文/本刊記者 余秀

當(dāng)前，具身智能(Embodied Artificial Intelligence)作為人工智能領(lǐng)域的一個(gè)分支，正在成為學(xué)術(shù)界和產(chǎn)業(yè)界備受關(guān)注的一個(gè)焦點(diǎn)。

所謂具身智能Embodied AI ，指的是有身體并支持物理交互的智能體。英偉達(dá)（NVIDIA）創(chuàng)始人兼CEO 黃仁勛在ITF World 2023 半導(dǎo)體大會(huì)上稱，具身智能將引領(lǐng)下一波人工智能浪潮。在產(chǎn)業(yè)界，谷歌 DeepMind 推出首個(gè)控制機(jī)器人的視覺語(yǔ)言動(dòng)作（VLA）模型 RT-2；憑借ChatGPT 取得巨大成功的OpenAI，曾經(jīng)解散機(jī)器人團(tuán)隊(duì)，如今投資挪威機(jī)器人初創(chuàng)公司One X Technologies，推出名為Neo的新型人工智能機(jī)器人。

國(guó)內(nèi)政策也在推進(jìn)具身智能的發(fā)展。5 月，北京市發(fā)布《北京市促進(jìn)通用人工智能創(chuàng)新發(fā)展的若干措施》，提出探索通用智能體、具身智能和類腦智能等通用人工智能新路徑，包括推動(dòng)具身智能系統(tǒng)研究及應(yīng)用，突破機(jī)器人在開放環(huán)境、泛化場(chǎng)景、連續(xù)任務(wù)等復(fù)雜條件下的感知、認(rèn)知、決策技術(shù)。

什么是具身智能？

根據(jù)中國(guó)計(jì)算機(jī)學(xué)會(huì)專家的定義，具身智能(Embodied Artificial Intelligence)是指一種基于物理身體進(jìn)行感知和行動(dòng)的人工智能系統(tǒng)，其通過(guò)智能體與環(huán)境的交互獲取信息、理解問題、做出決策并實(shí)現(xiàn)行動(dòng)，從而產(chǎn)生智能行為和適應(yīng)性。

當(dāng)一位谷歌工程師發(fā)出命令“撿起滅絕動(dòng)物”，RT-2 機(jī)器人便從桌子上的眾多玩偶中定位并挑選出一只恐龍。

具身智能植根于認(rèn)知科學(xué)“具身認(rèn)知”的概念，該概念強(qiáng)調(diào)身體在主體的思想和認(rèn)知能力的形成中發(fā)揮的重要作用，認(rèn)為身體與周圍環(huán)境之間的互動(dòng)是發(fā)展認(rèn)知能力的基礎(chǔ)。具身視角帶來(lái)了人工智能系統(tǒng)與物理世界交互的必要性。

機(jī)器人技術(shù)給了具身智能身體，因?yàn)橄鄬?duì)于計(jì)算機(jī)定義輸入，機(jī)器人可以與物理世界互動(dòng)。機(jī)器人技術(shù)為人工智能系統(tǒng)提供了具有感官和運(yùn)動(dòng)能力的身體。通過(guò)集成攝像頭、麥克風(fēng)和觸覺傳感器等一系列傳感器，配備輪子、電動(dòng)關(guān)節(jié)、夾具等執(zhí)行器，人工智能能夠像人類一樣依靠感官來(lái)感知世界，與環(huán)境進(jìn)行交互和探索，實(shí)現(xiàn)具身智能體的“看”“說(shuō)”“聽”“動(dòng)”等。

人工智能系統(tǒng)是具身智能的“頭腦”。隨著深度學(xué)習(xí)的不斷進(jìn)步，具身智能的“頭腦”通常由深度神經(jīng)網(wǎng)絡(luò)模型驅(qū)動(dòng)，尤其是隨著大語(yǔ)言模型（LLM）的發(fā)展，結(jié)合視覺等多種傳感器的復(fù)雜多模態(tài)模型，成為一大趨勢(shì)。具有通用能力的LLM 和VLM（視覺語(yǔ)言模型）等模型，賦予了強(qiáng)大的泛化能力，使得機(jī)器人從程序執(zhí)行導(dǎo)向轉(zhuǎn)向任務(wù)目標(biāo)導(dǎo)向，不再受限于特定的程序執(zhí)行，而能夠根據(jù)任務(wù)目標(biāo)智能地采取行動(dòng)。從豐富的數(shù)據(jù)和任務(wù)中學(xué)習(xí)決策和控制，它們不斷演化以適應(yīng)更復(fù)雜的任務(wù)和環(huán)境。

具身智能的目標(biāo)是讓具有感知和行動(dòng)能力的智能體（如機(jī)器人），在與環(huán)境的交互中持續(xù)演進(jìn)，逐漸產(chǎn)生認(rèn)知能力，能夠理解、推理、學(xué)習(xí)、規(guī)劃和決策，甚至具備常識(shí)和情感，從而實(shí)現(xiàn)更復(fù)雜的功能。

彌合數(shù)字AI 與物理世界的距離

截至目前，人工智能取得了令人興奮的進(jìn)展，但仍存有一個(gè)尚未克服的基本限制——它僅限于數(shù)字領(lǐng)域?，F(xiàn)有的多數(shù)人工智能系統(tǒng)純粹以數(shù)字形式存在，沒有“身體”，缺乏與物理世界的直接連接。這種局限性具體體現(xiàn)為以下幾點(diǎn)：

缺乏實(shí)際存在。數(shù)字人工智能系統(tǒng)本質(zhì)上是代碼、算法和數(shù)據(jù)。雖然它擅長(zhǎng)處理信息和解決數(shù)字領(lǐng)域的復(fù)雜問題，但它缺乏有意義的與現(xiàn)實(shí)世界交互所需的感官輸入和物理存在。

環(huán)境意識(shí)有限。由于缺乏視覺、觸覺或聲音等感官體驗(yàn)，理解物理世界的復(fù)雜性對(duì)數(shù)字人工智能系統(tǒng)提出了挑戰(zhàn)。因此，它很難有效地應(yīng)對(duì)現(xiàn)實(shí)世界的情況。

情境理解。在物理世界中，上下文對(duì)于語(yǔ)義理解起著至關(guān)重要的作用。然而，主要依賴于數(shù)據(jù)和算法的數(shù)字人工智能系統(tǒng)在處理上下文方面經(jīng)常遇到挑戰(zhàn)。因此，它很難理解微妙的細(xì)節(jié)并根據(jù)態(tài)勢(shì)感知做出明智的判斷。

數(shù)據(jù)依賴性。數(shù)字人工智能嚴(yán)重依賴歷史數(shù)據(jù)，這會(huì)降低其對(duì)不可預(yù)見情況的適應(yīng)性。這種以數(shù)據(jù)為中心的方法可能會(huì)限制其在不斷變化的現(xiàn)實(shí)環(huán)境中有效響應(yīng)的能力。

具身智能通過(guò)創(chuàng)建與現(xiàn)實(shí)世界交互的人工智能系統(tǒng)，為這些限制提供解決方案?？梢哉f(shuō)，具身智能彌合了數(shù)字AI 與現(xiàn)實(shí)世界的距離。

具身智能：通用人工智能（AGI）新路徑

Unimal 進(jìn)化出新的手臂來(lái)適應(yīng)游樂場(chǎng)中的生活

ChatGPT 雖然能生成符合人類邏輯的語(yǔ)句，但是它的原理是基于模型運(yùn)算，會(huì)把大概率有用的字詞留下，無(wú)用的字詞撇去，而它對(duì)于自己生成的內(nèi)容并不理解?！癈hatGPT 和其他大型神經(jīng)網(wǎng)絡(luò)模型是人工智能領(lǐng)域令人興奮的發(fā)展，這表明學(xué)習(xí)人類語(yǔ)言結(jié)構(gòu)等真正困難的挑戰(zhàn)是可以解決的。然而，如果繼續(xù)使用相同的方法進(jìn)行設(shè)計(jì)，這些類型的人工智能系統(tǒng)不太可能發(fā)展到可以完全像人腦一樣思考的程度?！敝x菲爾德大學(xué)認(rèn)知機(jī)器人學(xué)教授托尼·普雷斯科特(Tony Prescott)明確表示。

在《科學(xué)機(jī)器人（Science Robotics）》雜志上發(fā)表的一篇論文中，普雷斯科特和斯圖爾特·威爾遜博士提出，模擬生物智能（例如人腦），將人工智能融入機(jī)器人中，使它們能夠與周圍的世界互動(dòng)并像人腦一樣進(jìn)化，這是人工智能獲得類人認(rèn)知的最有可能的方式。

通用人工智能AGI 是“智能代理理解或?qū)W習(xí)人類可以完成的任何智力任務(wù)的能力”,是人工智能領(lǐng)域的長(zhǎng)期目標(biāo)之一。具身智能越來(lái)越被視為實(shí)現(xiàn)AGI 的可行路徑。

斯坦福大學(xué)以人為本人工智能研究院（HAI）的李飛飛團(tuán)隊(duì)，2021 年在《自然通訊》上發(fā)表《通過(guò)學(xué)習(xí)和進(jìn)化實(shí)現(xiàn)具身智能（Embodied Intelligence via Learning and Evolution）》，在研究中創(chuàng)造了簡(jiǎn)單的虛擬節(jié)肢動(dòng)物“Unimal”，并將它們放置在模擬的游樂場(chǎng)中，來(lái)研究它們的學(xué)習(xí)和發(fā)展能力。實(shí)驗(yàn)結(jié)果表明，具身化對(duì)智能進(jìn)化的重要性：身體形態(tài)會(huì)影響虛擬生物在復(fù)雜環(huán)境的適應(yīng)和學(xué)習(xí)能力，復(fù)雜環(huán)境也會(huì)促進(jìn)虛擬生物形態(tài)和智能上的進(jìn)化。

當(dāng)被問及“人工智能發(fā)展下去能不能成為與人類相似的獨(dú)立智能行為者？”時(shí)，清華大學(xué)電子工程系教授李星提出了類人的人工智能形成的兩個(gè)要素：實(shí)體化和繁殖能力，實(shí)體化是首要要素。“人工智能必須實(shí)現(xiàn)實(shí)體化并具備主體性。類似于人類需對(duì)自己的行為負(fù)責(zé)，人工智能也需要一個(gè)獨(dú)立實(shí)體來(lái)承擔(dān)責(zé)任。這種實(shí)體化并不僅僅是給人工智能一個(gè)外形，還要建立人工智能思考和推理機(jī)制與實(shí)體之間的緊密聯(lián)系，類似于人的身體與頭腦之間的聯(lián)系?！?/p>

上海交大教授盧策吾認(rèn)為，相對(duì)于非具身而言，具身智能具有可達(dá)性、可檢驗(yàn)性、可解釋性，基本要素可測(cè)量，可用任務(wù)檢驗(yàn)，可通過(guò)具身學(xué)習(xí)推斷概念，“可能是邁向通用人工智能的一個(gè)很好的起點(diǎn)”。 Google DeepMind 機(jī)器人和機(jī)器學(xué)習(xí)工程師基爾薩娜·戈帕拉克里希南（PG Keerthana Gopalakrishnan）明確稱對(duì)于AGI 來(lái)說(shuō)，具身實(shí)體是絕對(duì)不可缺少的。

具身智能的發(fā)展成果

大多數(shù)具身智能都集中在機(jī)器人訓(xùn)練和自動(dòng)駕駛汽車技術(shù)上，自動(dòng)駕駛車輛需要在物理空間中行動(dòng)，并根據(jù)它們所看到的東西做出可能的判斷。具身智能在各種現(xiàn)實(shí)世界場(chǎng)景中證明了其有效性，一些關(guān)鍵的實(shí)際應(yīng)用包括自動(dòng)駕駛汽車、制造和組裝、衛(wèi)生保健、搜尋及救援、太空探索、動(dòng)力外骨骼等。

近期具身智能領(lǐng)域的創(chuàng)新進(jìn)一步凸顯了其潛力，以下是一些顯著的成果：

Google Deepmind 發(fā)布了機(jī)器人模型RT-2（Robotic Transformer 2），是一個(gè)全新的視覺—語(yǔ)言—?jiǎng)幼鳎╒LA）模型，可以從網(wǎng)絡(luò)和機(jī)器人數(shù)據(jù)中學(xué)習(xí)，并將這些知識(shí)轉(zhuǎn)化為機(jī)器人控制的通用指令，它具有很強(qiáng)的泛化能力，可以對(duì)機(jī)器人數(shù)據(jù)中從未見過(guò)的物體或場(chǎng)景執(zhí)行操作任務(wù)。

Meta 推出了VC-1 和ASC。VC-1 是一種人工視覺皮層，其靈感源自人類視覺皮層將視覺轉(zhuǎn)化為行動(dòng)的能力。VC-1 使用日常任務(wù)視頻進(jìn)行訓(xùn)練，在虛擬環(huán)境中的17 項(xiàng)感覺運(yùn)動(dòng)任務(wù)中表現(xiàn)出色，超越了其前輩。自適應(yīng)性技能協(xié)調(diào)(ASC)是一種通過(guò)協(xié)調(diào)和調(diào)整學(xué)習(xí)的視覺運(yùn)動(dòng)技能來(lái)完成機(jī)器人移動(dòng)操作任務(wù)的方法。令人印象深刻的是，ASC 在現(xiàn)實(shí)環(huán)境中涉及機(jī)器人移動(dòng)和操縱的復(fù)雜任務(wù)中取得了98%的成功率。

麻省理工學(xué)院和斯坦福大學(xué)的研究人員設(shè)計(jì)了一種新的機(jī)器學(xué)習(xí)方法，可用于在條件快速變化的動(dòng)態(tài)環(huán)境中更有效地控制機(jī)器人，例如無(wú)人機(jī)或自動(dòng)駕駛汽車。將控制理論與機(jī)器學(xué)習(xí)相結(jié)合，使這些機(jī)器人無(wú)需單獨(dú)的指令即可學(xué)習(xí)如何移動(dòng)，并且可以用更少的數(shù)據(jù)獲得更好的性能。

麻省理工學(xué)院和其他地方的研究人員開發(fā)了一種技術(shù)，使人類能夠有效地微調(diào)未能完成所需任務(wù)（例如拿起一個(gè)獨(dú)特的杯子）的機(jī)器人，簡(jiǎn)化了機(jī)器人教學(xué)過(guò)程。當(dāng)機(jī)器人遇到故障時(shí)，系統(tǒng)會(huì)生成反事實(shí)解釋，例如建議可能導(dǎo)致成功的替代行動(dòng)。用戶提供有關(guān)機(jī)器人失敗原因的反饋，系統(tǒng)利用該反饋來(lái)提高機(jī)器人的性能。這種方法顯著減少了教授機(jī)器人新任務(wù)所需的時(shí)間和精力，使其成為幫助老年人或殘疾人的通用機(jī)器人的理想選擇。

具身智能領(lǐng)域的不斷創(chuàng)新和突破，將會(huì)把智能引向新的高度，推動(dòng)科技不斷邁向未來(lái)，為人類社會(huì)帶來(lái)更廣泛、更深遠(yuǎn)的變革。

斯坦福大學(xué)李飛飛團(tuán)隊(duì)發(fā)布VoxPoser系統(tǒng)，將大模型接入機(jī)器人，把復(fù)雜指令轉(zhuǎn)化成具體行動(dòng)規(guī)劃，人類可以很隨意地用自然語(yǔ)言給機(jī)器人下達(dá)指令。更重要的是，通過(guò)結(jié)合大語(yǔ)言模型（LLM）和視覺語(yǔ)言模型（VLM），構(gòu)建3D 值地圖，可以讓機(jī)器人在零樣本學(xué)習(xí)的情況下，理解指令，分解任務(wù)，規(guī)劃路徑，并最終實(shí)現(xiàn)操作任務(wù)。在該方法下進(jìn)行機(jī)器人操控時(shí)，不需要做數(shù)據(jù)投喂和預(yù)訓(xùn)練。

具身智能具有強(qiáng)大的產(chǎn)業(yè)潛力。2023世界機(jī)器人大會(huì)上，2000年圖靈獎(jiǎng)獲得者、中國(guó)科學(xué)院院士、清華大學(xué)交叉信息研究院院長(zhǎng)姚期智在談及機(jī)器人發(fā)展時(shí)表示：未來(lái)的AGI 需要有具身的實(shí)體，同真實(shí)的物理世界相交互來(lái)完成各種任務(wù)，這樣才能給產(chǎn)業(yè)帶來(lái)真正更大的價(jià)值。

達(dá)成具身智能還有很多問題要克服。姚期智指出，具身智能目前遇到的四大主要挑戰(zhàn)：第一，機(jī)器人不能夠像大語(yǔ)言模型一樣有一個(gè)基礎(chǔ)大模型直接一步到位，做到最底層的控制；第二，計(jì)算能力的挑戰(zhàn)。哪怕谷歌研發(fā)的Robotics Transformer模型，要做到機(jī)器人控制，距離實(shí)際需要的控制水平仍有許多事情要做；第三，如何把機(jī)器人多模態(tài)的感官感知全部融合起來(lái)，仍面臨諸多難題需要解決；第四，機(jī)器人的發(fā)展需要收集很多數(shù)據(jù)，其中也面臨很多安全隱私等方面的問題。

具身智能雖然面臨眾多挑戰(zhàn)，但是其潛力不可估量?？朔@些問題將可能通往通用人工智能（AGI），并且產(chǎn)生巨大的產(chǎn)業(yè)價(jià)值。我們正站在一個(gè)令人興奮的時(shí)刻，具身智能領(lǐng)域的不斷創(chuàng)新和突破，將會(huì)把智能引向新的高度，推動(dòng)科技不斷邁向未來(lái)，為人類社會(huì)帶來(lái)更廣泛、更深遠(yuǎn)的變革。