具身人工智能既指一个研究计划，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，也指一个更广泛的论点，即真正的智能无法完全实现，甚至可能无法被仅处理无实体文本或图像的系统正确理解，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以及从中获得反馈。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在没有物理经验基础的情况下展现出流畅的语言使用能力，这一思想重新获得了关注。
具身论点
具身人工智能的支持者认为，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来定义，而非通过与感官体验或物理后果的任何联系来定义，一些研究人员认为，无论模型接受多少文本训练，这都限制了此类系统在物理因果、空间关系和现实世界约束方面进行可靠推理的能力。这一批评呼应了关于大型语言模型是真正理解语言还是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，并已由包括杨立昆在内的研究人员突出提出，他认为仅靠语言训练是通向更通用智能的内在有限路径，并主张构建从视频等感官数据中学习物理现实预测性世界模型的系统。
研究方向
具身人工智能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，在导航、物体操作和指令跟随任务上训练和评估智能体，所得策略有时通过仿真到现实技术转移到物理机器人平台。完全物理具身的工作位于具身人工智能与严格机器人学的交叉点，包括基于视觉语言模型以及视觉语言动作的系统，这些系统越来越多地用于控制人形机器人平台和其他机器人。一些研究人员还将仅感知但不作用于物理世界的多模态人工智能系统，例如处理视频或传感器流而无电机输出的模型，视为一种部分或中间形式的具身。
与世界模型和通用人工智能的关系
具身人工智能与世界模型系统（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在采取行动前受益于能够模拟其行动的潜在后果。一些研究人员，包括杨立昆，已将具身和世界建模共同视为通向通用人工智能任何路径的必要但非充分组成部分，这与将仅扩展文本大型语言模型训练视为通向更通用能力的主要途径的方法形成对比。这一分歧仍然是关于人工智能进展在2020年代后期可能如何展开的最具影响力的公开辩论之一，各大实验室同时追求两条路径，而非收敛于单一策略。