两会看科技：屏幕里的AI，终于拥有了“身体”

2026年03月17日来源:科普中国作者:小青科普创作者

最近，在巴塞罗那世界移动通信大会上，一款机器人手机技惊四座：手机顶部悄然伸出个摄像头，跟随用户指令灵活转动、点头示意。智能手机发展至今，我们见证了运算速度的提升、机身厚度的压缩、影像能力的飞跃，但还是第一次见到手机长出“手脚”动起来。本该在手里为你“服务”的AI，突破了屏幕的边界，从会聊天的“数字助手”，进化为有“身体”、会“干活儿”、能够“适应”真实场景的智能实体。

2023 年以来，大模型技术爆发让 AI 具备了强大的语言理解和生成能力，但人们意识到一个问题：AI 在屏幕里能够对话、解答和生成内容，却不能在现实场景里完成具体的任务，例如当我们想要AI协助完成拍摄、跟拍、视角调整、场景交互这类任务时，手机里的AI往往“爱莫能助”。这种需求催生了机器人手机。

智能手机的“进化”可不是单一技术的突破，而是多项技术体系的协同成果，像具身智能、端侧大模型、AI 智能体和端云协同，技术合力让AI从虚拟跨越到现实。

01 具身智能：给 AI 赋予“身体”与“感官”

具身智能系统赋予 AI 感知环境和执行动作的能力，形成“感知—决策—执行”的完整闭环。

感知，就像我们靠眼睛看、耳朵听、身体感知周围环境一样，机器人手机的感知层就是AI的“五官和触觉”。它能通过手机的摄像头、传感器、麦克风，实时“看到”周围的环境、“听到”语音指令；同时还能联动智能手表、耳机等穿戴设备，同步“感知”用户的实时状态。

决策，如果说感知层是“收集信息的感官”，那决策层就是“处理信息、下达指令的大脑中枢”。机器人手机能依靠手机本地的端侧大模型，快速处理感知层收集到的所有信息：解析我们的真实意图，比如“帮我拍视频”不是简单打开相机，而是要调整角度跟拍，规划并完成任务的每一步，甚至能进行初步的情感判断，比如通过我们的语音语调和生理体征数据（如心率），判断出用户是开心、疲惫还是烦躁。

执行，决策层下达指令后，就需要执行层来“动手落实”，这就相当于AI的“手脚”了。机器人手机的机械臂云台能当“手”用，依托4DoF（四自由度）让“手”动起来，把指令转化为精准、流畅的动作，如旋转跟拍、点头回应、俯仰调整拍摄角度等。

02 端侧大模型：为AI构建本地化“大脑”

有了可以活动的“身体”，AI还需要反应更快、更安全可靠的“大脑——以前的手机，“大脑”不在自己身上，而是在远方的云端服务器里；端侧大模型之所以被叫作“本地化大脑”。比如，让手机在本地具备了强大的理解和决策能力，可以独立完成大部分任务，仅在必要时协同云端。这个“大脑”不需要联网、也不用把数据传到外面，就能让手机在本地独立完成思考、判断和任务规划，反应更快、更稳定，也更能保护隐私。对于新一代智能手机来说，这个本地化大脑尤其关键：只有它才能做到实时控制、快速响应、自主服务，让手机真正像智能机器人一样工作。

03 AI智能体：给AI 注入“主动服务”的灵魂

有了“身体”（机械臂执行）和“大脑”（端侧大模型），AI 还需要具备主动思考、主动服务、主动完成任务的能力，这正是 AI 智能体的核心价值：AI不仅能解决问题，还能感知并理解你的情绪与需求，提供更有温度的服务。

AI智能体的真正进步，在于它不再只是被动执行简单指令，而是能够理解我们模糊、复杂、生活化的真实需求。最典型的就是家庭拍摄场景：

以前：聚会拍视频，拿手机拍摄的人，一般不容易出现在画面里，就算自拍杆“助攻”，也束手束脚。

现在：它可以化身为摄像师，通过视觉自动识别、跟踪家人的位置和动作，自主调整角度、自动构图、保持画面稳定。全程不用你动手操控，就能把在场的每个人记录下来。

同时，手机作为未来生活的智能中枢，智能体还能实现多设备协同：比如会议时语音实时转写成文字、文件在手机、电脑、平板之间自动同步，不用来回切换 APP、不用重复操作，大幅提升效率。

AI智能体还会“记住”你的偏好、习惯和日常节奏，你越用AI越懂你，提供越来越贴合个人的贴心服务。它还能联动智能手表、手环等穿戴设备，实时感知心率、活动状态等信息，结合当前场景主动提醒、推荐合适内容，让智能服务在不知不觉中就完成。

不过，要让这个拥有‘身体’和‘灵魂’的AI持续进化，应对无限复杂的现实世界，它还需要一个更强大的‘外脑’来支撑。

04 端边云协同：给 AI 搭建“高效神经系统”

既然 AI 的“大脑”已经部署在手机端，是否还需要云端和其他设备的参与？实际上，新一代智能手机之所以能实现流畅的智能体验，恰恰依赖于“端—边—云”三者协同的分布式架构：端负责“马上做”，边负责“就近管”，云负责“学得强”。

（1）端（手机、智能手表等）

主要负责实时感知、即时反馈和隐私敏感任务。优势是超低延迟、数据不出设备，保障用户隐私。