该文章聚焦多模态大型语言模型（MLLMs）的具身性问题，提出“双重具身框架”，指出当前MLLMs缺乏人类式的内部和外部具身体验，需通过整合这两种具身性来实现更贴近人类的认知与交互能力。一、文章主要内容总结当前MLLMs的优势与局限优势：在文本与视觉输入融合上进展显著，能处理图像描述、计算机视觉等多模态任务，涵盖视觉语言模型（如DeepMind的Flamingo、OpenAI的GPT - 4o）、视频语言模型（如VideoCLIP）等。局限：存在“莫拉维克悖论”，如无法正确识别轻微旋转的人体光点图；在动作基准测试中表现差，缺乏时空和语义基础；无身体体验，对“热”“饥饿”等概念的理解仅停留在统计层面，无经验基础。人类具身性的核心构成外部具身性：通过与外部世界的物理交互获取认知，如肢体动作、环境感知。内部具身性：包含内感受体验（如饥饿、体温感知）和内稳态调节（如血糖、水分平衡），是生存、情绪、记忆及亲社会行为（如共情）的基础。MLLMs具身性的改进方向外部具身性：现有研究集中于将MLLMs转化为“智能体AI”，通过机器人技术、虚拟环境交互实现物理动作规划与执行，如Action Space Adaptors（ASA）将模型输出转化为机器人动作。内部具身性：需新增内稳态调节、内部状态监测等机制，可借鉴软机器人的内感受硬件、循环