一句话定义：具身认知（Embodied Cognition）是认知科学的一个立场——认知不是大脑里凭空运算出来的结果，而是身体、感官与所处环境持续互动中涌现出来的东西。
打个比方：想知道一杯水烫不烫，看温度计读数是一种办法，把手指伸进去是另一种。前者是抽象符号处理，后者是身体参与。具身认知主张，人类很多概念其实来自后一种经验。“上”和“下”对我们有意义，是因为我们站着、受重力、会摔跤；“抓住一个想法”这种说法，源自手部抓握的动作。概念不是飘在空中的标签，它长在身体经验上。
它常被拿来和两种视角对照：
| 维度 | 离身（计算主义）视角 | 具身认知视角 |
|---|---|---|
| 认知发生在哪 | 大脑／中央处理器内部 | 身体—环境耦合的整个回路 |
| 知识的形态 | 抽象符号，可脱离具体经验 | 与感觉运动经验绑定 |
| 学习顺序 | 先建内部模型，再行动 | 边行动边学，行动本身就是认知 |
| 机器人做法 | 感知 → 建模 → 规划 → 执行 | 感知与运动同步，边走边调 |
要注意，具身认知不是说“身体比大脑重要”，而是说身体的形态和环境的物理约束本身就是计算的一部分。另一个容易混的概念是具身智能（Embodied AI）：前者是理论主张，后者是把这条主张落到工程里的研究方向。
对机器人研究的影响。传统流水线是感知、建模、规划、控制四步走，先在心里把世界想清楚再动手。具身视角更看重闭环：不必建完整的世界模型，靠持续试探、触觉反馈、失败后重试也能完成抓取。软体抓手就是个例子——它的形状本身承担了一部分控制任务，手指贴合物体的过程就是“计算”。这带来一个工程上的转变：机体设计和算法设计得一起做，而不是先定硬件再调算法。
对多模态研究的影响。纯文本模型学“重”“滑”“烫”这些词，靠的是语料里的共现关系。加上图像、音频后，关联更丰富了，但“重”这种感觉本质上是身体经验，光看图片仍隔一层。要让它真正落地，往往需要和物理世界交互的数据，比如机器人操作记录、触觉传感信号。这也解释了为什么有些模型看图很准，却答不好“这东西能不能单手拿起来”这类问题。
对普通职场人的实际意义：评估一个自动化方案时，“它能不能在执行中感知结果并自行调整”这个问题，往往比“模型有多大”更能预测它能不能干成活。智能的瓶颈常常不在脑子，而在有没有手脚和反馈通道。至于各家具体产品的参数与能力边界，以官方页面为准。