具身智能路线之争：All in 模仿强化学习 vs 死磕传统控制？从业者到底该「信」谁？

今天，我们首先来讨论一个，具身智能行业发展的重要议题：

具身智能，究竟该All in模仿学习、强化学习和大模型闭环系统；

还是应该老老实实打磨硬件、建模型、做控制，把机器人先用起来？

最近，一场关于“具身智能该怎么发展”的学术思辨，在互联网上“悄悄”热闹了一阵。

清华大学助理教授、机器人企业星海图联合创始人许华哲，与南方科技大学助理教授、IEEE T-RO最佳论文奖得主周博宇，先后在知乎平台上发表了一篇个人观点性文章。起初有点针尖对麦芒的意思，但如此难得的学界观点碰撞，无疑值得深入探究。

简单来说，就是我们开篇问的：

具身智能，到底该怎么走？

他们的观点背后，又都代表着哪些技术路径？

▲图1 | 左：周博宇（南方科技大学助理教授），图右：许华哲（清华大学助理教授），评论：高飞（浙江大学副教授）（图源：许华哲老师小红书）

本文希望通过此类思辨，从行业的技术理想主义面纱之下，在产业狂热的表象下探寻被隐藏的理性洞见。（不表达任何“站队”立场）

两位老师从不同的出发点，讲的其实是同一个问题：今天我们谈论的“智能”，到底是不是“真的智能”？

许华哲老师的观点（下称观点A）可以概括成一句话：没有身体的智能，是不完整的智能。

大语言模型虽然能写文章、解题、画图，甚至具备某种“智慧”，但它对物理世界几乎一无所知，缺乏感知、没有交互，更谈不上经验。这也是为什么具身智能必须被重视——让智能体“亲身”感知、行动、犯错并修正，才有可能真正理解这个世界，而不是纸上谈兵。

周博宇老师则把目光放在了现实工程（下称观点B）：别被“通用智能”这四个字冲昏头脑。

智能不只是大脑，离不开材料、结构、电机、控制这些看似“传统”的基础支撑。“真正推动具身智能前进的，是那些看起来不那么‘性感’的工作——比如改进电机散热、提升执行精度、解决工厂线束整理这种具体难题。而不是只靠炫酷的模型Demo，或者空谈“人形机器人终将通用”。

两位老师的原文很长，为了方便没有读过的读者快速了解，我们也将两位老师的观点总结成了表格。

（若有总结不到位或偏差之处，也请大家批评指正）

▲图2 | 观点总结

当前的大模型智能虽然强大，但它停留在“读”和“说”的层面，缺乏与物理世界的真实交互。

因此，具身智能的关键不在于继续堆数据、涨参数，而在于让智能体拥有身体，能主动去感知、行动并反馈，形成一个闭环的自我校正系统。

这个观点背后，指向的是一条非常明确的技术路径：感知—决策—行动—反馈的闭环具身智能架构，而这条路径中的技术支点主要包括：

更丰富、更主动的感知系统

二维视觉虽易获取，但对于构建世界模型与操作任务，缺乏空间与结构感知能力。尤其在数据稀缺或新场景下，单目图像很难区分物体的距离、形状与几何关系。

因此深度图，点云这类三维的感知信息非常重要，同时触觉传感也是实现具身智能不可获取的一部分，甚至是“最后一块拼图”。

视觉可以告诉你物体在哪里，触觉才知道“它滑不滑”“软不软”“拿没拿住”。尤其在物体操作任务中，没有触觉，控制策略很难对“力”进行反馈调整。因此构建更加丰富和主动的感知系统，是具身智能实现过程中非常重要的一环，也是第一环。

▲图3｜能够增强视觉感知和动作预测之间关键耦合的H3DP框架©️【深蓝具身智能】编译

从模仿走向强化：构建闭环反馈

模仿学习虽易部署，但存在结构性缺陷：

其数据来源是人类演示，学习过程是“记住过去”，模型不会主动反思为什么成功，也不会从失败中纠偏。

具身智能的核心在于能否主动试错，而这就需要强化学习机制。

强化学习能构建奖励函数与策略优化之间的闭环，也就是说：机器人自己做事 → 环境给反馈（成功/失败） → 调整行为策略。

例如，当前流行的VLA模型虽然强大，但数据是“离线的”，无法对扰动状态进行自我调整。这种缺乏因果反馈的训练方式，只能让智能体“模仿外部”，却很难形成“内在理解”。

▲图4｜通过微调大模型显著提升机器人操作鲁棒性和泛化性的OpenVLA框架©️【深蓝具身智能】编译

强化学习正是在修补这一点。通过构造任务驱动的 reward function（哪怕是稀疏的），让机器人对行为后果形成因果关联，从而达到真正意义上的感知与行为对齐（grounding）。

多模态融合与世界模型

真正的具身智能不仅需要感知，还需要构建一个可推理的世界模型（World Model）。

这可以理解为：智能体在大脑中对物理世界的“模拟器”。

▲图5｜世界模型简要发展历程©️【深蓝具身智能】编译

为了构建这个模型，光靠图像不够，还需要语言、深度、动作轨迹、触觉等多种模态联合训练。这就是VLA模型的设计初衷：

• 从语言中提取目标；

• 用视觉理解场景；

• 利用世界模型预测不同动作的未来结果，选择最优策略；

• 最终执行动作。

但该观点也指出当前 VLA 模型存在结构割裂的问题，如某些框架中的自回归视觉语言模块与后续扩散控制模块拼接生硬。因此，从结构融合、多模态编码一致性与空间对齐性出发优化 VLA 架构，是未来重要技术方向。

观点小结

观点A背后的具身智能技术方向和实现路径，在于是否能真正闭环：

感知 → 决策 → 动作 → 反馈 → 调整，每一环节都需要技术创新推动。

从更强的三维感知，到低成本触觉采集，再到强化学习的自我修正机制，以及跨模态世界模型的构建——这条路线清晰、难度极高，但确实代表了具身智能通向“自我理解”的方向。

通往智能的路，从来不是一场炫酷Demo的竞赛，而是一场工程系统的马拉松。

相比构建超大模型、堆参数、调奖励函数，身处“大模型+端到端学习”的热潮之下，更重要的是谁在解决真实问题、谁在把机器人真正落地到工厂、医院、仓库！这个观点的背后，强调的是具身智能的发展，不能忽略以下几个关键的技术路径和基础设施：

工程本体优先级：没有稳定硬件，一切学习都是空谈

当今很多具身智能研究还停留在“L0阶段”，连本体形态都尚未稳定。

以人形机器人马拉松为例：多数机器人连完整跑完一场比赛都做不到，还谈何高级智能？这背后凸显出一个长期被低估的事实：

没有一个稳定、耐用、可控的机器人本体，AI系统根本没法部署，更不用谈具身智能。

▲图6｜机器人马拉松中，由于机器人的硬件发热问题，工作人员不得不时刻给机器人喷涂冷却液降温，才能够保证机器人继续完赛©️【深蓝具身智能】编译

因此，这个观点背后的具身智能实现路径可以总结为：

机器人本体结构优化是当下关键任务，尤其在人形机器人中，如何解决电机发热、结构松动、动态稳定性等问题，决定了智能系统的“可执行性”。

技术上涉及的包括：高扭矩电机控制、刚柔混合关节设计、低延迟传动系统、能量回收机制等。

“如果将具身智能比作‘智能建筑’，那么：不懂混凝土配比的建筑师，只会画空中楼阁”。

这句话本质在讲：具身智能的“body”，决定了它的“mind”能不能落地。

模块化控制与模型驱动：系统稳定性的保障机制

现在很多机器人公司真正投入使用的解决方案，其实大多依赖model-based架构，也就是明确建模、物理可解释、反馈可控的系统。这背后的技术路径和具身智能的实现方向实际上涵盖着：

• 模型驱动方法更稳定、更可控、更容易调试。比如：用动力学模型+PID控制的方式控制夹爪，不依赖训练数据即可获得确定性动作。

• 在数据稀缺、高稳定性要求的场景（比如汽车线束整理、精密封装），端到端方法泛化性差，难以部署。

对应的技术路径包括：

• 基于物理的控制模型（MPPI、MPC、CEM 等）

• 系统辨识与反馈线性化（feedback linearization）

• 软硬件协同控制架构（例如 ROS + 控制器侧加速）

▲图7｜通过高效的模块化控制和驱动，多个无人机能够完美配合实现对于复杂建筑物的表面扫描与重建©️【深蓝具身智能】编译

但这条技术路径下，并不意味着全盘否定 learning，而是强调：

“如果不能解释一个模型的行为，它就难以用于工程。”

从工程视角出发，这是一种模块化设计主张——感知、控制、决策、规划各自独立调试，再逐步集成。也是一种“低风险、强稳定”的智能构建方式，特别适用于当前尚未收敛的具身系统。

观点总结

观点B提供了一条以工程落地为起点、以系统建模为抓手、以跨学科协作为支撑的具身智能路径。

它没有排斥学习，而是强调学习系统需要“载体”——如果没有能稳定执行的机器人平台，再强的智能也只能停留在纸面上。这一路径的核心在于让具身智能真正实现 “有用、可用、能用”，而非与 AI 发展方向形成对立。

从具身智能实现方向来看：

一个强调从“感知-反馈”的闭环出发，让智能体真正“动手”理解世界；

另一个则提醒我们，别忽视那些看起来“不够性感”的工程细节，真正推动具身智能落地的，往往是结构、电机、控制这些基础能力。

但从技术路径来看，也指向了具身智能发展的两个维度：

一个是向内扎根，把身体做得稳、执行得准、系统能跑起来；

另一个是向外生长，让智能体能看、能听、能学，能自己理解任务目标。

一个是地基，一个是屋顶。前者没有，后者搭不起来；后者缺位，前者也只能永远是毛坯房。

具身智能的未来既不靠天才横空出世，也不靠模型参数飙升，而是要在“算法”与“螺丝钉”之间找到平衡。

把抽象的智能落在一块真实的金属板上，让它真的动起来，做事、犯错、学会，然后再做得更好一点。

这是一条很难的路，但好在，已经有越来越多的人，愿意认真走下去了。