三十年来，人形机器人一直是令人印象深刻的展示，但没有人能负担得起实际部署。缺少的成分从来不是身体，而是大脑。能够进行实时物理推理的大型语言模型的出现彻底改变了这一计算。在亚太地区，全球最积极的人形机器人部署正在发生，具身AI是研究原型与工厂现场资产之间的差距。
"具身AI"的真正含义
具身AI是指通过物理身体在现实世界中运作的人工智能——通过传感器感知、推理环境并通过执行器行动。这个术语将与物理世界互动的系统与处理文本或数据的纯软件AI区分开来。
直到最近，具身AI对于真正的工业使用来说要么太慢（经典规划），要么太僵化（预设程序序列）。被编程为拾取特定零件的机器人在任何事情改变时都会失败。
LLM通过提供灵活的推理层改变了这一点。当AGIBOT的A2被告知"将蓝色板条箱移到4号线"时，它推理指令、识别板条箱、规划路径并实时适应。
亚太具身AI格局
中国在将LLM集成到人形平台方面动作最快。AGIBOT使用腾讯的混元；宇树与百度的文心合作；优必选的Walker S2运行在训练了5000万小时工业任务数据的内部模型上。
日本的方法不同。索尼机器人部门正在开发"具身场景理解"——一个将机器人环境建模为结构化表示的系统，使用更小、更快的推理模型在结构化工厂环境中实现更低延迟。
韩国的Rainbow Robotics和新加坡的A*STAR采用混合方法，将LLM推理与灵巧操作的专业模型相结合。
训练数据问题
核心瓶颈是训练数据。与文本LLM不同，具身AI系统需要物理交互数据——机器人在现实世界中执行任务的数百万小时。这些数据收集成本高昂，被锁定在各个公司内部。
中国工业和信息化部建立了国家具身智能数据平台。新加坡智慧国倡议资助了跨行业机器人数据联盟。日本国立先进工业科学技术研究院正在构建合成数据生成平台。
未来展望
下一个前沿是多机器人协调——同时为整个机器人群规划和分配任务的LLM。AGIBOT在其比亚迪部署中已展示了早期版本。
赢得具身AI竞赛的公司很可能是那些积累最多部署数据的公司。人形机器人在工厂地板上度过的每个小时都是一个难以轻易复制的竞争护城河。