终于有空回复你，同行你好。
我认为具身智能是一场骗局，这口锅主要该由学界来背，而不是工业界。这个概念最初就是学界炒热的，但在工业界，“机器人” 不是什么新词。机器人学习本身不是骗局，但 “通用具身智能马上到来” 这个说法几乎一定是骗局。
我本科毕业于二本院校，现在在新疆大学读研，导师指导也不多。复现成果时，我常常陷入很深的自我怀疑，因为很多 Oral 级别的论文，都有贡献过窄，标题和传播范围过大的通病。高水平论文把很强的工程抽象做得看起来很简洁，再通过标题，摘要和传播，把它包装成通用具身智能。
落到产业上就更有意思了。我接触过的企业（以中小企业为主，大企业我也接触不到），号称做具身智能的机器人，本质上就是以前的 RTOS 加了个 LLM，做一些简单的 RAG 或基于规则的自然语言指令。很多家用机器人 Demo，靠的是人在回路的遥控操作。还记得 Figure AI 吗？他们在工厂里也只是用少量机器人做简单任务。评测标准和仿真颗粒度上，当前工业界更是一团乱麻，普遍缺少足够细粒度的物理信息，而这种精度恰恰是灵巧操作所必需的。还有马斯克的 Optimus，2024 年发布时，现场互动也在很大程度上依赖人工操作。
工业界在实践上领先学界，学界在理论上领先工业界，这是一个基本规律。但现在强如工业界也没有拿出跨时代的成果，强如学界也没有出现真正跨时代的理论，那拿这些成果去融资，这不就是炒概念吗？
你可能会提到 VLA，VLA 不算划时代的。它本质上只是把 “视觉识别、语言理解、动作生成” 这几个已有的进步，用一个端到端网络缝合到了一起。工程整合很漂亮，但底层范式还是没变，依然缺乏常识推理，物理直觉和可泛化的操作智能。但是这个范式不改变，很难说短期内一定会突破。
视觉识别在进步是真的，语言规划在进步是真的，模仿学习在进步也是真的。可这些东西加在一起，充其量只是 RTOS 的 Plus 版本，连具身智能概念的边都还没摸到。
