具身智能，还是具身技能？
一次正本清源的尝试
机器人领域有一个词被叫错了，而且叫错的方式很有意思——它不是偶然的笔误，而是一种有意为之的概念升格。
一个词的"升格"
"具身智能"（Embodied Intelligence）这个词，在机器人和人工智能领域已经流行了相当一段时间。它听起来很高级，很前沿，很有学术分量。但我越想越觉得，这个词叫错了。
更准确地说，它不是叫错了，而是被刻意叫高了。
在机器人创业圈，有一种普遍的命名冲动：把"技能"说成"智能"。因为"智能"这个词自带光环，它让人联想到意识、推理、创造力，联想到人类引以为傲的那些高级认知能力。而"技能"就显得朴素多了——好像只是一种可以训练出来的、偏低级的操作能力。
这种命名偏好背后，藏着一种根深蒂固的人类自我傲娇：我们潜意识里认为，智能是人类的专属勋章，而技能不过是熟能生巧的产物。
但这个价值判断，本身就是一个错误。技能从来不比智能低级，它只是住在另一个空间里，遵循另一套规律。
智能与技能，住在两个不同的空间里
要理解这个问题，需要先厘清一件事：智能和技能，根本不是同一个维度上的东西。
- 处理语言、逻辑、推理、摘要
- 输入是语言，输出也是语言
- 在高度抽象的符号世界里运算
- 可以跨本体迁移，云端运行
- 处理当前物理状态下的动作序列
- 输入是感知信号，输出是执行器命令
- 需要身体与世界之间的实时闭环
- 与特定本体结构深度绑定
这两个空间，是两套截然不同的表征体系。把它们混为一谈，就像把"能把菜谱背得滚瓜烂熟"和"能做出一桌好菜"画等号一样荒谬。
高尔夫球的隐喻
有一个例子，能把这个道理说得非常清楚。
假设你读了市面上所有关于高尔夫球的书。你知道握杆的标准姿势，你知道挥杆的力学原理，你知道如何根据风向调整落点。在语义空间里，你对高尔夫球的理解已经相当深刻。
然后你走上球场，握起球杆。
你会发现，你指挥不了自己的身体。你知道肩膀应该怎么转，但你的肩膀不听话。你知道重心应该怎么移，但你的脚踝给你的反馈完全不是书上描述的那种感觉。这就是那句话的真实含义——一看就会，一学就废。
语义空间里的知识，无法直接迁移到动作空间。这不是智力问题，而是两个空间之间存在一道根本性的鸿沟。技能的习得，需要身体本身在真实物理世界中反复迭代，而不是在语言里推演。
这道鸿沟，正是当前机器人领域最核心的挑战——而“具身智能”这个命名，恰恰遮蔽了这个挑战的真实性质。
这道鸿沟，其实早就有人命名了。
1988 年，机器人学先驱汉斯·莫拉维克（Hans Moravec）提出了一个名为“莫拉维克悖论”（Moravec's Paradox）的观察：让计算机实现成人层次的智力测试或下棋，只需要相对少的计算能力；但要让它具备一岁小孩的感知和运动能力，却需要巨大的计算资源。
简单说：让机器下象棋很容易，让它拱一个碗却极难。这与我们的直觉完全相反——我们以为“下棋”是高级智力活动，而“拱碗”不过是简单的辅助动作。但对计算机而言，恐怕恰恰相反。
莫拉维克悖论揭示的，正是本文的核心论点：智能和技能是两个不同的空间。语义空间的问题（下棋、推理、语言）和动作空间的问题（拱碗、行走、操作工具），需要完全不同的解决路径。将具身机器人的技能问题包装成“具身智能”问题，恰恰是在用语义空间的思维方式去解决动作空间的问题——这正是莫拉维克悖论指出的陷阱。
语言模型学到的是"语言"，不是"世界"
理解这个问题，还需要看清楚大语言模型究竟学到了什么。
一个孩子从小学一年级读到博士毕业，如果他只是在死记硬背，他学到的其实是语言本身——语法规则、词汇搭配、表达习惯——而不一定是语言背后指向的那个真实世界。语言模型的训练，在某种意义上，正是这个过程的极致版本。
这里有一个关键的区分，值得仔细品味："正确地说话"和"说正确的话"，是两件完全不同的事情。
"正确地说话"，只需要符合语言本身的习惯和语法，只需要在语言空间内部自洽。一个在语言空间里高度自洽的系统，甚至可以把幻觉（hallucination）也说得头头是道、逻辑严密。而"说正确的话"，则需要语言的输出与物理世界、与真实认知对齐——这是一个更高的要求，也是语言模型至今难以完全做到的事。
技能领域根本不存在幻觉的容忍空间。一个护理机器人如果在动作执行上产生"幻觉"，它可能把开水倒在病人手上。一个手术辅助机器人如果在动作空间里"幻觉"了一下，它可能拔掉氧气管。错误的语言输出可以被纠正，但错误的动作执行造成的是不可逆的物理伤害。
这个对比，深刻揭示了智能与技能在评价标准和容错机制上的根本差异。我们对一个语言系统的容忍度，和我们对一个执行系统的容忍度，必须是完全不同的量级。
"具身"这个词，其实更适合技能
"Embodied"这个词，字面意思是"嵌入身体之中"（in-body）。这个词的核心含义，是与本体结构的强绑定，而不仅仅是"与物理世界互动"。
从这个角度来看，智能其实并不需要"具身"。智能可以放在云端，可以运行在任何计算载体上，可以跨本体共享。同一个大语言模型，可以同时服务于手机、电脑、机器人和汽车，它不依赖于任何特定的物理身体。智能，本质上是可以跨本体迁移的。
但技能，恰恰是本体依赖的。技能是嵌入在特定身体结构中的，它与身体的传感器布局、关节自由度、肌肉力矩分布紧密耦合。你在这个身体上训练出来的技能，换一个身体，就很可能失效。
两个例子可以说明这一点。泰国古典舞蹈演员的身体，与普通人的身体在关节活动范围和肌肉训练模式上存在显著差异，一个泰国舞蹈演员在自己身体上习得的那套精妙技能，并不能简单地"下载"到另一个普通人的身体上去执行。而特斯拉的 FSD 系统同样如此：Model 3 和 Cybertruck 的摄像头位置、车身尺寸、转向结构都不同，同一套训练好的模型并不能无缝迁移到不同车型上——每个车型都需要针对自身的本体结构重新适配。
Scaling Law 的诱惑，与一条南辕北辙的路
当前机器人领域有一股强烈的冲动，想要把大语言模型的成功路径复制过来。逻辑链条大致是：LLM 成功了 → 加上视觉变成多模态 → 再加上动作输出变成 VLA（Vision-Language-Action Model）→ 机器人就会了。这个路径的诱人之处在于，它试图用同一套 Scaling Law 的逻辑，把语言、视觉、动作统一到一个框架里。
但这里有一个根本性的问题：语义空间和动作空间，真的是可以互通的吗？
如果它们是互通的，那么人类只需要读完一本详尽的驾驶教材，就应该能开车。只需要看完一套打高尔夫球的视频教程，就应该能打出标准的挥杆动作。但显然，事实并非如此。语言可以描述动作，但语言本身无法成为动作。在语义空间和动作空间之间，硬塞一个 Language 层（即 VLA 中的 L），在很多情况下是一个牵强附会的过渡，而不是真正的桥梁。
更有意思的是，人类的技能学习，本身就不完全依赖模仿。左撇子的存在就是一个反例——父母大多数是右撇子，按照模仿学习的逻辑，左撇子不应该大量出现。而那些后天失去手臂的人，经过一段时间的适应，有些人能用脚和腿完成吃饭、穿衣等精细动作——他们从哪里"模仿学习"这些技能？他们的身体，在没有语言指导、没有模仿对象的情况下，自主地在动作空间里找到了新的解。
还有一个更根本的差异，常常被忽视：语言模型的训练数据，是人类几千年积累下来的现成资产——文字、书籍、网页、印刷品，这些数据已经存在于世界上，可以直接抓取和使用。但具身技能的训练数据，必须重新创造。你需要让机器人在真实的物理世界中反复操作，才能采集到有效的动作数据。这不是一个简单的数据规模问题，而是数据的性质就完全不同——它的采集成本、采集方式、数据结构，与语言数据有着本质的差异。
| 维度 | 语言模型（LLM） | 具身技能 |
|---|---|---|
| 训练数据来源 | 人类几千年的现成文字资产 | 必须在物理世界中实时采集 |
| 数据采集成本 | 低（抓取即可） | 极高（需要机器人反复操作） |
| 错误容忍度 | 可以被人类审计和纠正 | 错误即不可逆的物理伤害 |
| 跨本体迁移 | 可以（同一模型服务多设备） | 困难（与特定身体结构绑定） |
| Scaling Law 适用性 | 高度适用 | 存疑，可能南辕北辙 |
把这一切放在一起，就能看清楚当前"具身智能"行业的一个深层困境：大量公司正在用 Scaling Law 那套方法——堆数据、堆参数、堆算力——来训练机器人，本质上是在用投资人的钱复制语言模型的路径。但如果我们把"具身智能"正名为"具身技能"，就会发现：在具身技能的世界里继续用 Scaling Law 的方法，是南辕北辙。
那么，这个领域应该叫什么？
如果从"与物理世界连接"这个角度来定义，Physical AI 这个叫法其实更准确，也更诚实。它直接说明了这类系统的核心诉求：让 AI 能够感知和操作物理世界。
但如果要从"嵌入本体"这个角度给出一个更精确的命名，我认为应该叫具身技能（Embodied Skill）。
因为真正让机器人与物理世界交互起来，需要解决的核心问题，是技能问题：如何让一个特定本体结构的系统，在动作空间里学会完成各种复杂任务的动作序列。这个问题，不是靠在语义空间里堆更多知识能解决的。
"具身智能"这个词，把一个技能问题包装成了智能问题，把一个动作空间的挑战包装成了语义空间的挑战。这不只是命名上的不准确，它还会误导研究方向——让人以为，只要语言模型足够强大，机器人的问题就自然解决了。
而现实是，动作空间有它自己的规律，它需要自己的方法论，需要在本体结构的约束下，在真实物理世界的反馈中，踏踏实实地去学。至于那套方法论究竟是什么，我没有现成的答案——但我至少确信，它不是 Scaling Law。
结语
技能，从来不比智能低级。只是它住在另一个空间里，遵循另一套规律，需要另一套方法去习得。
把技能叫成智能，是一种傲慢——对技能的傲慢，也是对这个领域真实挑战的傲慢。
正本清源，从叫对这个词开始。
本文观点源于一次关于具身智能与具身技能之辨的口述思考，整理成文。
専注于具身智能、AI Agent 与技术文化的深度思考。全世萝卜（Panbotica）创始人，致力于探索人形机器人与智能应用的边界。