源头可追溯至1950年图灵在《计算机器与智能》中首次构想的"能够与环境进行动态交互、具备自我学习能力的智能实体"。80年代，Rodney Brooks提出行为主义AI学派，强调感知与动作的紧密协同；近年来大语言模型的兴起，则为具身智能注入了更高层次的智能感知与自主决策能力。

白皮书特别强调了具身智能的多学科交叉特性——哲学（身心关系）、认知科学（具身认知理论）、神经科学（镜像神经元）、复杂系统（演化与自组织）和计算机科学共同构成了其理论基础。

白皮书系统梳理了具身智能的十大关键技术，它们共同构成了机器人的"手-眼-脑"协同系统：

1. 具身感知——从被动接收到主动探索

与传统计算机视觉不同，具身感知嵌入在动作-感知闭环中。白皮书指出三大突破方向：主动感知与探索（机器人根据任务主动调整视角获取信息）、多模态感知（视觉、触觉、力觉等多源数据融合）、以及感知轻量化（在边缘侧有限算力下维持高频感知）。

2. 具身推理——从符号规则到代码生成

大模型正在重塑具身推理的三大核心能力：语义理解（将模糊指令转化为明确目标）、原子动作分解（如SayCan将"我渴了"分解为倒水-送达的步骤序列）、反思与调整（如ReAct、VLP等方法实现动态规划修正）。值得关注的是代码生成范式的兴起——Code-as-Policies直接从自然语言生成控制代码，摆脱了对预设动作库的依赖。

3. 具身操作——VLA三大技术路线并行发展

这是白皮书中技术含量最密集的部分。视觉-语言-动作模型（VLA）被视为新一代机器人智能中枢，当前存在三条技术路线：

4. 具身导航——从几何路径到语义理解

传统导航依赖二维栅格和高精度地图，而具身导航关注"引导机器人前往一个能完成任务的位置"，需要联合视觉、语言与本体状态进行推理，并保证后续操作（抓取、开门等）的可达性。

5. 强化学习——从试错到自我进化

强化学习贯穿导航、操作、运动控制和交互四大任务。DeepMind的RoboCat通过预训练+强化学习的自改进循环，大幅降低标注数据依赖；Stanford的HumanPlus将模拟强化学习与真人行为模仿学习结合，实现了自主技能学习。

此外，白皮书还详细阐述了具身交互（包括具身对话和人机在环交互）、群体具身智能（多机器人协同从"协同移动"到"协同认知+协同作业"）、具身世界模型（构建可交互的物理环境仿真器）、具身大模型（感知-规划-执行闭环的统一架构）以及具身智能安全（涵盖规划安全、导航安全、操作安全和交互安全）。

白皮书对具身智能的行业应用进行了全面扫描，覆盖生活服务、工业制造、农业、交通和能源电力五大领域：

生活服务是落地最快的场景。Figure AI的端到端VLA模型实现零样本抓取；智元机器人的GO-1模型基于百万真机数据完成叠衣服、倒水等长序列任务；自变量机器人联合58到家推出人机协同保洁服务——商业模式的创新与技术突破同步加速。

工业制造有望最早实现规模化落地。白皮书提出"工业之眼、工业之手、工业之脑"三大核心技术体系，重点解决柔性适配与工艺精度的动态平衡、通用技能与专门工艺的有机统一两大挑战。

农业领域正从"自动化执行"向"认知型自主"转变。约翰迪尔的自动驾驶拖拉机、潍柴雷沃与华为合作的智能CVT拖拉机，以及大规模集群协同作业系统，展现了农业智能化的巨大潜力。

交通领域的核心看点是自动驾驶从模块化向端到端架构的转变。特斯拉FSD V12和小鹏XNGP系统已实现从感知到控制的直接映射，华为ADS 4.0将于2026年面向高速L3商用。

能源电力正在形成"空地协同、多机协作"的智能运维体系。联想集团联合复旦大学利用VLA大模型在六足机器人上完成电力巡检，展示了具身智能在高危环境中的应用价值。

白皮书第五章是全篇最具有前瞻价值的部分，提出了2026年具身智能的三大趋势：

第一，从VLA到WAM的范式跃迁。VLA模型在动态环境适应与长程规划方面暴露出结构性瓶颈，世界-动作模型（WAM）通过构建可交互的物理环境仿真器，使智能体具备预测未来状态、评估动作后果的能力。NVIDIA Cosmos Policy验证了WAM替代传统VLA的技术可行性；国内智元机器人发布了全球首个具身世界模型评测基准EWMBench。白皮书指出，这一跃迁的本质是具身智能从"模仿人类指令"到"理解物理因果"的认知升级。

第二，数据范式的结构性变革。五大趋势正在重塑数据生态：自我中心感知成为主流（预计2026年Ego数据占比超60%）、通用操作接口打破本体壁垒、人类视频迁移学习突破数据稀缺、数据飞轮实现能力自增强、大规模合成数据验证了Sim2Real新可能——五者协同将数据成本曲线从线性压向次线性。

第三，"预训练VLA+RL后训练"成为主流方向。流匹配（Flow Matching）已成为VLA动作生成的主流范式，强化学习与VLA的深度整合实现了从模仿学习到自主学习的跨越。长程任务突破成为落地关键指标，Pi0.6模型证明了新场景下快速收敛到新任务的可行性。

这份白皮书的价值不仅在于技术梳理的全面性，更在于传递了三个关键信号：

其一，具身智能正处于从实验室到产业化的"临界点"。工业制造因场景结构化程度高，有望率先实现规模化落地；生活服务则在商业模式创新上走在前列。

其二，数据基础设施的重要性不亚于算法突破。真机数据、仿真数据和互联网视频数据构成的数据金字塔，以及"一次采集、跨本体复用"的通用操作接口，正在从根本上改变具身智能的数据经济学。

其三，标准化建设迫在眉睫。白皮书明确指出全球具身智能标准化尚处起步阶段，智能化标准与测评标准存在明显空白，中国亟需在接口协议、安全治理等方面实现国际标准话语权的突破。

具身智能被白皮书明确界定为"人工智能走向物理世界的核心关键">。如果说大模型让AI学会了"思考"，那么具身智能正在让AI学会"行动"——而2026年，正是这两种能力交汇融合的元年。