具身智能，眼下是中国科技圈里最热的词之一。
资本在涌入，发布会在密集举行，人形机器人的视频在社交媒体上刷屏，流量和估值都在快速膨胀。中国信通院数据显示，2026年国内人形机器人市场规模预计将突破百亿元，工信部和国资委已联合发文，要求年底前完成百个以上高价值应用场景的落地验证。
热闹是真实的。但热闹背后的误解，同样真实。
7月2日，中国工程院院士、西安交通大学原校长郑南宁在浦东干部学院的一场演讲里，用相当直接的方式戳破了一个流行的混淆："人形机器人只是具身智能的一种载体，不是具身智能的全部。"
这句话，值得整个行业认真听进去。
AI到底在做什么，又做不到什么
中国工程院院士、西安交通大学人工智能与机器人研究所所长、人机混合增强智能全国重点实验室主任、西安交通大学原校长郑南宁 主办方供图
要理解郑南宁的判断，需要先搞清楚今天的人工智能究竟是什么。
他的解释没有绕弯子：当前主流AI的本质，是用海量数据训练一个高维概率函数，目标是对输入和输出之间的统计关系进行拟合。大语言模型最核心的训练任务极其简单，预测下一个词，但当数据规模足够大、模型参数足够多，这个简单目标会在训练过程中倒逼模型学习语法、语义、知识和推理结构，最终产生"涌现"，也就是模型突然表现出训练目标之外的复杂能力。
所以大模型看起来像在思考，不是因为它真正理解了世界，而是因为统计规律在足够大的规模下产生了类似理解的效果。
郑南宁用函数做比喻：AI不是记住了答案，而是学会了"输入到输出的复杂映射"。这个比喻准确，也揭示了局限所在。函数拟合的是已有数据的规律，遇到数据分布之外的情况，它就容易出错，这正是"大模型幻觉"的根源。
幻觉不只是偶尔说错一个数字，更深层的问题是模型缺乏对世界的结构化因果理解，语言生成由统计相关性驱动，而非由逻辑因果驱动。在单轮问答里，这个缺陷往往不显眼，但在需要多步规划、持续推理的复杂任务中，一个幻觉会像多米诺骨牌一样引发系统性误导。
这个判断在全球学界有相当广泛的共识。图灵奖得主杨立昆长期主张，单纯依赖语言预测的大模型路径不足以通向真正的通用智能，原因之一正是缺乏世界模型，也就是对物理因果关系的内在理解。郑南宁的分析，与这一判断在方向上高度一致。
真正的具身智能，在哪里落地
明白了这些局限，再来看具身智能的定义，就会清晰得多。
郑南宁的界定简洁而严格：具身智能要求系统能够与真实物理环境交互，在感知、决策、行为生成与环境反馈之间形成闭环，并通过这种闭环持续提升自身的智能水平，甚至改变系统自身的结构。
关键词是"闭环"和"真实环境"。演示视频里行走流畅的人形机器人，如果脱离了受控场景就无法正常运作，就不是真正意义上的具身智能，只是一个精巧的工程展示。
这个标准，把行业里大量的"演示型产品"从具身智能的范畴里排除出去了，听起来有点严苛，但其实正是行业真正需要的清醒。
更有启发性的是郑南宁给出的制造业落地路径。他描述了一个由三层能力构成的智能系统：第一层，将工艺参数纳入智能系统，持续识别生产过程中的改进空间；第二层，将产品最终技术指标输入系统，构建类似"检验工程师"角色的智能体，在生产过程中实时监督和调度；第三层，通过传感器和数字孪生技术，将物理生产状态完整映射到数字世界，实现全流程可视化和可干预。
这三层能力叠加，已经可以显著提升生产效率并降低故障率。更重要的是，产品进入市场后的运维数据还可以回溯到设计和制造环节，形成从使用到改进的完整闭环，这是广义上最典型的具身智能形态，而它的载体，不是人形机器人，是整个生产系统。
这个视角，对当前人形机器人热潮的投资者和从业者都有相当的参考价值。2026年国内人形机器人量产规模可期，但真正的竞争护城河，不会在形态上，而会在能否真正解决真实场景中的真实问题上。外壳可以复制，闭环能力不能。
九鼎配资提示：文章来自网络，不代表本站观点。
