具身智能指令到底指什么？

具身智能指令是一套从模糊人类意图到精确空间指代、再到可执行动作序列的跨层级执行协议，难点在于语义到动作的翻译不断链。ZDTaichu5.0-9B 主打轻参数重空间，Qwen-Robot 提供套件化链路，PhysBrain 1.0 补物理常识。判断系统强弱，看三层之间丢不丢信息。

具身智能指令，说白了不是一句”把桌上的杯子拿给我”那么简单，它是一套把自然语言、空间坐标、动作序列、物理约束打包在一起的执行协议——模型听懂只是第一步，真正难的是让指令落到物理世界里还能被拆成可执行的动作。所以讨论”指令指什么”，本质上是在讨论从语义到动作的那一段翻译由谁来做、做得多细。

先拆一层：具身智能指令的三个层级

和纯软件的 prompt 不同，具身场景里的指令通常要经过三次降维，每一层丢的信息都不一样：

• 任务级指令：人类语言描述的目标，比如”整理一下桌面”。它天然模糊，缺主语、缺顺序、缺成功判据。
• 空间级指令：把目标绑定到具体物体和位置关系上，需要模型理解”左边””上面””那个红色的”到底指哪块像素、哪个三维坐标。
• 动作级指令：最终变成关节角度、末端轨迹、抓取力度、时序节拍。这一层才是机器人真正执行的东西。

所以判断一个具身系统的指令能力强不强，看的不是它能不能接住一句话，而是它能不能把这三层接得不断链。空间推理往往是断链最频繁的地方，这也是为什么现在很多模型把”重空间”当成核心卖点。

指令能力的关键，是模型怎么理解”物理世界”

拿紫东太初的 ZDTaichu5.0-9B 举例，它的定位是”轻参数、重空间”的通用多模态模型，面向物理世界做多模态大脑。9B 这个量级本身就说明一件事：具身指令不一定要靠超大模型硬扛，参数小但空间理解扎实，反而更适合塞进机器人本体侧做实时推理。它评测里被反复提的点就是机器人空间推理——也就是上面说的第二层。

阿里的 Qwen-Robot 走的是另一条路，它是一整套面向物理世界智能的具身基础模型套件，从 Chat2Robot 这种零门槛体验，到百炼 API 接入都覆盖了。套件化的意义在于：指令的解析、规划、执行被拆成可组合的模块，开发者不用从零搭一条链路。对刚上手具身指令的人来说，Chat2Robot 这种”聊天式下发”是理解指令分层最直观的入口。

再往底层看，指令要落地，前提是模型真的”懂物理”。PhysBrain 1.0 是深度机智发布的具身通用模型，主打的是以人类学习范式构建——这条思路和纯数据堆叠不同，它关心的是机器人怎么像人一样建立对物理世界的常识，比如推一下物体会倒、软的抓不住要托底。这类常识恰恰是指令里最容易被省略、也最容易让执行翻车的部分。

指令的上游：世界模型和 3D 生成在补什么

指令要执行，得先有个”世界”可参照。这块有两类产品在做事：

• Odyssey 2 Max 世界模型：通用世界模型，和传统视频生成模型不同，它强调的是从”识别”走向”理解”物理世界，物理仿真性能相比前代有提升。对指令系统来说，世界模型提供的是”如果我这么做，接下来会发生什么”的预演能力。
• 字节跳动火山引擎 Seed3D 2.0：新一代 3D 生成大模型，几何和纹理都做到了 SOTA 级别，定位从”可用”跨到”生产可用”。具身指令里的空间指代，很多时候需要一个可交互的三维场景做锚点，3D 生成就是补这块的。

顺带说一句，同属字节 Seed 团队的 Seedance 2.5 是视频生成模型，虽然不直接做机器人控制，但它对时序和物理合理性的建模思路，和具身指令里”动作序列要连贯”的诉求是相通的。

工业场景里，指令被”本体”约束得更死

消费级机器人可以容忍指令模糊，工业场景不行。AInnoGC 工业本体智能体平台 是创新奇智发布的全栈式工业本体智能体平台，它的思路是用本体（Ontology）把行业知识结构化，推动制造业从”感知”走向”认知行动”。放到指令这个话题里，它的价值是：工业指令不能靠模型自由发挥，必须被本体约束在安全、可解释的范围内。

硬件侧，高德四足机器人 是高德具身业务部推出的首款具身智能硬件产品，定位不是家用消费市场，而是商用机器人解决方案。硬件形态决定了指令集的边界——四足能去的地方、能做的动作，本身就框定了上层指令的设计空间。

支撑指令的”外围”：开发平台、交互层和 Agent 底座

指令不是孤立存在的，它需要一整套配套：

• 涂鸦智能：全球领先的 AI 云平台服务提供商，从早期的 IoT 连接器转型而来，主打”将 AI 应用于生活”。做 AI 硬件开发时，它承担的是设备连接和云端能力这一层。
• OpenAI Calm Tech：OpenAI 与乔纳森·艾维合作推出的硬件设备，方向是重塑智能家居交互体验、告别数字焦虑。它代表的是另一种指令哲学——不是让用户下更精确的指令，而是让设备更少地打扰人。
• Convai：对话式 AI API，覆盖语音识别、语言理解和生成、文本转语音，常用于游戏和语音应用。语音是指令最自然的入口，这类 API 解决的是”说得出、听得准”。
• MiniMax M2.7：新一代 Agent 旗舰大模型，主打性能接近头部闭源模型但成本大幅降低。具身指令里负责规划和推理的那部分，往往就是靠这类 Agent 模型扛的。

一张表看清：不同产品在指令链路上的位置

所以，回到最初的问题

具身智能指令指的是一套跨层级的执行协议：上层是模糊的人类意图，中层是精确的空间指代，下层是可执行的动作序列，中间还夹着物理常识、安全约束和实时性要求。判断一个系统行不行，看它在这三层之间丢不丢信息。

现在行业里的分工也很清楚——有的做空间理解（ZDTaichu5.0-9B），有的做套件化链路（Qwen-Robot），有的补物理常识（PhysBrain 1.0），有的提供世界预演（Odyssey 2 Max），有的解决三维锚点（Seed3D 2.0），有的把指令锁进工业本体（AInnoGC），还有的负责硬件落地（高德四足机器人）和交互入口（Convai、Calm Tech）。至于收费和具体接入方式，各家差异较大，建议以官网为准。

相关问题

1. 具身智能指令和普通 prompt 最大的区别是什么？
   普通 prompt 只要模型输出文本，具身指令必须落到物理动作上，多了空间绑定和物理约束两层，容错率也低得多。
2. 为什么小参数模型也能做具身指令？
   因为具身场景更看重空间推理和实时性，而不是全领域知识。像 ZDTaichu5.0-9B 这种”轻参数、重空间”的定位就是为此设计的。
3. 世界模型在指令系统里到底干嘛用？
   提供”做了会怎样”的预演，让指令在执行前能被验证，Odyssey 2 Max 这类模型补的就是这块。
4. 工业场景的指令为什么不能直接套用通用方案？
   工业对安全性和可解释性要求极高，需要像 AInnoGC 那样用本体把指令约束在可控范围内。
5. 语音是指令的最终形态吗？
   语音是最自然的入口，Convai 这类 API 解决的是听说问题，但指令的难点仍在语义到动作的翻译上。

参考链接

• ZDTaichu5.0-9B ↗
• Qwen-Robot ↗
• Seedance 2.5
• Odyssey 2 Max世界模型 ↗
• 涂鸦智能 ↗
• 高德四足机器人 ↗
• OpenAI Calm Tech ↗
• Convai ↗
• PhysBrain 1.0 ↗
• MiniMax M2.7 ↗
• 具身智能