一句话定义：具身智能红队（Robot Red-teaming）就是用主动对抗的方式，去攻击机器人、自动驾驶汽车这类"有身体的 AI"（具身智能，Embodied AI），赶在它们进入真实世界之前，把可能造成人身伤害的漏洞挖出来。
大模型红队的目标是让模型说错话，丢的是脸；具身智能红队的目标是让机器做错事，丢的可能是命。所以攻击面从"提示词"一路扩展到了整条链路：摄像头、激光雷达、毫米波雷达、惯性测量单元、定位模块，到感知模型、轨迹预测、规划控制，再到车路协同通信。
打个比方：传统汽车安全测试像拿车去撞一堵固定的墙，测的是"墙够不够硬"；具身智能红队更像请了一个会不断进化、专门研究你弱点的陪练——它不撞墙，它在你最想不到的时刻从盲区窜出来，或者在你车前的限速牌上贴一张贴纸。
常见手法大致几类：
- 视觉层：在路牌上贴一小块精心设计的图案，让识别模型把"停车"读成"限速"；或者在衣服上印对抗纹理，让行人检测模型"看不见"这个人。
- 激光雷达：用高反射材料、雾气或伪造点云，制造一个实际不存在的障碍物，逼出"幽灵刹车"。
- 雷达与定位：干扰、欺骗信号，让车辆对自身位置产生漂移。
- 指令层：对视觉-语言-动作模型（VLA）下达语义上看似合理、物理上危险的指令。
为什么必须在仿真里做：真车真机撞一次就报废，还可能伤人，样本量根本上不去。仿真里可以并行跑成千上万条场景，还能用搜索算法自动找出"最坏的那个参数组合"——比如光照角度、行人速度、贴纸位置的某种特定搭配。代价是仿真与现实的差距（sim-to-real gap），所以仿真里挖出的漏洞，通常还要在封闭场地用真机复现确认。
和相邻概念的区别：
| 维度 | 大模型红队 | 具身智能红队 | 传统功能安全测试 |
|---|---|---|---|
| 攻击对象 | 文本输出与权限 | 感知—决策—控制全链路 | 已知失效模式 |
| 攻击手段 | 提示词、注入 | 对抗样本、场景搜索、物理干扰 | 预设测试用例 |
| 运行环境 | 纯数字 | 仿真 + 封闭场地 | 实车实机 |
| 失败后果 | 声誉、隐私 | 碰撞、人身伤害 | 人身伤害 |
对从业者的意义：红队报告正在成为安全论证（safety case）的一部分。比较务实的做法是把对抗场景做成回归测试集，接进持续集成流水线——模型每次更新，都自动跑一遍这些"刁钻陪练"。
对普通人的意义：当你坐进一辆自动驾驶车，或者和工厂里的机械臂共用一条产线，安全性不是"跑了多少万公里"就能证明的。还需要有人专门负责找最坏情况，而不是等着它在路上自己发生。各国对自动驾驶与机器人上路的合规要求里，对抗性测试与场景覆盖的权重在上升，具体标准以官方页面为准。