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_(t1) → Observation_(t1)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。对比维度普通多模态 AI具身智能系统主要目标识别、理解或生成信息在物理环境中完成可验证任务典型输出文本、标签、图像或语义结果轨迹、位姿、速度、工具动作或控制目标环境关系输入通常可以独立处理动作会改变下一时刻环境和观测身体约束通常不是核心变量动作空间受本体、工具、负载和可达性限制反馈闭环可以是可选增强持续反馈是系统成立的重要条件图 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。技术层主要回答的问题典型输出多模态 / VLM现场是什么、任务语义是什么对象、区域、关系、语义约束VLA / 动作策略接下来应该怎样行动局部轨迹、位姿、速度或动作序列物理反馈与控制动作是否真的按预期发生力矩、电流、接触、误差和状态反馈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^measureda_(t1) pi(Scene_(t1), Goal_t, RobotState_(t1), 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_(t1) F(s_t, a_t, o_(t1))a_(t1) pi(s_(t1), 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_(t1) 与历史状态共同形成下一时刻状态 s_(t1)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。任务场景主要感知 / 反馈典型动作输出关键工程边界无人清扫RGB-D、垃圾位置、吸口位置、风机负载接近轨迹、吸口对准、作业参数人员与障碍、道路边界、工具状态绿篱修剪轮廓、机械臂姿态、刀具电流、振动前进速度、刀具角度、切削深度负载、碰撞距离、机械臂限位旋耕作业土壤视觉、杂草密度、刀轴扭矩、电机电流底盘速度、目标耕深过载、打滑、地块边界消防作业RGB、热成像、火点距离、风向水炮角度、扫描范围独立安全规则与远程人员授权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.