具身AI既指一个研究计划，该计划构建具有物理或模拟身体并置于环境中的智能系统，也指更广泛的论点，即真正的智能无法仅通过处理无实体的文本或图像的系统完全实现，甚至可能无法被正确理解，因为智能的许多用途、、预测、规划和因果理解、、被认为依赖于在物理世界中的行动和接收反馈。这一思想借鉴了认知科学和机器人学的早期工作，包括罗德尼·布鲁克斯在1990年代提出的论点，即智能行为可以从智能体与其环境的直接感觉运动交互中涌现，而非仅依赖内部符号表征；并且随着大型语言模型系统展示了流畅的语言使用而无需任何物理经验的基础，这一思想重新获得了关注。
具身论题
具身AI的支持者认为，纯文本训练的模型存在接地问题：它们操作符号，其意义仅由与训练数据中其他符号的关系定义，而非与感官体验或物理后果的任何联系；一些研究人员认为，无论训练多少文本，这都限制了此类系统可靠推理物理因果、空间关系和现实世界约束的能力。这一批评呼应了关于大型语言模型是否真正理解语言或仅执行复杂模式匹配的更广泛辩论，详见随机鹦鹉批评一文，并已由包括扬·勒昆在内的研究人员突出提出，他认为仅语言训练是通向更通用智能的固有有限路径，并主张系统应从视频等感官数据中学习物理现实的预测性世界模型。
研究方向
具身AI研究涵盖从模拟到物理具身的广泛范围。模拟环境，包括游戏引擎和物理模拟器，使研究人员能够以远低于真实硬件的成本和风险训练和评估智能体在导航、物体操作和指令跟随任务上的表现，所得策略有时通过模拟到现实技术转移到物理机器人学平台。完全物理具身的工作位于具身AI与严格机器人学的交叉点，包括日益用于控制人形机器人平台和其他机器人的基于视觉语言模型和视觉语言动作系统。一些研究人员还将仅感知但不作用于物理世界的多模态AI系统，如处理视频或传感器流而无电机输出的模型，视为部分或中间形式的具身。
与世界模型和AGI的关系
具身AI与世界模型系统（即环境如何随时间演变的内部预测表征）的研究密切相关，因为必须在世界中行动的智能体受益于在采取行动前模拟其行动可能后果的能力。包括勒昆在内的一些研究人员已将具身和世界建模共同视为通向人工通用智能的任何路径的必要（尽管不充分）组成部分，这与将仅扩展文本大型语言模型训练作为通向更通用能力的主要途径的方法形成对比。这一分歧仍是关于AI进展在2020年代末可能如何展开的最具影响力的公开辩论之一，主要实验室同时追求两条路径，而非收敛于单一策略。