过去一两年里，具身智能很容易给人一种割裂感。

一边是展会、融资、发布会和人形机器人热舞；另一边是真实机器人落地时绕不开的电机、减速器、控制器、传感器、通信延迟、安全边界、维护成本和场景 ROI。

如果只看前者，它确实像一场被资本和流量推高的狂欢。

但如果从控制、强化学习和大模型三条技术线往回看，它又不是空中楼阁。

我的判断是：具身智能不是虚伪狂欢，而是一次真实但尚早的范式转移。

它有技术进展，也有产业底座；有长期价值，也有短期水分。真正的问题不是 " 它是不是骗局 "，而是：哪些能力已经发生了变化，哪些还只是演示视频里的未来。

传统控制没有失效，只是机器人问题变复杂了

2019 到 2021 年，我更多接触的是传统控制世界，在电机、云台等低自由度设备上搞控制。

系统辨识、鲁棒控制、MPC、伺服系统、轨迹跟踪、扰动抑制、执行器约束，这些词构成了我对机器人和自动化系统的第一层理解。

这套体系给人的第一印象是严谨、可靠、可解释。

一个伺服系统要跑得稳、跟得准、抗扰好，背后不是一句 " 智能 " 就能解决的。它需要模型、频域分析、约束处理和工程调参。

那时候我对 " 控制 " 的理解，更多还是围绕经典控制框架展开：先建模，再设计控制器，再验证稳定性和鲁棒性。

但是，当被控对象变得复杂时，这套方法似乎很难拓展。

腿足机器人要在碎石、坡面、湿滑地面上保持动态平衡；灵巧手要处理接触切换、摩擦不确定和物体形变；移动操作机器人既要移动，又要抓取，还要和环境发生复杂交互。

这时，问题不再只是 " 让一个轴跟踪一条轨迹 "。

它变成了高维状态空间、非结构化环境、多自由度全身协调，以及大量难以精确建模的接触过程。

我意识到传统控制仍然重要，但单纯依赖人工设计控制律，会越来越吃力。

强化学习改变的不是控制本身，而是获得复杂技能的方式

2021 年之后，我开始研究强化学习在随机系统中的应用（我的研究跟机器人领域没啥关联），同时也看到了强化学习在机器人领域快速扩展。

强化学习，简单说，就是让智能体在环境中不断试错，通过奖励信号学习策略。放到机器人里，它不是直接写死 " 脚该怎么迈、手该怎么抓 "，而是让机器人在仿真中反复练习，最后学到一套动作策略。

这个过程对我的冲击很大：强化学习改变了机器人控制器设计的范式，这不是换一个算法名字那么简单。四足机器人、双足机器人、跌倒恢复、复杂地形适应、部分灵巧操作，这些能力如果完全依赖人工编写控制逻辑，很难以今天这样的速度迭代。

这种新的控制范式不是简单地用神经网络替代控制律。它真正改变的是控制器获得的方式。传统控制更多是工程师手工建模、显式写出控制结构和控制律；强化学习则是工程师设计状态、动作、奖励、仿真环境、随机化范围和安全约束，让策略在大量交互中学出复杂行为。

简单点说，过去设计的是控制律，现在设计的是学习问题。这也导致了以往控制器设计复杂性的迁移，从模型推导和稳定性分析，转移到了奖励设计、仿真可信度、sim-to-real、安全过滤和真实部署。

但这也正是强化学习的价值：它把很多过去难以手工建模和调参的问题，转化成了仿真训练、奖励设计、安全约束和真实部署的问题。在大规模调参（训练）这一块，机器远快于人，可以搜索的范围也更大。

大模型进入机器人，补的是任务理解这一层

再往后，大模型 LLM、VLM 出现，机器人领域又发生了另一层变化（这一块我了解的较少，只谈一些 " 宏观 " 上的认知）。

如果说强化学习更多解决 " 怎么动 "，那么大模型开始触碰的是 " 为什么动、往哪里动、任务是什么 "。

过去机器人可能能完成一个固定动作，但未必理解人类语言里的意图；能识别一个物体，但未必知道这个物体在任务里的语义角色。

比如，" 把能用来敲钉子的东西拿给我 "，这不是简单识别 " 锤子 " 两个字。机器人要理解任务目标、物体功能和环境上下文。

而 LLM、VLM 在机器人上的拓展应用，包括 RT-2、OpenVLA、π 0、NVIDIA Isaac GR00T N1、Gemini Robotics 等方案，则开始回应并试图解决这个问题：

机器人能不能从 " 会一个具体技能 "，走向 " 能理解任务，并组合已有技能去完成新任务 "？

这就是我认为具身智能不是纯概念的原因。它背后确实有模型路线的变化，而且已经初具成效：让机器人具备了——理解人类世界任务、任务规划、分解执行等能力。

中国机器人的底座，不只是发布会

技术变化之外，产业底座也在发生变化。身处创新与制造业发达的大湾区，我感触良多。

这里需要区分两个概念：工业机器人、服务机器人产量的增长，并不等于通用具身智能已经成熟；但它说明，我国确实拥有较大的机器人应用市场、制造体系和供应链基础。

IFR 的 World Robotics 2025 数据显示，2024 年中国工业机器人安装量达到约 29.5 万台，占全球部署量的 54%；中国工业机器人运行存量超过 200 万台，国内厂商在本土市场份额首次超过外资，达到 57%。

国家统计局数据也能看到制造端的增长。2025 年，中国工业机器人产量为 773,074 套，同比增长 28.0%；服务机器人产量为 18,581,081 套，同比增长 16.1%。

这说明机器人并不只停留在融资新闻、样机视频和展会表演里。至少在工业机器人和部分服务机器人生产端，它已经是制造业升级的一部分。

人形机器人还很早，但已经从 " 零 " 进入早期市场。IDC 2026 年发布的分析称，2025 年全球人形机器人出货超过 18,000 台，收入约 4.4 亿美元。这个数字放在整个工业机器人市场里仍然很小，远不能说明通用人形机器人已经成熟；但它也说明，人形机器人已经从实验室样机开始进入商业试点。

政策端也在加速。

《" 机器人 +" 应用行动实施方案》提出，到 2025 年制造业机器人密度较 2020 年实现翻番。工信部印发的《人形机器人创新发展指导意见》提出，到 2025 年初步建立人形机器人创新体系，突破 " 大脑、小脑、肢体 " 等关键技术；到 2027 年形成有国际竞争力的产业生态。

这些因素叠在一起，构成了中国具身智能的现实底座：应用市场、供应链、制造能力、政策牵引和新一代 AI 模型同时出现。

但这不等于成功已经发生。

真正要警惕的，是把五年、十年后的可能性提前写进今天

我不认为具身智能是骗局，但也不认为今天所有叙事都可信。

很多人形机器人展示，仍然集中在表演、导览、教育、数据采集和试点验证。

IDC 在 2026 年 4 月的分析中提到，2025 年超过 85% 的人形机器人部署集中在表演、教育、数据采集和导览服务等场景，主要仍是演示、交互和技术验证，制造与物流场景只是开始出现早期试点。

这和真正的长期商业闭环之间，还有距离。

机器人在工厂、仓储、巡检、养老和家庭中长期稳定创造 ROI，需要回答很多更硬的问题：连续运行时间、故障率、维护成本、安全责任、人员培训、任务可替代性、单位经济性。

这些不是演示视频能回答的。

国家发改委在 2025 年 11 月也提醒过，当前人形机器人在技术路线、商业化模式、应用场景方面尚未完全成熟；中国已有超过 150 家人形机器人企业，其中半数以上是初创或跨界进入者，需要防范重复度高的产品 " 扎堆 " 上市、研发空间被压缩等风险。

这个判断很客观。

方向是真的，但行业需要挤掉水分。

不是神话，也不是骗局

所以，我不会把具身智能看成神话，也不会把它看成骗局。

它更像机器人领域的一次长期工程革命。

短期会有水分，长期要看落地；短期会有过热，长期要看谁能把模型、控制、本体、数据和场景真正闭环。

对于做控制和强化学习出身的人来说，这是一个很好的时代

具身智能恰好是传统控制、强化学习和大模型三条线的汇合点。

传统控制解决可靠执行。

强化学习和模仿学习改善复杂技能获取。

大模型和 VLA 打开语义理解、任务泛化和跨场景迁移的空间。

真正的机器人智能，不会只属于其中任何一个学派，而会出现在它们的交界处。

而当你越接近真实机器人时，越会发现控制没有过时。

它只是需要和学习、语言、视觉、硬件、数据和工程系统重新组合。

经过传统控制训练的学生，对控制系统有更深刻的认知：谐振、带宽、鲁棒性等。在大模型的辅助下，能快速掌握更多技能，像具身智能靠近。

最后，具身智能不是虚伪狂欢

它是一场真实但尚早的范式转移，可能是五年、也可能是十年。但也正好留给了我们转型的时间。

真正值得控制人下注的，也许不是会跳舞的机器人，也许不是最会讲故事的融资 PPT，而是那些能把模型、控制、硬件、数据和场景一层层接起来的系统能力。