實體 AI 與具身智慧差在哪裡？

實體 AI（亦常見稱為物理 AI，Physical AI）與具身智慧都研究智慧如何透過感知和行動介入真實世界，但兩個詞的焦點不同。實體 AI 常從可部署的完整系統出發，關心感測、推論、控制、硬體、安全與營運；具身智慧則更常用來討論身體、環境與學習如何共同塑造智慧。

兩者不是互斥分類，也不是完全同義。一台能觀察環境、規劃動作並靠回饋修正的機器人，可以同時被放進兩個脈絡；差別在於作者想回答的是「系統如何可靠運作」，還是「智慧如何從身體與互動中形成」。

閱讀文章或產品說明時，先看它描述的輸入、動作、身體與測試條件，不要只靠標籤判斷能力。

共同核心是感知—行動迴路

無論採用哪個詞，系統都要接收環境觀測，根據目標選擇動作，再讀取動作後的結果。相機看見物件、手臂伸向抓取點、力覺發現滑動並重新夾持，就是一個典型迴路。

只有感知而沒有行動，較接近場景理解；只有預先錄好的動作而不看結果，則缺少適應性。兩個概念真正重疊的地方，是身體與環境之間持續發生的回饋。

討論實體 AI 時，問題通常延伸到感測器是否校正、推論延遲是否可接受、控制器能否維持穩定，以及超出邊界時由誰讓設備停止。它可以包含學習模型，也包含傳統控制、安全電路、維護流程與人員分工。

因此，物流機器人、機器手臂、無人機、自駕設備和智慧製造系統都可能屬於實體 AI，不需要具有人形外觀。重點是系統會根據真實世界的觀測改變動作。

具身智慧關心的不只是模型腦中有什麼表示，也關心身體能做什麼、感測器能看到什麼，以及環境提供哪些互動機會。輪式底盤、雙臂機器人與無人機因為身體不同，能探索的狀態與學到的策略也不同。

NVIDIA 的 embodied AI 詞彙說明把感知、推理與實體行動放在同一脈絡；Ai2 的具身 AI 研究頁面則呈現以環境互動、代理與學習為核心的研究方向。來源採用的定義可能不同，引用時應保留其語境。

例如，機器手臂從示教中學會抓取，遇到新物件時利用視覺與力覺調整夾持。研究者可能用具身智慧解釋身體與互動如何產生策略；工程團隊則用實體 AI 描述感測、模型、控制與安全如何整合。兩種說法可以指向同一套設備。

相反地，範圍也可能只重疊一部分。研究中的虛擬代理可用來探討具身學習，卻尚未進入真實硬體；工廠中的自適應設備可能被歸為實體 AI，但核心控制仍以傳統方法為主。

模型能指出「杯子在盤子左邊」，不代表機器手臂已知道從哪個角度接近。語意位置還要轉成相機座標、機器座標、可達姿態與避障路徑。Google 的機器人空間推理文件示範了視覺語言輸出如何靠近機器人任務，但實際執行仍取決於硬體與控制。

這也是為什麼不能用單一模型分數代表整套系統。語意回答正確、抓取卻失敗時，問題可能在校正、幾何、控制或接觸，而不一定是語言理解。

具身的「身體」可以是輪式底盤、機器手臂、夾爪、無人機或虛擬代理；實體 AI 也涵蓋工業設備、物流系統與自動駕駛。若文章把兩個概念都縮成「人形機器人」，會漏掉大量已經存在的應用。

同樣地，安裝大型模型也不會自動讓設備成為成熟的實體 AI。完整能力仍要看觀測是否可靠、動作是否可執行、偏差能否復原，以及安全限制是否獨立運作。

若文章要分析控制延遲、安全責任、部署成本或整體技術堆疊，「實體 AI」通常較貼近問題；若要討論身體形態、感知—行動學習、代理如何在環境中形成能力，「具身智慧」較精準。涉及兩者時，直接說明交集比強迫二選一更清楚。

採購或技術評估則應跳過名詞競爭，列出感測器、模型輸入、動作介面、控制頻率、測試條件與失敗處理。這些欄位比宣傳頁採用哪個詞更能預測部署風險。

不是。它與機器人學高度重疊，但也常把基礎模型、邊緣運算、資料流程與營運管理放進同一個產業框架。

VLA 可以是具身系統的重要元件，但是否構成具身智慧，仍取決於它是否參與真實或模擬環境中的感知—行動互動，而不只是離線產生動作。

可以，但第一次出現時應說明本文的定義，之後保持一致。若來源本身採用不同用法，引用時也要保留來源語境。

這兩個詞都仍在演變，並沒有單一機構能替所有領域下永久定義。本文提供的是閱讀與評估框架，不是排他的分類標準。