家庭环境是一个相对开放、不断变化的物理环境。同样一张桌子，今天放着水杯，明天可能放着水果、玩具或者药品；老人、小孩、宠物都会不断改变环境状态。
　　家庭是典型的非结构化环境，不固定的环境、不固定的任务、不固定的家庭成员习惯，正是它区别于标准化工业场景的本质。这意味着机器人在家庭中，面对的是一个时时变化的开放世界。
　　中国科学院自动化研究所研究员陈盈盈说，具身智能机器人在“非结构化开放世界”中的泛化能力不足，是其进入家庭场景最大的技术障碍。
　　这是一个简单的例子：“桌子边缘放着一个半满的玻璃杯，机器人不仅要识别‘这是杯子’，还应推断出它是易碎的、里面有液体、轻微碰撞就可能掉落。”
　　对机器人说“把桌上那杯水递给我”，它在语言层面完全能理解。但真要动手，它得知道什么是桌子和杯子，以及杯子在三维空间中的确切位置，该用多大的力握持杯子，水满时移动要平稳，递到人手里时要等对方握住才能松手。
　　“但这些都不是写在指令里，而是刻在物理世界的规律里。机器人能‘听懂’指令，但距离‘做到’，还需要它对三维空间、物理因果、动力学规律有深刻的‘理解’”。
　　目前，很多机器人通过训练已经能够认出一个杯子，但认出杯子和“理解什么是杯子、像人一样识别杯子”完全是两回事：“理解”是最核心的关键词。
　　“当前行业讨论最多的是模型、算法和参数规模，但机器人想要进入家庭，真正需要突破的，是像人一样理解物理世界、理解空间关系、理解事物共性的能力，这需要智能科学底层理论的突破。只有真正具有了‘理解能力’，像人类一样理解自己与整个物理世界之间的关系，机器人才能服务家庭真实需求，在复杂多变环境中应对各种挑战，乃至像人类一样使用传统工具来服务人类。”
　　“那么，人类是怎样理解真实世界的？图式理论（Schema Theory）中“理解”的定义，就是用头脑中已有的图式（结构、框架、认知程序）去解读一个事物。
　　“我们希望机器人能直接理解真实世界，这首先来源于它对传感信息的获取，以及参照人类认知过程，建构的与其外部世界的映射关系。其中，理解的核心是‘识别’，这种能力让机器人能够举一反三且区分更具体的差异。”
　　还是以“那杯水”为例。具有“理解”能力的具身智能，不需要通过认识一万个杯子，只要看到一个新杯子，就能知道它是杯子；在知道它们都是杯子的基础上，还能分辨出哪个是你的杯子，哪个是我的杯子。“机器人拥有了像人类一样的理解能力，就能理解空间关系、远近关系以及一些最基本的物理常识，例如物体为什么会掉落、为什么会反弹……而这些都是人类成长过程中天然具备的能力，也是机器人真正具备智能的重要基础。
“遗憾的是，到目前为止，我们还缺乏一个关于真实世界的动作模型，缺乏一个对时间、空间、物理规律乃至多模态、全模态进行理解、推理、规划、决策的模型。”智源研究院院长王仲远坦言，以语言为主导的基础模型，并不是高效编码三维空间、物理因果与动作信息的架构。（改编自 科技日报2026年7月2日）