【摘要】具身智能既連接了“大腦—小腦”（感知、規(guī)劃、決策算法）與“軀體”（物理載體），也將感知、運(yùn)動(dòng)、環(huán)境和社會(huì)等多維要素納入統(tǒng)一考量，正成為驅(qū)動(dòng)新一輪科技革命和產(chǎn)業(yè)變革的核心力量。隨著高效算力設(shè)施的廣泛部署、智能算法的不斷迭代以及社會(huì)需求的持續(xù)增長(zhǎng)，具身智能將在工廠車間、物流倉(cāng)儲(chǔ)、家庭服務(wù)、醫(yī)療康復(fù)、城市交通等各個(gè)領(lǐng)域持續(xù)落地，深刻改變?nèi)祟惿a(chǎn)生活方式，并孕育出全新產(chǎn)業(yè)形態(tài)和經(jīng)濟(jì)模式。

【關(guān)鍵詞】具身智能 人工智能 智能機(jī)器人

【中圖分類號(hào)】TP18 【文獻(xiàn)標(biāo)識(shí)碼】A

具身智能（Embodied Intelligence）是人工智能（Artificial Intelligence，AI）研究與應(yīng)用的重要前沿方向，但并非近年來(lái)才提出的概念。早在20世紀(jì)50年代，人工智能先驅(qū)阿蘭·圖靈（Alan Turing）就在論文《計(jì)算機(jī)器與智能》中構(gòu)想了具身智能的雛形：為機(jī)器配備最好的傳感器、使其可以與人類交流、像嬰兒一樣進(jìn)行學(xué)習(xí)。同一時(shí)期，控制論創(chuàng)始人諾伯特·維納（Norbert Wiener）也提出了“行為智能”的理念。具身智能定義可概括為一種基于物理身體進(jìn)行感知、認(rèn)知和行動(dòng)的智能系統(tǒng)，其通過(guò)智能體與環(huán)境交互獲取和理解信息、作出決策并實(shí)施相應(yīng)行動(dòng)（包括行為反饋），從而形成適應(yīng)性和智能行為。

具身智能技術(shù)發(fā)展現(xiàn)狀

隨著算力的極大提升、大規(guī)模數(shù)據(jù)的獲取日益便捷以及多種新型AI模型的涌現(xiàn)，人類長(zhǎng)期以來(lái)對(duì)“智能體與環(huán)境交互并實(shí)現(xiàn)進(jìn)化適應(yīng)”的追求正在加速轉(zhuǎn)變?yōu)楝F(xiàn)實(shí)。“人工智能”“具身智能”與“人形機(jī)器人”常被混為一談，實(shí)際上三者各有側(cè)重：人工智能更注重算法和計(jì)算層面的信息處理與認(rèn)知能力提升；人形機(jī)器人的核心在于實(shí)現(xiàn)具有類人形態(tài)的物理載體；具身智能則注重“智能體—環(huán)境—算法”三位一體的協(xié)同演化，更強(qiáng)調(diào)如何在物理實(shí)體中充分利用感知、決策和執(zhí)行機(jī)制，并在環(huán)境交互中不斷演進(jìn)。當(dāng)前研究與應(yīng)用主要聚焦以下五大核心領(lǐng)域：面向具身技術(shù)的仿真引擎（Simulators）、具身感知（Embodied Perception）、具身交互（Embodied Interaction）、具身智能體（Embodied Agent）、虛實(shí)遷移方法（Sim-to-Real Adaptation），它們構(gòu)成更通用、更自主且更具協(xié)作性的智能形態(tài)的關(guān)鍵環(huán)節(jié)。

面向具身技術(shù)的仿真引擎旨在通過(guò)構(gòu)建高度仿真的虛擬環(huán)境，模擬真實(shí)世界中的物理交互過(guò)程，使智能體在安全可控的條件下進(jìn)行感知、決策與行動(dòng)的訓(xùn)練與測(cè)試。其核心目標(biāo)是快速迭代算法、降低實(shí)際部署風(fēng)險(xiǎn)，在機(jī)器人研究、自動(dòng)駕駛、智能制造等領(lǐng)域應(yīng)用廣泛。根據(jù)構(gòu)建方式的不同，可將其分為兩大類：一是基于底層通用仿真的平臺(tái)，典型代表為Gazebo與Isaac Sim平臺(tái)。Gazebo提供了可擴(kuò)展的物理引擎、多機(jī)器人模型庫(kù)，并與機(jī)器人操作系統(tǒng)（ROS）深度融合，支持多機(jī)器人導(dǎo)航及協(xié)作。Isaac Sim則內(nèi)置高保真物理引擎（PhysX）與逼真的渲染能力，適用于自動(dòng)駕駛和大規(guī)模強(qiáng)化學(xué)習(xí)等場(chǎng)景。二是基于真實(shí)場(chǎng)景的仿真平臺(tái)，典型代表為AI2-THOR室內(nèi)仿真環(huán)境與iGibson建筑重構(gòu)高精度場(chǎng)景。AI2-THOR內(nèi)含豐富的交互式物體與語(yǔ)義標(biāo)簽，可用于家居機(jī)器人或日常任務(wù)研究。iGibson則基于真實(shí)建筑數(shù)據(jù)重構(gòu)高精度場(chǎng)景，實(shí)現(xiàn)實(shí)際物理交互過(guò)程，并支持多模態(tài)傳感器與人機(jī)交互模擬。

具身感知方法指智能體通過(guò)傳感器主動(dòng)獲取并理解環(huán)境中的多模態(tài)信息（視覺(jué)、聽覺(jué)、觸覺(jué)、語(yǔ)義等），為后續(xù)的認(rèn)知與行為決策提供基礎(chǔ)支撐。主要包括以下三個(gè)方面：一是主動(dòng)視覺(jué)感知，如NeU-NBV、Fan等主動(dòng)探索方法通過(guò)智能體自發(fā)改變觀察角度或執(zhí)行交互行為來(lái)獲得更高的信息增益，提升環(huán)境建模與理解效率；二是三維視覺(jué)定位，如ScanRefer、3DVG-Transformer、ReGround3D等方法將自然語(yǔ)言與三維點(diǎn)云數(shù)據(jù)結(jié)合，在復(fù)雜環(huán)境中實(shí)現(xiàn)精準(zhǔn)的目標(biāo)對(duì)象定位與推理，為具身智能體在服務(wù)、救援、無(wú)人倉(cāng)儲(chǔ)等場(chǎng)景下的自主操作奠定基礎(chǔ)；三是非視覺(jué)感知，如GelSight、DIGIT、9DTact等觸覺(jué)感知技術(shù)可捕捉表面紋理、壓力分布與滑動(dòng)等信息，為智能體在精細(xì)裝配或柔性抓取等復(fù)雜操作任務(wù)中提供高分辨率的物理反饋與互動(dòng)支持?？傮w而言，具身感知方法正向“主動(dòng)感知、多模態(tài)融合、語(yǔ)義理解”演進(jìn)，為具身智能體構(gòu)筑更加完善的環(huán)境認(rèn)知與信息處理能力。

具身交互方法關(guān)注智能體與外部環(huán)境、目標(biāo)物體以及人類之間的自然、高效、語(yǔ)義對(duì)齊的動(dòng)態(tài)聯(lián)系，是實(shí)現(xiàn)智能體任務(wù)執(zhí)行與人機(jī)協(xié)同的關(guān)鍵。主要分為兩類：一是人與智能體交互，智能體在視覺(jué)環(huán)境中自主移動(dòng)、感知并回答問(wèn)題，典型應(yīng)用包括EQAv1、iGQA等具身問(wèn)答系統(tǒng)；二是智能體與物體交互，借助大語(yǔ)言模型進(jìn)行行動(dòng)規(guī)劃，并結(jié)合控制策略執(zhí)行具體操作，典型方法包括SayCan、Code-as-Policies等語(yǔ)言引導(dǎo)抓取算法。隨著自然語(yǔ)言理解和多模態(tài)融合技術(shù)的升級(jí)，具身交互不斷拓展智能體在服務(wù)機(jī)器人、人機(jī)協(xié)作和日常生活中的應(yīng)用深度，努力實(shí)現(xiàn)“所見即所得、所說(shuō)即所行”的人機(jī)互動(dòng)模式。

具身智能體是指具備完整的“感知—理解—決策—執(zhí)行”閉環(huán)能力，能夠在真實(shí)或虛擬環(huán)境中完成復(fù)雜任務(wù)的實(shí)體，如機(jī)器人、自動(dòng)駕駛系統(tǒng)等。當(dāng)前研究主要關(guān)注兩個(gè)方面：一是多模態(tài)基礎(chǔ)模型，如Google DeepMind提出的RT系列模型（RT-1、RT-2、RT-H），將視覺(jué)、語(yǔ)言、動(dòng)作序列統(tǒng)一編碼，通過(guò)大規(guī)模行為數(shù)據(jù)進(jìn)行訓(xùn)練，具備跨任務(wù)與跨環(huán)境的泛化能力；二是任務(wù)規(guī)劃系統(tǒng)，如SayCan、Inner Monologue等通過(guò)大語(yǔ)言模型（如GPT-4）將人類指令拆分為可執(zhí)行的操作模塊，并結(jié)合世界模型（World Model）、記憶機(jī)制與反饋控制，構(gòu)建從語(yǔ)義理解到物理執(zhí)行的閉環(huán)交互框架?？傮w而言，具身智能體正從“專業(yè)型機(jī)器人”向“通用型智能體”演進(jìn)，其認(rèn)知、推理與適應(yīng)能力被視為通往通用AI的關(guān)鍵路徑。

虛實(shí)遷移方法旨在將模擬環(huán)境中的訓(xùn)練成果遷移到真實(shí)物理世界，是具身智能體大規(guī)模落地的關(guān)鍵?，F(xiàn)有研究主要圍繞以下三方面展開：一是具身世界模型，在虛擬環(huán)境中構(gòu)建帶有時(shí)序與物理一致性的世界模型，幫助智能體預(yù)測(cè)環(huán)境狀態(tài)，典型方法包括DreamerV3、E3B等；二是高質(zhì)量數(shù)據(jù)生成與訓(xùn)練，如ProcTHOR、HOLODECK、PhyScene等平臺(tái)借助大語(yǔ)言模型與擴(kuò)散模型，自動(dòng)合成多樣化且物理一致的虛擬場(chǎng)景，拓展訓(xùn)練數(shù)據(jù)分布，提升對(duì)未知環(huán)境的適應(yīng)性；三是域隨機(jī)化與對(duì)抗性學(xué)習(xí)，幫助智能體習(xí)得的技能與行為策略在光照、材質(zhì)、摩擦系數(shù)等條件變化時(shí)平穩(wěn)遷移，降低實(shí)際部署風(fēng)險(xiǎn)。隨著虛擬與現(xiàn)實(shí)間交互壁壘的不斷削弱，具身智能正邁向“先在虛擬中充分訓(xùn)練，再在現(xiàn)實(shí)中無(wú)縫執(zhí)行”的研發(fā)與部署模式，為復(fù)雜現(xiàn)實(shí)場(chǎng)景的應(yīng)用提供了可行路徑。

具身智能產(chǎn)業(yè)發(fā)展現(xiàn)狀

具身智能在滿足國(guó)家重大需求以及提升關(guān)鍵領(lǐng)域競(jìng)爭(zhēng)力方面具有巨大潛力，應(yīng)用范圍涵蓋國(guó)防安全、應(yīng)急救援、太空探索，以及醫(yī)療康復(fù)、養(yǎng)老助殘、智能家居和智能制造等民生領(lǐng)域。近年來(lái)，具身智能正不斷催生出新的產(chǎn)業(yè)形態(tài)，有望深刻改變社會(huì)的生產(chǎn)方式和生產(chǎn)關(guān)系，并以空前速度與深度重塑世界。在產(chǎn)業(yè)層面，具身智能與制造業(yè)、農(nóng)業(yè)、服務(wù)業(yè)等深度融合，創(chuàng)造出新業(yè)態(tài)、新模式，成為經(jīng)濟(jì)增長(zhǎng)的新引擎。近年來(lái)，全球各大科技巨頭均投入了巨額資源來(lái)開發(fā)人形機(jī)器人、自動(dòng)駕駛汽車、工業(yè)機(jī)器人及無(wú)人機(jī)等具身智能產(chǎn)品。筆者從中國(guó)、美國(guó)和歐盟三個(gè)主要國(guó)家和地區(qū)出發(fā)，探討具身智能產(chǎn)業(yè)的最新發(fā)展動(dòng)態(tài)，分析在醫(yī)療、工業(yè)、交通、服務(wù)等領(lǐng)域的典型企業(yè)與產(chǎn)品案例，并展望其對(duì)未來(lái)經(jīng)濟(jì)和社會(huì)發(fā)展的深遠(yuǎn)影響。

中國(guó)：產(chǎn)業(yè)規(guī)模持續(xù)擴(kuò)大，本土企業(yè)快速崛起。中國(guó)已成為全球最大的機(jī)器人消費(fèi)市場(chǎng)和生產(chǎn)基地，國(guó)家政策的大力支持極大推動(dòng)了具身智能產(chǎn)業(yè)的發(fā)展。在工業(yè)制造領(lǐng)域，國(guó)產(chǎn)機(jī)器人迅速崛起，新松機(jī)器人、埃斯頓機(jī)器人等企業(yè)的產(chǎn)品廣泛應(yīng)用于汽車制造、電子裝配、機(jī)械加工等領(lǐng)域。此外，國(guó)際巨頭ABB在上海建立了全球最大規(guī)模的機(jī)器人超級(jí)工廠，為中國(guó)及亞太地區(qū)提供更加高效的機(jī)器人解決方案。在物流服務(wù)領(lǐng)域，中國(guó)本土企業(yè)極智嘉（Geek+）取得快速發(fā)展，其自動(dòng)倉(cāng)儲(chǔ)機(jī)器人系統(tǒng)已廣泛服務(wù)于阿里巴巴、京東等大型電商企業(yè)，極大提高了物流效率和倉(cāng)儲(chǔ)管理自動(dòng)化水平。在智能交通領(lǐng)域，百度Apollo在無(wú)人駕駛領(lǐng)域不斷實(shí)現(xiàn)技術(shù)突破，第六代無(wú)人駕駛出租車RT6在北京、深圳等多個(gè)城市實(shí)現(xiàn)了規(guī)?；虡I(yè)運(yùn)營(yíng)。小馬智行（Pony.ai）也在廣州和北京的Robotaxi實(shí)現(xiàn)了無(wú)安全員運(yùn)營(yíng)，并成功登陸美國(guó)資本市場(chǎng)，估值超過(guò)85億美元，成為具身智能交通應(yīng)用的重要里程碑。在服務(wù)機(jī)器人領(lǐng)域，宇樹科技（Unitree）在2023年發(fā)布了價(jià)格親民的人形機(jī)器人H1，進(jìn)一步推動(dòng)了人形機(jī)器人的產(chǎn)業(yè)落地和市場(chǎng)普及，顯示出中國(guó)企業(yè)在成本控制和市場(chǎng)化推廣方面的優(yōu)勢(shì)。此外，科沃斯和石頭科技在家用掃地機(jī)器人領(lǐng)域取得突破，其高智能化、自動(dòng)化的產(chǎn)品受到市場(chǎng)廣泛歡迎。

美國(guó)：引領(lǐng)全球的技術(shù)創(chuàng)新和商業(yè)模式拓展。美國(guó)憑借雄厚的技術(shù)基礎(chǔ)和高度發(fā)達(dá)的資本市場(chǎng)，長(zhǎng)期引領(lǐng)全球具身智能產(chǎn)業(yè)的發(fā)展方向和技術(shù)前沿。在工業(yè)制造領(lǐng)域，亞馬遜通過(guò)Amazon Robotics系統(tǒng)在全球物流網(wǎng)絡(luò)部署75萬(wàn)臺(tái)機(jī)器人，大幅提升了物流處理的效率和精準(zhǔn)度。在物流服務(wù)領(lǐng)域，波士頓動(dòng)力（Boston Dynamics）推出物流機(jī)器人Stretch與四足機(jī)器人Spot，前者聚焦倉(cāng)儲(chǔ)貨物自動(dòng)化搬運(yùn)，后者則廣泛應(yīng)用于工業(yè)巡檢和公共安全。美國(guó)Zipline公司則借助無(wú)人機(jī)技術(shù)實(shí)現(xiàn)了偏遠(yuǎn)地區(qū)的醫(yī)療物資快速配送，進(jìn)一步拓展了具身智能在緊急救援與醫(yī)療物流中的應(yīng)用空間。在智能交通領(lǐng)域，Waymo的Robotaxi服務(wù)已在鳳凰城、舊金山、洛杉磯等地全面展開，將進(jìn)一步拓展至邁阿密和華盛頓特區(qū)等更多城市，成為全球自動(dòng)駕駛出租車領(lǐng)域的領(lǐng)導(dǎo)者之一。在服務(wù)機(jī)器人領(lǐng)域，特斯拉推出人形機(jī)器人Optimus，投入自家工廠試用，執(zhí)行電池裝配和物流任務(wù)，計(jì)劃在2025年實(shí)現(xiàn)小規(guī)模量產(chǎn)。由Intuitive Surgical公司推出的達(dá)芬奇手術(shù)機(jī)器人占據(jù)了全球領(lǐng)先地位，截至2024年裝機(jī)量已超過(guò)9900臺(tái)。

歐盟：傳統(tǒng)工業(yè)基礎(chǔ)與創(chuàng)新應(yīng)用并舉。歐盟依托深厚的制造業(yè)基礎(chǔ)，在工業(yè)自動(dòng)化和服務(wù)機(jī)器人領(lǐng)域擁有領(lǐng)先優(yōu)勢(shì)。在工業(yè)制造領(lǐng)域，ABB集團(tuán)于2023年在瑞典投資2.8億美元新建機(jī)器人制造工廠，以滿足本土市場(chǎng)需求，并推出了全新的協(xié)作機(jī)器人產(chǎn)品線；丹麥Universal Robots在協(xié)作機(jī)器人市場(chǎng)中持續(xù)領(lǐng)先，最新產(chǎn)品UR20具備更大負(fù)載和更高安全性，廣泛應(yīng)用于汽車零部件制造、電子組裝等精密工業(yè)場(chǎng)景。在物流服務(wù)領(lǐng)域，瑞士ANYbotics公司推出的四足巡檢機(jī)器人ANYmal專門應(yīng)用于石油化工、能源設(shè)施等危險(xiǎn)環(huán)境，成功替代人工完成巡檢任務(wù)，極大提高了作業(yè)安全性和效率；英國(guó)的CMR Surgical公司成功推出Versius腹腔鏡手術(shù)機(jī)器人，在歐洲多個(gè)國(guó)家和亞洲市場(chǎng)的醫(yī)院實(shí)現(xiàn)落地應(yīng)用。在服務(wù)機(jī)器人領(lǐng)域，法國(guó)Parrot公司的無(wú)人機(jī)在航拍和監(jiān)控領(lǐng)域也頗具實(shí)力。此外，歐盟多國(guó)政府正積極推動(dòng)養(yǎng)老院護(hù)理機(jī)器人普及，以應(yīng)對(duì)日益嚴(yán)峻的人口老齡化問(wèn)題，逐步形成以機(jī)器人為核心的智慧養(yǎng)老服務(wù)體系。

具身智能的能力邊界

盡管具身智能在封閉、簡(jiǎn)單的作業(yè)環(huán)境中取得了顯著進(jìn)步，但其整體能力仍受制于大算力、大數(shù)據(jù)與強(qiáng)算法三大核心要素的宏觀限制。當(dāng)前主流研究多依賴大語(yǔ)言模型或多模態(tài)大模型，如GPT-4、PaLM-E、RT-2、Gato、VIMA等，這些模型大多停留在對(duì)文本或已有圖像數(shù)據(jù)的統(tǒng)計(jì)性模仿，雖可實(shí)現(xiàn)一些初步的語(yǔ)義理解與簡(jiǎn)單操作，卻無(wú)法真正掌握從抽象語(yǔ)言到復(fù)雜真實(shí)世界的跨模態(tài)理解。

以Sora為代表的生成式AI模型雖具備一定的物理模擬能力，能基于文本描述生成視覺(jué)上合理的視頻，但仍顯現(xiàn)出明顯的跨模態(tài)理解困難。其生成的視頻內(nèi)容經(jīng)常出現(xiàn)“局部合理但整體荒謬”的矛盾，如“幽靈椅子”等現(xiàn)象，暴露出當(dāng)前模型對(duì)空間結(jié)構(gòu)、物理因果與社會(huì)環(huán)境缺乏深層次的認(rèn)知與推理能力。這說(shuō)明現(xiàn)有具身智能在涉及復(fù)雜因果判斷、精細(xì)物理交互或多維社會(huì)互動(dòng)的高級(jí)任務(wù)時(shí)仍顯力不從心。其局限性主要體現(xiàn)在：空間推理能力弱、物理推理能力弱和時(shí)間推理能力弱，即難以精準(zhǔn)建模三維環(huán)境中物體的復(fù)雜關(guān)系與精確位置，缺乏對(duì)真實(shí)物理環(huán)境的因果建模與推理能力，且在處理多步驟邏輯、長(zhǎng)期規(guī)劃或動(dòng)態(tài)環(huán)境的連續(xù)決策時(shí)易出現(xiàn)短視或推斷錯(cuò)誤。這是由于：

首先，目前具身智能技術(shù)主要依賴靜態(tài)數(shù)據(jù)（如文本、圖像），缺乏多模態(tài)感官融合與持續(xù)主動(dòng)探索的閉環(huán)學(xué)習(xí)過(guò)程。例如，DeepMind的Gato、MIT的VIMA及Meta的Habitat 3.0，雖然在特定任務(wù)或仿真環(huán)境中表現(xiàn)突出，但其本質(zhì)仍是數(shù)據(jù)驅(qū)動(dòng)的被動(dòng)學(xué)習(xí)過(guò)程，無(wú)法像人類一樣通過(guò)主動(dòng)感知—動(dòng)作閉環(huán)動(dòng)態(tài)優(yōu)化自身的認(rèn)知與行為。這再次凸顯了莫拉維克悖論（Moravec's Paradox）：AI在抽象層面的認(rèn)知任務(wù)（如語(yǔ)言理解、邏輯推理）中進(jìn)展迅猛，卻在感官運(yùn)動(dòng)和直覺(jué)感知等對(duì)人類而言簡(jiǎn)單的任務(wù)上表現(xiàn)欠佳。例如，即便現(xiàn)有的大模型能夠理解語(yǔ)義指令，在執(zhí)行類似人類幼兒直覺(jué)性抓握或動(dòng)態(tài)平衡等“簡(jiǎn)單”感官運(yùn)動(dòng)任務(wù)時(shí)仍面臨巨大困難。

其次，當(dāng)前具身智能模型普遍缺乏顯式的因果建模與推理機(jī)制，難以理解真實(shí)物理環(huán)境的動(dòng)力學(xué)本質(zhì)?，F(xiàn)有具身智能模型通常只能適應(yīng)特定仿真條件下的物理交互，雖然能夠理解簡(jiǎn)單空間指令，但仍無(wú)法精準(zhǔn)處理三維環(huán)境中的復(fù)雜物體關(guān)系、精細(xì)位置預(yù)測(cè)以及精準(zhǔn)自我定位。一旦真實(shí)環(huán)境與訓(xùn)練條件稍有差異，其性能便急劇下降。例如，機(jī)器人在操縱對(duì)象時(shí)容易出現(xiàn)誤抓或位置偏差等問(wèn)題，其原因在于模型缺乏明確的空間幾何與相對(duì)位置關(guān)系的內(nèi)在推理機(jī)制。同時(shí)，模型在理解和推斷事件順序、制定多步任務(wù)計(jì)劃以及預(yù)測(cè)長(zhǎng)期未來(lái)變化上存在顯著缺陷。雖然RT-2等模型可處理初級(jí)的多步驟邏輯，但在涉及長(zhǎng)期規(guī)劃或動(dòng)態(tài)環(huán)境的連續(xù)決策時(shí)，往往出現(xiàn)短視、推斷錯(cuò)誤或行動(dòng)混亂的現(xiàn)象。

為突破當(dāng)前具身智能的瓶頸，應(yīng)重點(diǎn)發(fā)展以下幾個(gè)關(guān)鍵方向：增強(qiáng)空間、物理與時(shí)間推理的顯式建模能力，實(shí)現(xiàn)感知與動(dòng)作的深度融合，引入持續(xù)主動(dòng)探索機(jī)制和閉環(huán)交互學(xué)習(xí)，研發(fā)具備跨模態(tài)泛化能力的統(tǒng)一基礎(chǔ)模型。更進(jìn)一步地，需構(gòu)建完整且魯棒的自我與環(huán)境模型，使智能體能夠在線更新自身對(duì)身體狀態(tài)、物理特性以及環(huán)境因果關(guān)系的認(rèn)知，并通過(guò)內(nèi)部模擬預(yù)測(cè)，靈活應(yīng)對(duì)環(huán)境變化和新任務(wù)挑戰(zhàn)。

具身智能未來(lái)發(fā)展趨勢(shì)

具身智能的未來(lái)演進(jìn)將圍繞“感知—學(xué)習(xí)—想象—協(xié)同”四個(gè)關(guān)鍵方向，構(gòu)筑從低層物理執(zhí)行到高層認(rèn)知決策的多層次智能體系。這標(biāo)志著AI從“算力驅(qū)動(dòng)”向“理解驅(qū)動(dòng)”跨越，為進(jìn)一步邁向“類人智能”乃至“通用人工智能”提供了清晰的技術(shù)路線，推動(dòng)產(chǎn)業(yè)發(fā)展并全面提升人類生活品質(zhì)。

“感知”是智能體與外部世界聯(lián)結(jié)的起點(diǎn)，涉及多模態(tài)與主動(dòng)探測(cè)技術(shù)。未來(lái)具身智能的感知系統(tǒng)將更加注重多模態(tài)融合與主動(dòng)探測(cè)，從而獲得對(duì)環(huán)境更完整、更可靠的表征。一方面，多模態(tài)融合技術(shù)使視覺(jué)、聽覺(jué)、觸覺(jué)、力覺(jué)、溫度等信息源相互補(bǔ)充、交叉驗(yàn)證，為后續(xù)認(rèn)知決策提供支撐。例如，自動(dòng)駕駛車輛通常使用激光雷達(dá)、攝像頭和毫米波雷達(dá)等多種傳感器，結(jié)合視覺(jué)識(shí)別、深度估計(jì)與車道線檢測(cè)，形成對(duì)道路與周邊環(huán)境的多模態(tài)感知。類似地，醫(yī)用護(hù)理機(jī)器人可在手術(shù)過(guò)程中同時(shí)采集視覺(jué)、觸覺(jué)與力覺(jué)信息，以保證操作精度與患者安全。另一方面，通過(guò)在未知環(huán)境中根據(jù)當(dāng)前認(rèn)知不確定性或信息增益策略，主動(dòng)選擇探測(cè)路徑與傳感器配置，不斷縮小認(rèn)知盲區(qū)。比如，機(jī)器人在自主巡檢過(guò)程中，能夠自主選定路線并主動(dòng)探測(cè)樓梯、機(jī)械設(shè)備等區(qū)域，從而更全面地了解環(huán)境情況。再如，搜救無(wú)人機(jī)可根據(jù)已知地圖和建筑結(jié)構(gòu)，自主選擇最優(yōu)航線，探測(cè)尚未覆蓋的區(qū)域并與地面指揮中心共享高價(jià)值信息，提升應(yīng)急救援效率。

“學(xué)習(xí)”包含了閉環(huán)式環(huán)境交互與終身進(jìn)化，體現(xiàn)了具身智能持續(xù)進(jìn)化、適應(yīng)環(huán)境的核心能力。與傳統(tǒng)依賴靜態(tài)數(shù)據(jù)的離線訓(xùn)練模式不同，未來(lái)的具身學(xué)習(xí)更強(qiáng)調(diào)閉環(huán)式的實(shí)時(shí)環(huán)境交互，在此過(guò)程中不斷修正內(nèi)在世界模型并更新行為策略。此種學(xué)習(xí)模式具有以下特點(diǎn)：第一，持續(xù)學(xué)習(xí)。通過(guò)環(huán)境交互不斷獲取新的信息，修復(fù)智能體的認(rèn)知盲區(qū)。比如，自動(dòng)駕駛系統(tǒng)可收集海量用戶駕駛數(shù)據(jù)，不斷識(shí)別和彌補(bǔ)算法在特定天氣、道路狀況下的不足。第二，在線適應(yīng)。針對(duì)環(huán)境變化或任務(wù)變更，智能體可迅速調(diào)整策略，無(wú)需從零開始離線訓(xùn)練。例如，當(dāng)倉(cāng)庫(kù)布局或物流需求發(fā)生變化時(shí)，倉(cāng)儲(chǔ)機(jī)器人可根據(jù)實(shí)時(shí)數(shù)據(jù)調(diào)整行進(jìn)路線和揀貨次序。第三，因果推理。在真實(shí)或仿真場(chǎng)景中對(duì)因果關(guān)系進(jìn)行試驗(yàn)與驗(yàn)證，避免對(duì)統(tǒng)計(jì)關(guān)聯(lián)的過(guò)度依賴。比如，農(nóng)業(yè)無(wú)人機(jī)集群可根據(jù)實(shí)時(shí)監(jiān)測(cè)到的土壤濕度、病蟲害等信息，判斷噴灑何種農(nóng)藥、何時(shí)灌溉等決策背后的因果鏈條，而非僅憑統(tǒng)計(jì)學(xué)經(jīng)驗(yàn)、歷史均值。第四，閉環(huán)式學(xué)習(xí)。在高度不確定、動(dòng)態(tài)的真實(shí)環(huán)境下，智能體可持續(xù)更新其世界模型和演進(jìn)策略。例如，醫(yī)療康復(fù)機(jī)器人可根據(jù)不同患者的恢復(fù)情況和即時(shí)反饋，調(diào)整康復(fù)動(dòng)作的強(qiáng)度與節(jié)奏，在患者日常訓(xùn)練中逐步學(xué)習(xí)并優(yōu)化個(gè)性化方案，真正實(shí)現(xiàn)“終身進(jìn)化”。

“想象”強(qiáng)調(diào)的是智能體在內(nèi)部建構(gòu)世界模型并進(jìn)行前饋預(yù)測(cè)的能力，通過(guò)“在腦中演練”來(lái)減少現(xiàn)實(shí)環(huán)境的風(fēng)險(xiǎn)與試錯(cuò)成本。“想象”的方式方法主要包括：第一，基于物理一致性的想象。通過(guò)高保真仿真環(huán)境或在智能體內(nèi)部構(gòu)建的物理模型，模擬可能的動(dòng)作序列及其結(jié)果。例如，在自動(dòng)駕駛模型部署前，可在虛擬城市中測(cè)試車輛對(duì)各種交通場(chǎng)景的反應(yīng)，包括行人突然出現(xiàn)、臨時(shí)施工等情況，從而在現(xiàn)實(shí)中減少意外發(fā)生。第二，高層語(yǔ)義與因果推理。不僅要做力學(xué)計(jì)算，還要理解任務(wù)意圖、常識(shí)邏輯和社會(huì)規(guī)則。例如，社交陪護(hù)機(jī)器人在與老人或兒童互動(dòng)前，可先在世界模型中模擬對(duì)話和行為，以判斷“如何表達(dá)關(guān)懷、如何遵守社交禮儀”，從而在實(shí)際互動(dòng)時(shí)更符合社會(huì)規(guī)范。第三，減少現(xiàn)實(shí)試錯(cuò)成本。在“想象”環(huán)節(jié)先行推演并篩選風(fēng)險(xiǎn)較高的動(dòng)作或選項(xiàng)，使智能體能夠在工業(yè)生產(chǎn)、醫(yī)療輔助等高代價(jià)或高風(fēng)險(xiǎn)領(lǐng)域更安全、更高效地完成任務(wù)。比如，人形機(jī)器人在工廠流水線實(shí)際操作前，可先在數(shù)字孿生環(huán)境中測(cè)試裝配流程并預(yù)測(cè)故障點(diǎn)。

“協(xié)同”是具身智能在社會(huì)化應(yīng)用中的高級(jí)形態(tài)，強(qiáng)調(diào)人與機(jī)器、機(jī)器與機(jī)器之間的分工與配合。主要包括兩個(gè)方面：一是人機(jī)協(xié)同，可通過(guò)語(yǔ)音、視覺(jué)手勢(shì)、腦機(jī)接口等實(shí)現(xiàn)。例如，工業(yè)協(xié)作機(jī)器人與人類工人共同作業(yè)時(shí)，可通過(guò)手勢(shì)檢測(cè)與安全傳感器來(lái)識(shí)別人類意圖并避障；醫(yī)用康復(fù)機(jī)器人可實(shí)時(shí)“聆聽”患者語(yǔ)音指令，或利用可穿戴式腦機(jī)接口識(shí)別患者的肌電信號(hào)與大腦活動(dòng)，從而動(dòng)態(tài)地調(diào)整動(dòng)作。在幫助人類完成工作或日常任務(wù)時(shí)，需要保證對(duì)人類指令的服從與執(zhí)行的可解釋性。例如，助老助殘機(jī)器人在為老人端茶送水或協(xié)助行走時(shí)，必須讓使用者清楚自身行為邏輯，并具備碰撞檢測(cè)、力反饋等安全機(jī)制。二是多機(jī)協(xié)同，即不同形態(tài)、不同功能的智能體協(xié)同完成復(fù)雜作業(yè)。例如，在現(xiàn)代化倉(cāng)儲(chǔ)中心，自動(dòng)導(dǎo)引車負(fù)責(zé)搬運(yùn)，機(jī)械臂完成揀貨，監(jiān)測(cè)無(wú)人機(jī)則負(fù)責(zé)巡檢和盤點(diǎn)。各設(shè)備間通過(guò)統(tǒng)一的通信協(xié)議共享位置與任務(wù)信息，從而協(xié)調(diào)作業(yè)，提高整體效率。

綜上所述，具身智能既連接了“大腦—小腦”（感知、規(guī)劃、決策算法）與“軀體”（物理載體），也將感知、運(yùn)動(dòng)、環(huán)境和社會(huì)等多維要素納入統(tǒng)一考量，正成為驅(qū)動(dòng)新一輪科技革命和產(chǎn)業(yè)變革的核心力量。盡管在高度動(dòng)態(tài)與不確定性的真實(shí)環(huán)境中，當(dāng)前方法尚不足以進(jìn)行完善的因果推理和靈活規(guī)劃，但借鑒人類主動(dòng)探測(cè)、持續(xù)交互和閉環(huán)學(xué)習(xí)的認(rèn)知機(jī)制，必將助力具身智能實(shí)現(xiàn)跨越式發(fā)展。

未來(lái)十年，隨著高效算力設(shè)施的廣泛部署、智能算法的不斷迭代以及社會(huì)需求的持續(xù)增長(zhǎng)，具身智能將在工廠車間、物流倉(cāng)儲(chǔ)、家庭服務(wù)、醫(yī)療康復(fù)、城市交通等各個(gè)領(lǐng)域持續(xù)落地，深刻改變?nèi)祟惿a(chǎn)生活方式，并孕育出全新產(chǎn)業(yè)形態(tài)和經(jīng)濟(jì)模式。它所帶來(lái)的不只是效率提升，更是從“算力驅(qū)動(dòng)”邁向“理解驅(qū)動(dòng)”的范式轉(zhuǎn)變，是智能機(jī)器人邁向“類人智能”乃至“通用人工智能”的關(guān)鍵。唯有秉持對(duì)未知世界的持續(xù)探索與思考，并在政策、倫理、法規(guī)及跨學(xué)科協(xié)同等多方面形成合力，方能在具身智能的宏大圖景中，與時(shí)代同行，迎接更加智慧與繁榮的新紀(jì)元。

（作者為西安交通大學(xué)人工智能學(xué)院教授）

責(zé)編/銀冰瑤 美編/楊玲玲

聲明：本文為人民論壇雜志社原創(chuàng)內(nèi)容，任何單位或個(gè)人轉(zhuǎn)載請(qǐng)回復(fù)本微信號(hào)獲得授權(quán)，轉(zhuǎn)載時(shí)務(wù)必標(biāo)明來(lái)源及作者，否則追究法律責(zé)任。