Embodied AI, po polsku ucieleśniona inteligencja, to idea, że prawdziwie ogólna inteligencja nie może powstać wyłącznie z czytania tekstów i oglądania obrazów — potrzebuje ciała, którym oddziałuje na świat, i zmysłów, którymi odbiera skutki swoich działań. Podczas gdy model językowy uczy się z internetu biernie, ucieleśniony agent (robot) uczy się aktywnie: próbuje coś zrobić, obserwuje, co się stało, i na tej podstawie koryguje swoje zachowanie. Ciało i środowisko są tu częścią procesu uczenia, a nie tylko jego wynikiem.
Ta perspektywa ma długie korzenie w naukach kognitywnych i robotyce. Wiąże się z paradoksem Moraveca: okazało się, że nauczenie AI logiki i szachów jest łatwiejsze niż wyposażenie jej w dziecięcą zręczność i rozumienie fizycznego świata — właśnie dlatego, że umiejętności fizycznych nie da się po prostu „przeczytać”, trzeba je ucieleśnić.
Roboty humanoidalne są często opisywane jako flagowe urzeczywistnienie embodied AI — ludzkie ciało jest uniwersalnym narzędziem w świecie zaprojektowanym przez ludzi. Praktycznym przejawem jest dążenie do budowania robotycznych modeli fundacyjnych i modeli VLA, które łączą ogólną wiedzę z internetu z fizycznym doświadczeniem. Kluczową rolę odgrywają też modele świata, dzięki którym agent może z wyprzedzeniem wyobrażać sobie skutki swoich działań.
Firmy takie jak Figure, Tesla czy 1X budują swoją wizję wprost na embodied AI — humanoid jest dla nich „sprzętem dla inteligencji, która uczy się w fizycznym świecie”. Warto rozróżniać hype od rzeczywistości: pojęcie bywa używane również marketingowo. Prawdziwy postęp mierzy się tym, czy robot radzi sobie z nowymi fizycznymi zadaniami, do których nikt go bezpośrednio nie trenował — a pod tym względem dziedzina jest wciąż na początku drogi.