传统具身智能的技术死胡同与商业画饼
上一轮具身智能的发展陷入了严重的技术瓶颈，主要依赖强化学习（Reinforcement Learning）训练小模型或滤波器。这种路径被形容为极其困难的调试过程，工程师需要在堆满元器件和传感器的“垃圾场”中不断读取数据、调整硬件参数。更致命的是，收集现实世界的数据极其困难且漫长，每一次迭代都涉及硬件与算法的双重调整。此外，不同机器人型号的参数和标注差异巨大，导致训练成果无法通用，一款机器人的模型不能直接迁移到另一款机器人上。这种非通用的特性使得最终产品沦为只能执行少数几个任务的“大号遥控玩具”，完全背离了全能、灵巧的机器人愿景。
“所有人所有在机器人公司工作过的人都告诉你，里面的人基本上没有任何成熟的平台，没有任何成熟的方法。”
除了技术难题，成本极高且人员配置极不合理。行业追求指数级增长，但传统路线中一百人的团队仅能带来百倍突破，且需要高薪聘请工程师从事脏累的基础工作。这种低效模式被作者严厉批评，认为其本质是在PPT上画饼，而非真正的技术落地。诸如宇树科技等老牌公司虽被寄予厚望，但在解决“零巧手”这一核心难题上几乎没有任何实质性突破，商业落地更是无从谈起。
VLA模型与“世界模型”的泡沫破灭
为了解决上述问题，业界曾尝试引入VLA（Vision-Language-Action）模型。虽然这被视为一种曙光，但作者指出其长期来看训练难度极大且效果不佳。VLA模型参数虽小，却难以完成人们期待的复杂机器人任务。更关键的是，人类几乎不可能为VLA投入与大模型同等的资金。训练头部大模型的算力成本已极高，若再为VLA投入数万张甚至几十万张GPU卡及庞大工程师团队搭建基础设施，其成本与产出严重不成正比。因此，VLA路线被视为一条商业化摇摇欲坠的死路。与此同时，“世界模型”概念也被揭露为一种“美丽的童话故事”。目前市面上存在二三十种关于世界模型的模糊定义，从生成图像到3D建模再到运动模拟，每一种定义都像是在画饼。作者直言，包括获得图灵奖的团队及国内顶尖高校背景的公司在内，所有宣扬世界模型能解决具身智能问题的公司都是在诈骗，因为它们拿不出任何可见的实际成果。
“世界模型这个东西呢？好，我跟你讲……今天大家聊到世界模型跟巨神智能已经没有任何关系了。”
2026年新范式：聪明小孩+游戏手柄的具身智能
从2026年下半年开始，行业迎来了真正的拐点。新的技术路线彻底抛弃了昂贵的强化学习和复杂的VLA模型，转而采用GPT-4o/5.0等大语言模型（LLM）结合AI Agent，并通过Function Calling直接控制机械臂手柄的方案。这一模式被形象地比喻为：一个聪明的小孩拿着游戏手柄盯着电视机屏幕打游戏，而电视画面就是机械臂的摄像头反馈。这种方案的核心优势在于极低的成本和无需训练模型。企业只需购买头部大模型的API（如OpenAI或Anthropic）和机械臂本体，无需雇佣大量机器人博士进行底层算法训练。通过编写规则或Skills，让Agent直接调用机械臂关节接口（手柄），即可完成任务。
“本质上就是一个聪明的小孩，拿手柄盯着电视打游戏。这个游戏就是用控制机械臂来完成任务。”
这种新范式的另一个巨大优势是智力水平与执行机构的彻底解耦。开发者只需做好“手柄”（接口）和“电视”（视觉反馈），而将智力的提升完全交给OpenAI等巨头迭代大模型。Agent具备极强的耐心，只要未欠费且任务未完成，就会持续尝试直至成功。强大的LLM智力足以代偿机械臂功能的不足，能够完成如精细雕刻、精密手术等需要复杂运动规划的任务。这种模式不仅成本可控，而且随着大模型智力的提升，机器人能力也将同步增强，无需担心技术天花板。
复杂场景下的实时规划与商业落地前景
新范式在应对高难度、非结构化任务时展现出巨大潜力，作者以脑瘤切除手术（千岛瘤）为例进行论证。此类手术需要医生在极短时间内，一边切割一边观察血管分布，既要切干净肿瘤又要避免损伤周围组织，难度堪比用耳挖勺从月饼中精准挖出咸蛋黄而不破坏豆沙馅。传统数控机床无法应对这种需要实时观察、随机应变和精细手工的任务，而LLM Agent结合机械臂手柄的方案具备潜在的解决能力。Agent可以利用大模型的判断力，实时调整切割策略，处理突发危机。
“如果LM agent加上机械臂手柄能够……实时的雕一块玉，或者说缝合一个血管儿。”
作者强调，真正的具身智能成功标志不是演示翻跟头或跳舞等表演性动作，而是能否被江浙沪和深圳的工厂老板买回家用于实际生产。当传统机械臂已普及二十年，而新式具身智能若能以接近人工的成本实现灵巧操作时，商业价值将彻底爆发。目前老板们尚未大规模采购，是因为旧技术路线未能解决通用性和灵巧性问题。而新范式通过低成本、高智能解耦和快速落地能力，有望打破这一僵局，让具身智能真正进入一线生产场景。
优势：高智力代偿与解耦架构
具身智能当前的核心路径是将人类的高级认知能力（VLM Agent）与底层运动执行解耦。工程师搭建低成本的硬件基础设施，如电脑、游戏手柄和环境摄像头，将复杂的操作交给AI代理。这种模式的优势在于不求快但求稳、求准。对于需要长期观察和精细规划的任务，如神经外科切除脑瘤或缝合血管，AI可以延长操作时间以换取精度。正如演讲者所言：“它不求快，但它求稳，它求准……慢工出细活就切脑瘤。” 这种架构允许AI在麻醉允许的长时间窗口内，通过反复试错和规划完成高难度手术。同时，人类医生受限于只有两只手的生理缺陷，需要多名助手配合；而AI可以控制八个甚至十个机械臂，分别持针、镊子或刀具轮流工作。通过让工具“焊死”在机械臂上，规避了灵巧手抓取的难题，利用多臂协作完成复杂手术流程。这种“把工具死死的攥在手上”或直接用螺丝固定的策略，证明了即使缺乏灵巧性，通过增加机械臂数量也能实现高效作业。
局限：触觉缺失与抓取困境
尽管VLM Agent在规划上表现出色，但其最大的短板在于缺乏触觉传感器（Tactile Sensor）和低级直觉反射。人类婴儿无需思考即可抓住奶瓶，这是基于神经系统的底层反射；而AI通过手柄控制机械手抓取物体极其困难。人手之所以灵巧，是因为拥有复杂的神经控制和多个关节自由度（如拇指需8个自由度）。若用VLM控制具有同等自由度的机械手，需要添加大量控制器且无法实现下意识的直觉反应。“没有tactile sensor……抓取和放下来，放下来很简单，但是抓取是很难的。” 因此，这一代具身智能在Pick and Place（抓取与放置）任务上的成功率极低。为了解决这一问题，必须放弃通用的抓取能力，转而采用“固定场景下的长期规划”策略。既然无法完美解决Pick and Place，就不让机械臂做此类任务，而是将工具永久固定在末端执行器上。这意味着AI无法像科幻电影中那样拥有万能灵巧手，它必须接受“实打实的要上战场”的现实，专注于那些不需要频繁更换工具或精细抓握的特定任务。
本质区别：在线反馈与离线编程
很多人误以为具身智能只是数控机床或3D打印的升级版，但二者存在本质区别。传统制造设备（如执行G代码的机床）是离线规划、在线执行。即使AI生成了成百上千份G代码，机器在执行时也无法根据视觉反馈实时调整。它适合标准化的小批量生产。“数控机床3D打印，观察不了也规划不了……执行的时候你没有反馈你只能按照G code去执执行的。” 相反，VLM Agent控制机械臂的核心在于“做一步观察一步规划”。在切脑瘤等非标任务中，AI每切割一点都会通过摄像头观察血管粘连情况，实时调整下一步动作。如果发现风险过大（如肿瘤紧贴大血管），AI可以立即停止并改变策略，甚至保留1%的肿瘤以确保安全。这种“在线观察、在线规划”的能力是传统自动化设备完全不具备的，也是具身智能在非标准化、高风险医疗场景中不可替代的关键优势。
趋势：高智力代偿与仿真优化
未来具身智能的发展趋势主要围绕VLM的高智商优势展开。首先，“高智力是可以代偿一切的缺点”。虽然手柄控制不精准、不稳定且速度慢，但VLM极高的智力水平可以弥补这些缺陷。类比于阿斯伯格综合征患者通过高智商模拟正常社交，AI也能通过强大的规划能力克服运动控制的笨拙。其次，机器人行业不再需要独立训练底层模型，而是可以“长期吃头部的大模型厂商的剩饭”。OpenAI和Anthropic等公司负责提升智力，机器人厂商只需关注硬件集成和应用场景，这降低了技术门槛并加速了商业化。此外，VLM结合手柄控制更容易进行仿真验证。通过在三维重建的虚拟环境中先执行模拟，AI可以在大脑中预演操作结果（如挖取脑瘤的后果），再在现实中执行，从而提高了稳定性和准确性。最后，机械臂与人类手臂的功能将逐渐分化：VLM Agent擅长需要多步规划和长期记忆的任务，而人手更擅长即时触觉反馈的精细操作，两者将在不同领域发挥各自优势。
工业场景中人类与机械臂的能力边界分化
在具身智能的发展路径中，AI无法完全替代人类从事所有工业基础工作。以食品生产线为例，虽然自动化系统可以通过视觉检测（VLM）识别并剔除坏蛋或已孵化的鸡蛋，但对于需要极高灵活性的操作——如从流水线上快速抓取一个飞过的鸡蛋或揪出羽毛，纯机械臂结合功能调用（Function Calling）目前难以胜任。这是因为此类任务对非结构化环境的实时响应和精细操作要求极高，而现有的VLM Agent加机械臂组合在稳定性和成功率上仍不如人手。因此，本轮具身智能的演进必然导致机械臂与人手的分工分化。这种分化并非谁消灭谁的零和博弈，而是基于各自优势的场景适配。人类擅长察言观色、沟通交流等复杂社交与直觉判断任务，而LM Agent则更擅长编码及解决系统化的工程问题。这种能力边界的清晰划分，是理解未来人机协作模式的关键前提。
长期共存：技术场景的市场适配而非相互淘汰
从长远来看，VLM Agent加机械臂与传统工业制造、G代码控制的数控机床之间将形成长期的市场策划与共存关系。行业不会走向“人消灭机械”或“机械消灭人”的极端，而是每个设备和技术都有其最适合的市场场景。随着技术的进步，VLM Agent所覆盖的工作领域将不断扩大，而人类需要亲自执行的基础性、重复性工作比例会逐渐减少。然而，这并不意味着人类会被淘汰。相反，人类将更多地回归到自身更擅长的领域。演讲者强调，大家要相信这一点：坚强地活下去，你不会被淘汰掉。这种观点旨在缓解公众对AI取代人类的焦虑，指出未来的工作形态将是人类擅长的工作与Agent擅长的工作的互补与协同。随着VLM Agent处理越来越多原本由人完成的复杂工程任务，人类的价值将体现在更具创造性、情感交互和战略决策的层面。
具身智能爆发预测与系列讲座回顾
基于对技术趋势的深入分析，演讲者做出明确预判：接下来六个月的时间一定是本轮具身智能（VLM Agent接手柄、接机械臂）方向的大爆发。这一判断建立在此前对AI其他领域爆发的成功预测基础之上，例如几个月前提出的数学方向大爆发，以及随后迎来的AI攻防攻击与防御领域的大爆发。对于未观看前四期内容的观众，强烈建议补看第一至第四期的讲座与直播内容。其中第一期和第二期属于系列讲座，第三期和第四期为直播回放。第五期作为最新一期，重点聚焦于具身智能这一重大趋势。演讲者指出，本期内容与其在Twitter上发布的观点大体一致，但提供了更详尽的推断和背景。通过回顾之前的预测案例，观众可以更清晰地理解当前具身智能爆发背后的逻辑链条与技术积累过程。相信这一方向将迎来实质性突破，是把握下一波AI红利的关键。
结论
具身智能的真正爆发点在于2026年转向“大模型+Agent控制机械臂手柄”的新范式，彻底摒弃高成本且非通用的强化学习与VLA路线。该模式通过智力与执行解耦，利用LLM的高智商代偿机械臂在精度和速度上的不足，实现了“做一步观察一步规划”的在线实时调整能力。这使其在脑瘤切除等需随机应变的非标场景中具备传统数控机床无法比拟的优势，且成本极低、无需底层训练。
然而，该方案存在明确短板：因缺乏触觉传感器和低级反射，抓取任务成功率低。因此必须放弃通用灵巧手，采用工具固定或多臂协作策略，专注于长期规划任务而非高频抓取。未来人机将基于能力边界分化共存：AI擅长系统化工程与多步规划，人类保留直觉操作。这一路径有望在六个月内迎来实质性商业落地突破。