本文深入探讨了大模型驱动的具身智能这一交叉领域，它融合了人工智能、机器人学和认知科学。核心在于如何利用大模型的感知、推理和逻辑思维能力，来提升现有具身智能框架（如模仿学习、强化学习）的数据效率和泛化能力。文章指出，随着大模型和具身智能技术的不断发展，二者的结合有望成为人工智能发展的新突破口，尤其是在实体机器人领域。文章系统地回顾了大模型和具身智能的技术背景，分析了大模型赋能具身智能的五种范式，并展望了该领域面临的挑战与未来发展方向。

🤖 大模型驱动的具身智能是人工智能、机器人学和认知科学的交叉领域，旨在将大模型的强大能力与具身智能相结合，从而提升数据效率和泛化能力。

🗺️ 文章将现有研究分为五类范式：大模型驱动的环境感知、任务规划、基础策略、奖励函数和数据生成。这些范式展示了大模型在具身智能中的多样化应用。

🚀 大模型与具身智能的结合被视为人工智能领域的一个重要突破口，有望推动实体机器人的发展，并为国家人工智能发展战略做出贡献。

　　大模型驱动的具身智能是涵盖人工智能、机器人学和认知科学的交叉领域, 重点研究如何将大模型的感知、推理和逻辑思维能力与具身智能相结合, 提升现有模仿学习、强化学习、模型预测控制等具身智能框架的数据效率和泛化能力. 近年来, 随着大模型能力的不断提升, 以及具身智能中示教数据、仿真平台、任务集合的不断完善, 大模型和具身智能的结合将成为人工智能的下一个浪潮,有望成为人工智能迈向实体机器人的重要突破口. 本文围绕大模型驱动的具身智能这一研究领域, 从3 个方面进行了系统的调研、分析和展望. 首先, 回顾了大模型和具身智能的相关技术背景, 以及具身智能现有的学习框架. 其次, 按照大模型赋能具身智能的方式, 将现有研究分为大模型驱动的环境感知、大模型驱动的任务规划、大模型驱动的基础策略、大模型驱动的奖励函数、大模型驱动的数据生成等 5 类范式. 最后, 总结了大模型驱动的具身智能中存在的挑战, 对可行的技术路线进行展望, 为相关研究人员提供参考, 进一步推动国家人工智能发展战略. 　　关键词 具身智能, 大模型, 环境感知, 任务规划, 基础策略