具身智能的未来演化方向与路径展望

doi:10.12267/j.issn.2096-5931.2026.09.005

信息通信技术与政策 ›› 2026, Vol. 52 ›› Issue (9): 38-44.doi: 10.12267/j.issn.2096-5931.2026.09.005

专题:通信-计算-控制融合创新发展上一篇下一篇

具身智能的未来演化方向与路径展望

Evolution directions and development pathways of embodied artificial intelligence

张文静, 晁军显, 吴紫涧, 程宝平

中移(杭州)信息技术有限公司, 杭州 310000

收稿日期:2026-08-26 出版日期:2026-09-25 发布日期:2026-09-30
通讯作者: 晁军显
作者简介:
张文静,中移(杭州)信息技术有限公司具身智能产品部前沿技术研究人员,主要从事具身智能相关领域研究工作及科技创新工作；
吴紫涧,中移(杭州)信息技术有限公司具身智能产品部前沿技术研究人员,高级工程师,上海市科技扬帆英才,主要从事具身智能相关领域研究工作及科技创新工作；
程宝平,中移(杭州)信息技术有限公司具身智能产品部总经理,正高级工程师,主要从事家庭机器人、多媒体智能通信、视觉物联网等领域的关键技术研究

ZHANG Wenjing, CHAO Junxian, WU Zijian, CHENG Baoping

China Mobile (Hangzhou) Information Technology Co., Ltd., Hangzhou 310000, China

Received:2026-08-26 Online:2026-09-25 Published:2026-09-30
Contact: CHAO Junxian

摘要/Abstract

摘要：

随着人工智能与机器人技术深度融合,具身智能正由单体化、封闭式任务执行向开放环境下的自主协同与持续演进发展。围绕具身智能未来演化方向开展前瞻性分析,指出异构化、强泛化、协同智能化是其重要演化路径。并据此提出由具身智能体、近源智能体、云端智能体和智能体互联网四部分组成的系统演进架构,为具身智能向规模化、协同化和网络化发展提供路径参考。

关键词: 具身智能, 机器人, 智能体, 分布式协同

Abstract:

With the deep integration of artificial intelligence (AI) and robotics, embodied AI is evolving from monolithic and closed task execution toward autonomous collaboration and continuous evolution in real dynamic environments. This paper provides an analysis of the future evolution of embodied AI, identifying heterogeneity, generalization, and distributed collaboration as key evolutionary paths. Based on these insights, this paper proposes a systematic evolution architecture comprising embodied agents, near-source agents, cloud agents, and the internet of agents, providing a reference for the scalable, collaborative, and networked development of embodied AI.

Key words: embodied artificial intelligence, robotics, agent, distributed collaboration

中图分类号:

TP242
TP18

张文静, 晁军显, 吴紫涧, 程宝平. 具身智能的未来演化方向与路径展望[J]. 信息通信技术与政策, 2026, 52(9): 38-44.

ZHANG Wenjing, CHAO Junxian, WU Zijian, CHENG Baoping. Evolution directions and development pathways of embodied artificial intelligence[J]. Information and Communications Technology and Policy, 2026, 52(9): 38-44.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2026.09.005

http://ictp.caict.ac.cn/CN/Y2026/V52/I9/38

对比维度	能耗/J	算力/GOPS	算法	数据量/KB/s	用时/s	成功率
机器人	50	100 000	>10种(感知、识别、规划、运控等)	102 400	10	约50%(需大样本仿真训练,鲁棒性差)
自然人	0.1	20(等效)	脊髓反射+小脑自动校准	10	1	约100%(且具备容错性)
结论	机器人的能耗是自然人的500倍	机器人所需算力是自然人的5 000倍	机器人依赖大量复杂算法	数据量是自然人的10 000倍	机器人的用时是自然人的10倍	机器人的成功率低且鲁棒性较差

对比维度	能耗/J	算力/GOPS	算法	数据量/KB/s	用时/s	成功率
机器人	50	100 000	>10种(感知、识别、规划、运控等)	102 400	10	约50%(需大样本仿真训练,鲁棒性差)
自然人	0.1	20(等效)	脊髓反射+小脑自动校准	10	1	约100%(且具备容错性)
结论	机器人的能耗是自然人的500倍	机器人所需算力是自然人的5 000倍	机器人依赖大量复杂算法	数据量是自然人的10 000倍	机器人的用时是自然人的10倍	机器人的成功率低且鲁棒性较差

场景	应用类别	反应时延 /ms	数据规模 /MB/s	网络需求 /Mbit/s	算力需求 /TOPS	说明
行走与奔跑	快反应类	1~10	1~10	1~10	10~50	高实时性要求,用于运动学计算和平衡控制
目标追踪	快反应类	10~100	10~100	10~100	5~30	实时目标检测(如YOLO)和追踪算法(如DeepSORT)需要较高算力
语音识别	狭义AI类	100~500	1~10	110	2~15	实时处理语音数据,运行语音识别模型
儿童陪伴	狭义AI类	100~500	10~50	10~50	5~100	处理语音和图像数据,运行交互算法(如语音识别、情感识别)
自适应行为学习	慢思考类	500~2 000	100~1 024	10~100	50~275	处理大量历史数据,运行机器学习模型(如强化学习、深度学习、创造创新、推理、自我意识)
通用AI	慢思考类	10~500	1 024~ 10 240	100~ 10 240	100~1 000	实时处理多模态数据(如视觉、语音、文本),运行复杂的AI模型和决策算法,具备类似人类的智能水平,能够处理多种复杂任务并适应动态环境

场景	应用类别	反应时延 /ms	数据规模 /MB/s	网络需求 /Mbit/s	算力需求 /TOPS	说明
行走与奔跑	快反应类	1~10	1~10	1~10	10~50	高实时性要求,用于运动学计算和平衡控制
目标追踪	快反应类	10~100	10~100	10~100	5~30	实时目标检测(如YOLO)和追踪算法(如DeepSORT)需要较高算力
语音识别	狭义AI类	100~500	1~10	110	2~15	实时处理语音数据,运行语音识别模型
儿童陪伴	狭义AI类	100~500	10~50	10~50	5~100	处理语音和图像数据,运行交互算法(如语音识别、情感识别)
自适应行为学习	慢思考类	500~2 000	100~1 024	10~100	50~275	处理大量历史数据,运行机器学习模型(如强化学习、深度学习、创造创新、推理、自我意识)
通用AI	慢思考类	10~500	1 024~ 10 240	100~ 10 240	100~1 000	实时处理多模态数据(如视觉、语音、文本),运行复杂的AI模型和决策算法,具备类似人类的智能水平,能够处理多种复杂任务并适应动态环境

[1]	梅傲然, 王健华, 张华祥, 等. 大语言模型在机器人任务规划中的应用与展望[J]. 复旦学报(自然科学版), 2026, 65(3): 345-364.
[2]	Xu Z, Wu K, Wen J, et al. A survey on robotics with foundation models: toward embodied AI[PP/OL]. arXiv(2024-02-04)[2026-08-20]. https://arxiv.org/abs/2402.02385.
[3]	Wei P, Feng W, Chen Y, et al. Robot-oriented 6G satellite-UAV networks: Requirements, paradigm shifts, and case studies[J]. China Communications, 2024, 21(2): 74-84. doi: 10.23919/JCC.fa.2023-0635.202402
[4]	胡梅, 朱学涵, 高宏玲. 具身智能机器人产业发展前瞻及建议[J]. 机器人产业, 2026 (3): 24-30.
[5]	王耀南. 具身智能与机器人技术应用及展望[J]. 中国工业和信息化, 2026 (6): 38-41.
[6]	徐俊, 郭喆晨, 王凯龙, 等. 具身智能机器人技术演进与未来展望[J/OL]. 西安交通大学学报, 2026-07-14. https://link.cnki.net/urlid/61.1069.T.20260714.1048.002.

具身智能的未来演化方向与路径展望

Evolution directions and development pathways of embodied artificial intelligence

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 6

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王燕敏, 冯伟, 董超, 任保全, 段向阳. 面向6G无人作业的“感-传-算-控”闭环:模型、度量与网络设计^*[J]. 信息通信技术与政策, 2026, 52(9): 2-8.
[2]	刘光毅, 贺智敏, 王新尧, 蔡青, 王凯悦, 陈天骄, 金婧. 6G通信-计算-智能融合赋能具身智能应用[J]. 信息通信技术与政策, 2026, 52(9): 29-37.
[3]	刘军, 董霁, 王威. 基于风险管控视角的终端智能体安全防护与治理路径研究[J]. 信息通信技术与政策, 2026, 52(8): 18-22.
[4]	吴寒冰, 冯艺卓. 智能体互联场景中的用户授权机制与身份伪造风险研究[J]. 信息通信技术与政策, 2026, 52(8): 2-10.
[5]	韩涵, 王景尧, 常天恩. 基于大模型驱动的新型智能体安全软件测试方案研究[J]. 信息通信技术与政策, 2026, 52(8): 74-81.
[6]	徐明. 低空“一网统飞”平台跨域数据安全治理综述[J]. 信息通信技术与政策, 2026, 52(6): 70-78.
[7]	张博钧, 冯志芳, 徐雯祯, 李文卓. 全球视角下具身智能高质量数据集政策法规与标准研究[J]. 信息通信技术与政策, 2026, 52(5): 69-74.
[8]	王施霁, 王立文, 张岩, 曹畅, 王润岩, 何万县, 裴培. 面向应用级算力业务的服务语义路由技术[J]. 信息通信技术与政策, 2026, 52(5): 80-88.
[9]	程莹, 刘志鹏, 张萌. 终端智能体发展路径、潜在影响与治理对策研究[J]. 信息通信技术与政策, 2026, 52(3): 2-7.
[10]	任海英, 张雨, 王丹, 李自刚, 吴荻. 面向远程骨科手术机器人的通信与业务协同测试评估体系研究^*[J]. 信息通信技术与政策, 2026, 52(3): 74-80.
[11]	杨蕾, 王峰, 张鑫, 林军. 大模型时代智能终端与互联网服务的生态博弈与协同模式对比[J]. 信息通信技术与政策, 2026, 52(3): 8-13.
[12]	李腾达, 朱紫钰, 韩子奇. “人工智能+”赋能具身智能机器人新形态及关键技术应用[J]. 信息通信技术与政策, 2025, 51(8): 15-25.
[13]	王尧, 郭凌超, 王晨, 董颖璇, 姜文天. 人形机器人技术与标准体系研究[J]. 信息通信技术与政策, 2025, 51(4): 86-90.
[14]	刘高峰, 姜约瀚, 张育雄. 人工智能赋能数字孪生城市高水平发展和高质量建设[J]. 信息通信技术与政策, 2025, 51(3): 74-82.
[15]	辛星, 武骏, 王海燕, 张洋, 郭薇. 人工智能赋能电信用户投诉的应用场景及趋势研究[J]. 信息通信技术与政策, 2025, 51(12): 57-62.