大语言模型扩展了人类的认知能力，传统机器人延伸了人类的体力边界，而具身智能正试图将二者有机结合：让机器既能理解复杂任务指令，也能在真实物理环境中灵活执行，并基于行动结果持续学习优化。然而，实现这一目标的难度远非简单地为大语言模型加装一条机械臂。语言模型处理的是符号与抽象知识，而机器人面对的是空间关系、接触力学、摩擦系数、遮挡、形变以及不确定性。一个真正可用的具身基础模型，必须将感知、预测、决策与动作整合进同一个物理闭环中。
从这个视角来看，具身智能的核心问题可以凝练为一句话：模型如何将对世界的理解，转化为真实、稳定且具备泛化能力的动作？
本文整理自WAIC 2026智启具身论坛上清华大学计算机系副研究员苏航的演讲《从观察到行动：具身智能的基础模型与反馈学习》，旨在帮助读者理解当前物理AI领域备受关注的具身智能基础模型——它是什么？能做什么？未来将走向何方？
一、身体不是执行器，而是智能与世界之间的接口
如果智能没有身体，它只能在数字世界中观察、分析和生成信息。身体赋予智能另一种学习途径：通过动作影响环境，再从环境反馈中领悟物理规律。
人类并非先掌握完整的物理方程，然后才学会拧螺丝、拉拉链或炒菜。我们在不断的尝试中形成手眼协调、接触判断与动作经验。身体既是行动工具，也是感知与学习系统的一部分。因此，具身智能不是“大脑负责思考，身体只负责执行”的简单组合。它更像一个连续闭环：
感知环境 → 理解任务 → 预测后果 → 生成动作 → 接收反馈 → 更新能力
这条闭环也是具身智能通向更通用智能的重要路径。模型只有真正进入物理世界，才能学习那些无法仅靠语言和图像完整描述的经验。
二、具身智能需要自己的原生基础模型
VLA、世界模型等技术都受益于语言模型和多模态模型的发展，但具身基础模型不能只是现有大模型的简单延伸。原因很直接：大量物理技能很难被语言完整表达。
比如拧紧一颗螺丝时，手需要实时感知阻力；拉拉链时，需要协调方向、张力和速度；炒菜时，需要根据食材状态连续调整动作。这些能力包含大量隐性的时空和接触经验。一个面向真实世界的具身基础模型，至少需要具备三类核心能力：
- 泛化能力：面对新物体、新环境、新任务甚至新机器人本体，仍能迁移已有经验；
- 鲁棒性：环境发生扰动、动作出现偏差时，仍能稳定完成任务或恢复；
- 数据迁移能力：能够联合利用机器人数据、人类操作数据、互联网视频和仿真数据。
这三种能力决定了模型能否从“一个任务训练一个策略”，走向共享物理经验的通用基础模型。
三、具身数据正在从遥操作走向无本体采集
传统机器人数据通常来自遥操作：操作员控制一台具体机器人完成任务，系统记录视觉、关节和动作轨迹。这类数据与目标机器人高度一致，质量较高，但采集成本高，扩展到大量家庭和工业场景非常困难。
UMI类无本体采集提供了另一条路线。采集者可以带着轻量设备进入真实环境，直接记录人类操作过程，不必把整台机器人搬到现场。数据采集因此与特定机器人本体解耦，更容易扩大场景、任务和物体的多样性。但“采回来”不等于“能训练”。
人类数据与机器人数据之间至少存在三类差异：
- 观察视角不同：人通常以更高、更灵活的视角观察，机器人的摄像头位置和视野不同；
- 身体结构不同：人手、夹爪、机械臂和灵巧手的自由度与运动约束不同；
- 动作空间不同：人类可行的动作，并不一定能被机器人直接执行。
所以，无本体数据利用的关键不是简单复制人的轨迹，而是学习一种跨本体的动作表征：从人类动作中提取与具体身体无关的任务意图、空间关系和运动结构，再把它映射到目标机器人的可执行空间。
四、跨本体学习的关键，是建立统一的动作表征
面对不同机器人本体，直接对齐关节角几乎不可行。双臂机器人、单臂机械臂、夹爪和灵巧手拥有不同的自由度，同一个“把杯子放进柜子”的任务，在各自系统中的底层动作完全不同。更可扩展的思路，是把动作映射到一个共享的隐空间。
在这个空间里，模型不直接记忆某台机器人的关节运动，而是学习更抽象的动作单元和物理关系，例如：接近目标、建立抓取、保持约束、沿路径移动、释放物体。
训练时，可以利用离散化或量化机制，把连续且高度异构的动作压缩为可学习的动作表征。不同机器人、人类操作设备和任务数据，因而能够进入同一训练框架。这种统一表征追求的不是让所有本体执行完全相同的轨迹，而是让它们共享相同的任务结构和物理经验。其价值最终体现在零样本迁移上：模型面对未见过的本体、环境、物体或任务结构时，仍能利用过去学到的知识完成操作。
五、视频数据提供规模，机器人数据完成物理对齐
视频是成本最低、来源最广的数据形式之一。互联网和第一视角视频包含大量人类行为、物体变化和场景演化信息，可以帮助模型学习“世界如何变化”。视频生成模型之所以受到具身智能关注，是因为它在预测后续画面的过程中，会学习一部分时序关系和物理先验：物体如何移动、接触后可能发生什么、一个动作如何改变环境状态。
但视频只有观察，没有天然的机器人动作标签。它可以告诉模型“接下来发生了什么”，却不一定能直接告诉机器人“关节应该怎么动”。因此，不同数据承担着不同职责：
- 互联网视频提供大规模场景、物体和行为知识；
- 第一视角与UMI数据提供人类操作轨迹和任务结构；
- 机器人数据提供可执行动作和本体约束；
- 仿真数据补充可控试错和长尾状态；
- 真实部署数据提供最终环境中的失败与恢复经验。
具身数据没有一种“万能来源”。真正有效的基础模型，需要把不同数据的优势组合起来。
六、VLA、世界模型、VGM和IDM可以放进统一框架
具身学习中存在多种模型路线：
- VLA学习从视觉和语言指令到动作的映射；
- 世界模型预测动作执行后环境会怎样变化；
- 视频生成模型（VGM）学习视觉世界的时序演化；
- 逆动力学模型（IDM）根据状态变化反推动作。
这些模型看起来解决不同问题，但本质上都在对条件概率进行建模：给定一部分信息，预测另一部分信息。
例如，VLA根据当前观察和任务指令预测动作；世界模型根据当前状态和动作预测未来；IDM根据当前状态和目标状态推断中间动作。既然它们共享类似的概率建模基础，就有机会在统一架构中联合训练。统一建模带来两项重要收益。
第一，不同来源的数据可以互相增强。没有动作标签的视频也可以帮助模型学习世界变化，机器人数据则负责把这种理解对齐到可执行动作。
第二，多任务后训练不容易破坏模型原有能力。传统VLA在适配新任务时，可能出现灾难性遗忘或能力退化；如果模型拥有更广泛的世界表征和多类型数据基座，新增任务更可能成为能力扩展，而不是对旧能力的覆盖。
七、模型进化最有价值的数据，往往来自能力边界
预训练数据通常由成功演示构成，它告诉模型“正确动作应该是什么”。但机器人进入真实环境后，最有价值的样本往往不是那些已经能稳定完成的任务，而是处在成功与失败边界上的状态。比如机器人准备拿起桌边的水瓶。
正常策略可能直接抓取，但更稳妥的做法是先把水瓶向桌内推，再完成抓取。这样的边界状态很难在标准演示数据中被系统覆盖，却决定了机器人在真实环境中的可靠性。边界数据包括：
- 动作开始偏离正确轨迹；
- 抓取不稳但尚未完全失败；
- 环境发生训练时未见的扰动；
- 任务可以恢复，但模型不知道如何恢复；
- 人类必须介入才能继续执行。
这些数据直接暴露了模型当前的能力边界。只要能够把它们收集并转化为训练信号，模型就能有针对性地扩大成功区域。
八、人类接管不是补丁，而是一种高价值训练机制
当机器人偏离正确轨迹时，人类可以短暂接管，把系统从失败边缘拉回成功路径。这个过程通常被称为human-in-the-loop。传统观点容易把人工接管视为自动化不完善的补丁。但从学习角度看，接管数据具有很高价值：它精确发生在模型最需要帮助的位置，包含从错误状态恢复到正确状态的路径。
一个有效的人类接管闭环可以分为四步：1. 系统识别策略偏离或低置信状态；2. 人类在关键时刻接管并纠正动作；3. 系统记录偏离前、接管中和恢复后的完整轨迹；4. 模型利用这些数据学习恢复策略，扩大自主成功范围。
相比继续收集大量重复的成功数据，边界接管数据往往拥有更高的信息密度。它可以减少工程团队为最后10%的长尾问题投入的大量调试时间。更重要的是，人类接管不是永久依赖。每一次接管都应该成为下一轮训练数据，让类似问题在未来逐渐转为自主处理。
九、具身基础模型的完整学习闭环
把上述方法放在一起，可以得到一条从数据到能力的完整路径：
多源数据采集 → 跨本体动作表征 → 统一概率建模 → 多任务预训练 → 真实部署 → 边界状态识别 → 人类接管 → 恢复数据回流 → 模型更新
这里最重要的变化，是训练不再止于模型发布。部署本身成为持续学习的一部分：机器人在真实环境中执行任务，发现预训练没有覆盖的状态，再通过人工接管、失败恢复和数据回流不断扩展能力。因此，具身基础模型的竞争不会只取决于模型参数量，也取决于三个系统能力：
- 能否低成本获得足够多样的数据；
- 能否把异构数据映射到统一的物理表征；
- 能否在真实部署中持续回收边界数据并快速更新模型。
结语：真正的通用能力，来自持续进入未知
具身智能并不是让机器人记住更多标准动作，而是让它能够处理越来越多未见过的物体、环境、本体和异常状态。视频和无本体数据解决规模问题，机器人数据解决动作对齐问题，统一模型解决多任务共享问题，真实部署和人类接管则解决边界扩展问题。
最终，一个成熟的具身基础模型应该形成这样的能力：看得懂环境，理解人的意图，预测行动后果，生成可执行动作，在出现偏差时恢复，并把每一次失败转化为下一次成功的经验。从感知到动作执行，真正连接两端的不是某一个模型模块，而是一套不断与物理世界交互、不断修正自身的数据与学习闭环。