当大模型在文本世界里对答如流，一旦让机器人去“倒一杯水”，它却可能把杯子碰翻、把水壶当成锤子。具身智能要真正走进物理世界，缺的不只是更强的模型，而是一套关于“世界如何运转”的常识。本文尝试梳理这一问题的核心难点与可能路径。

一、什么是“物理世界常识”

对人类而言，物理世界常识几乎是本能：杯子掉出桌沿会摔碎、装满水的容器倾斜会洒、推一个轻的物体会动、拉一根绷紧的绳子会传递力。这些判断不需要计算，也不需要显式推理。

对具身智能来说，物理世界常识至少包含几个层面：

物体属性：材质、重量、软硬、是否易碎、是否可抓握。

空间关系：上下、前后、遮挡、可通行区域、容器与内容物。

动力学直觉：推、拉、抛、滚、堆叠之后会发生什么。

因果与意图：动作会带来什么后果，人的行为背后可能想达成什么。

可供性（affordance）：一个物体能用来做什么，比如杯子可以盛水、也可以被推倒。

这些知识很难被完整写成规则，却又是机器人在开放环境中行动的前提。

二、为什么这件事很难

具身智能理解物理常识的困难主要来自几个方面：

数据稀缺。文本和图像数据可以大规模爬取，但真实物理交互数据需要机器人实际去碰、去推、去抓，采集成本高、速度慢。

仿真与现实的差距。仿真环境可以低成本生成交互数据，但摩擦、形变、接触等细节难以完全还原，策略迁移到真实世界时常常失效。

常识的隐性特征。人类很少把“杯子会碎”说出口，因此这类知识在语料中稀疏，模型难以从纯文本中学到。

长尾与开放环境。真实世界的物体和场景近乎无限，靠枚举无法覆盖。

多模态对齐。视觉、触觉、本体感觉、语言需要被统一到同一个表征空间，才能支撑“看到—理解—行动”的闭环。

三、可能的理解路径

围绕“如何让具身智能获得物理常识”，目前常见的技术思路可以归纳为几条：

多模态大模型作为先验。利用视觉语言模型（VLM）和 LLM 中已有的世界知识，为机器人提供物体识别、任务分解和高层规划能力。

交互式学习。让机器人在真实或仿真环境中反复试错，通过强化学习、模仿学习积累“做了会怎样”的经验。

世界模型。训练能够预测未来状态演变的模型，让智能体在“脑内”预演动作后果，再决定是否执行。

仿真到现实迁移。在仿真中大规模训练，再通过域随机化、系统辨识等手段迁移到真实硬件。

触觉与力觉反馈。仅靠视觉难以判断软硬、轻重、是否滑动，触觉传感是补齐物理常识的重要通道。

知识注入与结构化表示。把物体属性、物理规律以结构化形式引入模型，与数据驱动方法互补。

这些路径并非互斥，实际系统往往是多者结合。

结论

具身智能理解物理世界常识，本质上是要把“语言里的知识”和“身体里的经验”接起来。纯文本训练能提供语义先验，却给不了摩擦、重量和碰撞的直觉；纯交互学习能积累经验，却难以覆盖开放世界的长尾。

更现实的路线，可能是以多模态大模型为高层认知底座，以交互数据和世界模型为物理直觉来源，再通过触觉、力觉等传感通道补齐视觉看不到的部分。这条路仍然很长，但它决定了机器人能否从“演示视频里的表演者”，变成真正能在家庭、工厂和户外可靠干活的助手。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。