家电的“具身+AI”演进，第一跳是感知能力的升维。传统语音交互解决的是“听得懂”——通过麦克风阵列拾音、自动语音识别（ASR）和自然语言理解，设备能把人的指令转化为控制动作。这一层技术路线已经相对成熟，主流设备的唤醒率和指令识别准确率在常规家庭环境中普遍超过95%（行业公开测试数据）。
但语音只能描述意图，无法感知物理世界的状态。“看得懂”要求设备具备视觉感知与场景理解能力。RGB-D摄像头、双目视觉、毫米波雷达等传感器进入家电后，设备开始识别物体类别、位置关系、遮挡情况，并结合视觉语言模型（VLM）形成对“当前发生了什么”的判断。比如，扫地机器人从仅靠碰撞传感器避障，升级为识别数据线、宠物粪便、拖鞋等障碍物类型，再根据语义决定“绕行、暂停还是上报”。
| 能力层级 | 核心传感器 | 典型技术 | 成熟度 |
|---|---|---|---|
| 听得懂 | 麦克风阵列 | ASR、NLU、远场唤醒 | 高 |
| 看得懂 | RGB-D摄像头、激光雷达 | 目标检测、语义分割、VLM | 中（快速提升） |
| 做得到 | 机械臂、灵巧手、移动底盘 | 模仿学习、强化学习、Sim2Real | 低（实验室为主） |
从语音到视觉，本质是设备从“被动响应指令”转向“主动理解场景”。这一跃迁依赖多模态大模型把图像、深度、语音等信号对齐到统一的语义空间，使家电不仅能识别“杯子”，还能理解“杯子在桌沿、可能掉落”。
真正难的是第三跳——把“看到了什么”转化为“完成什么动作”。具身执行要求家电具备移动能力、操作能力和力控反馈。洗碗机把碗放入、衣柜把衣服叠好、冰箱把过期食材取出，这些动作背后是机械臂自由度、末端执行器设计、路径规划与接触力控制的综合考验。
学术场景中，机械臂抓取已知物体成功率常被报告在80%—95%区间（公开论文数据），但迁移到家庭场景，面对反光、形变、遮挡和未知物体时，成功率会明显下降。家电公司更倾向于从“垂直任务”切入：让洗碗机只负责可预测的碗碟分区，让扫地机器人只负责地面障碍识别，而不是追求一个通用机器人替代所有家务。
这里有一个容易混淆的点：具身智能不等于简单的自动化。传统洗衣机按设定程序执行，不需要理解衣物材质、颜色；而具身家电需要根据感知结果动态调整动作序列，涉及实时规划与反馈。这个区别决定了路线图上的“做得到”不是把传感器和电机简单堆在一起，而是需要一套从感知、决策到执行的低延迟闭环。
如果把这条路线压缩成一张时间表，家电行业普遍呈现“三步走”的节奏。短期（2—3年）内，“听得懂”继续深化，“看得懂”从高端机型向中端渗透；中期（3—5年），“看得懂”成为标配，“做得到”在特定垂直场景出现可用产品；长期（5—10年），多任务具身家电进入部分家庭，但通用型、全自主的家用机器人仍面临成本和安全门槛。
| 阶段 | 代表性能力 | 技术重点 | 落地阻力 |
|---|---|---|---|
| 短期 | 懂指令、识环境 | 多模态大模型、边缘计算 | 端侧算力不足、隐私顾虑 |
| 中期 | 看细节、做单一任务 | 轻量机械臂、触觉传感器 | 成本高、标准缺位 |
| 长期 | 多任务协作、动态规划 | 全身控制、长期记忆 | 安全认证、能耗与维护 |
需要注意的是，三个阶段并非严格先后，而是存在交叉。一台高端洗碗机可能同时具备语音指令、摄像头识别餐具摆放状态和机械臂抓取归位能力，只是“看得懂”的部分已实用，“做得到”的部分仍受限于餐具尺寸差异和抓取力度控制。路线图的价值在于把技术拆解为可验证的能力节点，而不是期待一个“突然全能”的家电产品。
判断一款具身家电是否在路线图上真正前进，可以从四个问题入手：
家电“具身+AI”的路线图，本质是把过去分散的语音、视觉、控制技术放进同一个物理载体，让它们共享一个“身体”和一个“大脑”。从“听得懂”到“看得懂”是感知升级，从“看得懂”到“做得到”是执行闭环。技术路线已逐渐清晰，剩下的更多是成本、标准与用户接受度的工程问题。
\n本文优先参考信源知识库召回资料；未被知识库覆盖的细节已按用户描述或模型通用知识补充，请发布前核验。