随着人工智能技术的飞速发展，具身智能（Embodied Artificial Intelligence，简称EAI）将人工智能融入机器人等物理实体，赋予它们感知、学习和与环境动态交互的能力。EAI作为AI领域的一个重要分支，正逐渐从实验室走向商业应用。而以ChatGPT为代表的“软件智能”（或称“离身智能”）使用大模型通过网页端、手机 APP 与用户进行交互，能够接受语音、文字、图片、视频的多种模态的用户指令，从而实现感知环境、规划、记忆以及工具调用，执行复杂的任务。

具身智能的三要素：本体、智能、环境。“本体”，即硬件载体；“智能”，即大模型、语音、图像、控制、导航等算法；“环境”，即本体所交互的物理世界。

一个具身智能体的行动可以分为“感知-决策-行动-反馈”四个步骤，分别由四个模块完成，并形成一个闭环。感知模块负责收集和处理信息，通过多种传感器感知和理解环境。在机器人上，常见的传感器有：摄像头、红外相机、激光雷达（LiDAR）、超声波传感器、压力传感器、麦克风等。

尽管人工智能和机器人技术取得了长足进步，但目前的机器人系统仍然缺乏对物理世界深入、直观的理解。虽然机器人可以执行某些任务或模仿人类行为的某些方面，但它们并不具备真正的类人理解能力。要解决这个问题，可以生成与虚拟环境的精确物理交互数据，并通过进化学习机制利用这些交互数据改进基础模型。