具身智能有哪些特点？
　　具身智能机器人需要以第一人称的身份融入周边环境
　　具身的含义不是身体本身，而是与环境交互以及在环境中做事的整体需求和功能。第三人称只能做到旁观式学习，而第一人称可以主动与现实世界互动，通过物理形态的互动中汲取新知识
　　具身智能需要高泛化性
　　具身智能机器人需要与复杂世界进行互动，因此决策控制系统需要高泛化性
　　当前机器人的感知、决策、控制系统由大量传统算法组合而成，如SLAM算法、路径规划算法等；而传统算法模型即使经历大量的训练，仍存在较多小概率场景（corner case）难以覆盖，泛化能力较低。
　　以特斯拉自动驾驶系统Copilot为例，2021年特斯拉辅助自动驾驶系统错误地把卡车的白色货厢识别成了天空，导致Model Y撞上货车发生车祸。纯白的货车停在十字路口属于小概率场景，自动驾驶算法由于没有经过同场景训练，所以无法生成对应决策。
　　具身智能需要思维链能力
　　具身智能需要拆解复杂任务以及根据环境变化不断调整自己的动作和任务目标，因此需要思维链能力
　　在现实世界中，机器人难以一次性完成整个复杂动作，因此需要将复杂动作拆解成多个简单步骤完成；此外，由于现实世界远比机器人训练场景复杂，机器人不是唯一客体，所以在任务过程中会受到各种干扰，环境也会不断变化；因此具身智能机器人需要较强的思维链能力。
　　以下图为例，向PaLM-E机器人发出任务指令：“把零食从抽屉中拿给我”，机器人将其拆解为5个步骤。在执行过程中，人类把机械臂抓取的零食打落回抽屉。搭载PaLM-E的机械臂仍能调整任务目标，完成任务。
　　风险提示
　　人形机器人仍处于技术突破的关键时期，若未来技术突破不及预期，人形机器人难以实现较强的智能化水平，产业发展或受阻。
　　人形机器人产业处于发展初期阶段，产品需求具备较高弹性。若未来人形机器人产品需求不及预期，产业发展或受阻