具身智能

你可能想象不到，一粒尘埃大小的机器人，正在学会"思考"。 这并非科幻。 2025 年 10 月发表于 arXiv 的这篇论文，系统梳理了微机器人领域从生物模仿（ Biomimetics ）向智能系统（ Intelligent Systems ）跃迁的技术路线图。结论很明确：下一阶段微机器人的核心竞争力，不再是"像什么生物"，而是"能不能自己决策"。 从"复刻器官"到"装上大脑" 过去二十年，微机器人的主流范式是结构复刻——抄蜻蜓的翅膀、抄水黾的脚、抄鞭毛虫的尾巴。做出一个微观结构，声称"仿生"。但这类机器本质上是一个有形状的机械零件，靠外部磁场或光照驱动，没有任何自主感知能力。 真正的转折发生在具身智能（ Embodied Intelligence ）概念的引入。具身智能 …
阅读更多

具身AI的安全危机：当机器走上街头 2026年的某个凌晨，一辆Waymo无人出租车在旧金山的街道上缓缓启动。 它的传感器没有检测到地上有一个流浪汉正在睡觉。它的路径规划系统决定"低速绕行"。它的执行系统忠实地执行了这个决定——从那个熟睡的人身上碾了过去。 这是虚构的场景。但当你读完今天要讨论的这篇论文，你会发现：这种场景不是"万一"，而是必然，只是时间早晚和严重程度的问题。 论文标题是《Safety in Embodied AI: A Survey of Risks, Attacks, and Defenses》，中文翻译是《具身AI的安全：风险、攻击和防御综述》。它系统性地梳理了具身AI——也就是那些在物理世界中感知、推理、行动的人工智能系统——所面临的安全威胁。 一句话总结这篇survey：具身AI的安全问题比任何人想象的都要严重，而且我们几乎没 …
阅读更多

当科技圈还在为 AI 能不能写代码吵得不可开交时，一小群学者已经悄悄把战场转向了一个完全不同的方向——蓝领工作场景。 这不是什么小众课题。 Tampere 大学、奥尔堡大学和斯德哥尔摩大学的研究者联合指出，绝大多数协作 AI 研究都在服务白领工作者，而占了全球劳动力绝大多数的蓝领工人——制造业工人、维修技师、建筑工人——几乎被完全忽视。 这篇论文的结论是： AI 在蓝领工作场景中的价值，不是替代，而是增强。 被忽视的大多数 数字很说明问题。在全球范围内，蓝领工作（制造业、建筑业、运输业、农业）雇用了超过 30 亿人。这些工作的本质高度具身化——你需要和同事在同一个物理空间里操作设备、搬运材料、响应突发状况。 但现有 AI 研究的核心场景是什么？文档处理、代码生成、会议摘要。这些任务抽象、异步、可以用文本承载全部信息。研究者用一个学术词汇形容这个现象：白领偏见（ white-collar …
阅读更多

实验室机器人搬到家里，为什么总会失效 过去几年，视觉-语言-动作模型（VLA）在受控环境里跑得越来越顺，RT-1、RT-2、Open X-Embodiment 等代表工作让机器人"看着图像就能动手"从概念变成了工程现实。但只要把同一套策略搬到真实家庭或道路，往往第一周还行，第二周就开始出怪事：家具挪了位置，原来训练的"找杯子"路径不再成立；传感器换了一批，标定漂移让旧特征失效；甚至机械臂只是磨损了一点关节间隙，原先严丝合缝的抓取策略就抓空。 原因不在某一个算法，而在整套具身 AI 的设计前提。现有范式几乎都默认：环境是人工设定的，记忆是预先准备好的，任务是预先指定的，化身是固定的。所有这些"给定"条件都被塞进训练前的配置里，模型只需要在这一份配置下表现好。这种 human-crafted setting 在演示视频里很漂亮，但只要 …
阅读更多

2026 年的 AI agent ，已经能在棋盘上击败人类冠军、在代码库里修复 bug 、在谈判桌上碾压对手。但让一个机器人在房间里走三圈，问它"刚才沙发左边那幅画下面压着什么"—它会茫然四顾。 这并非因为它的视觉能力不够强。问题在于：它没有记忆。 华东师范大学与上海 AI 实验室的研究团队最近抛出一个让整个 embodied AI 社区坐立难安的问题：为什么我们的机器人能完成千般任务，却记不住自己刚才在哪？ 9000 个目标与 9286 个问题 他们扔出的 benchmark 叫 LMEE-Bench ，数据量足以让任何研究者头皮发麻：9000+个导航目标、 9286 个记忆问答、 1982 条完整轨迹。这是什么概念？相当于让一个机器人在同一个房子里逛 9000 次，然后回答 9286 个关于"你见过什么、在哪见过、当时在干什么"的问题。 这近乎残 …
阅读更多