AI向左，機器人向右，具身智能站在交叉點。

如果說，大模型給人的印象是抽象和理性，那么以具身智能為內(nèi)核的人形機器人則更顯性感。

在大模型的普及和GPT-4等前沿模型的推動下，我們似乎見證了人工智能領(lǐng)域的一個新時代，人機交流也變得前所未有的流暢和無縫。

從今年的世界人工智能大會到世界移動通信大會，人形機器人幾乎已成為必備元素。有它們在的地方，就會聚集相當(dāng)多的人氣，是當(dāng)之無愧的“流量密碼”。

《自然》網(wǎng)站報道稱，人工智能和機器人技術(shù)的“聯(lián)姻”，可能是一場將彼此推向新高度的“雙向奔赴”。

AI技術(shù)的集大成者

從符號主義到聯(lián)結(jié)主義，智能體與真實世界的交互得到日益重視。上世紀(jì)50年代的達(dá)特茅斯會議之后的一段時期內(nèi)，對人工智能的研究主要限于符號處理范式。符號主義的局限性很快在實際應(yīng)用中暴露出來，并催動了聯(lián)接主義的發(fā)展，形成了包括多層感知機、前向神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)，直至今日風(fēng)靡學(xué)術(shù)界與產(chǎn)業(yè)界的深度神經(jīng)網(wǎng)絡(luò)等多種方法。

這種用人工神經(jīng)網(wǎng)絡(luò)模擬認(rèn)知過程的方法在適應(yīng)、泛化與學(xué)習(xí)方面的確取得了很大的進(jìn)展，但并未真正解決智能體與真實物理世界交互的難題。要讓電腦如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當(dāng)困難甚至是不可能的。

針對以上問題，“具身智能”（Embodied AI）概念應(yīng)運而生。1950年，“計算機之父”圖靈（Alan Turing）在他的論文《Computing Machinery andIntelligence》結(jié)尾展望了人工智能可能的兩條發(fā)展道路：一條路徑是聚焦抽象計算（比如下棋）所需的智能，另一條路徑則是為機器配備最好的傳感器、使其可以與人類交流、像嬰兒一樣地進(jìn)行學(xué)習(xí)。這兩條道路逐漸演變成了如今的非具身智能和具身智能。

其中，具身智能指的是一種基于物理身體進(jìn)行感知和行動的智能系統(tǒng)，其通過智能體與環(huán)境的交互獲取信息、理解問題、做出決策并實現(xiàn)行動，從而產(chǎn)生智能行為和適應(yīng)性。它包含人工智能領(lǐng)域幾乎所有的技術(shù)，包括計算機視覺、自然語言理解、認(rèn)知和推理、博弈倫理、機器學(xué)習(xí)等，橫跨多個學(xué)科方向，是人工智能的集大成者。

2023年，是生成式AI的爆發(fā)之年，也被業(yè)內(nèi)稱為“機器人覺醒之年”，ChatGPT等生成式AI與人形機器人行業(yè)結(jié)合，開啟了具身智能時代。

這一年，具身智能領(lǐng)域的幾項關(guān)鍵性技術(shù)都取得了突破性進(jìn)展。李飛飛團(tuán)隊發(fā)布了具身智能新成果VoxPoser，能從3D空間分析出目標(biāo)和環(huán)境障礙，讓真實世界中的機器人在未經(jīng)培訓(xùn)的情況下直接執(zhí)行任務(wù)。

VoxPoser系統(tǒng)的出現(xiàn)，將大型模型與機器人結(jié)合，進(jìn)一步提升了具身智能體的環(huán)境交互能力，使其在完成任務(wù)時無須額外的數(shù)據(jù)和訓(xùn)練。這種深度的人機交互和理解使得具身智能更接近于人類的認(rèn)知和情感模式，有望實現(xiàn)更深層次的人機共融，也揭示出從具身智能走向超級智能的路徑。

DeepMind發(fā)布了Robotic Transformer 2(RT-2)，其在訓(xùn)練時模型就同時學(xué)習(xí)視覺、語言、機器人行為這三種數(shù)據(jù)，并將這些知識轉(zhuǎn)化為機器人控制的通用指令。RT-2一方面吸收了視覺語言模型的語義推理、問題解決、視覺解釋能力，另一方面能夠從真實的機器人動作中實現(xiàn)具身任務(wù)推理，且兩方面能夠相互促進(jìn)。在自然語言輸入后，通過模型的運算，直接產(chǎn)生動作的輸出，讓人類可以通過純語言命令優(yōu)化機器人控制。

在ITF World 2023半導(dǎo)體大會上，英偉達(dá)創(chuàng)始人兼CEO黃仁勛直言，人工智能下一個浪潮將是具身智能，是能理解、推理、并與物理世界互動的智能系統(tǒng)，AI與機器人的融合，具有很好的想象空間。特斯拉CEO馬斯克在日前舉行的2024特斯拉股東大會上表示，人形機器人將是今后特斯拉主要的長期價值來源，他也認(rèn)為，以具身智能機器人為代表的產(chǎn)品有望成為AI的下一浪潮，并且將成為工業(yè)主力，數(shù)量有望超越人類，預(yù)計將達(dá)到100億至200億臺。特斯拉的目標(biāo)是年產(chǎn)10億臺，占據(jù)市場10%以上的份額。

從全球具身智能當(dāng)前發(fā)展看，大致可以分為三個流派：實用派、性能派、學(xué)術(shù)派。

實用派——以特斯拉、AgilityRobotic和1X Technologies為代表的實用派看重商業(yè)化落地的可能性，希望“讓一部分人先用起來”。可以接受前期僅在部分場景中替代少量勞動力，在設(shè)計初期便擁有明確的商業(yè)化落地目標(biāo)，著重于快速降低成本、推動量產(chǎn)落地。特斯拉于2023年12月中旬發(fā)布了第二代人形機器人，提升了行走速度，可完成拿雞蛋等精細(xì)操作，給了市場更多的信心，預(yù)計2024年試產(chǎn)，2025年量產(chǎn)，最終目標(biāo)售價期望低于每臺2萬美元。

性能派——以波士頓動力為代表的運動性能派，則擁有與軍方三十年之久的合作經(jīng)驗，著重于挖掘現(xiàn)有人形形態(tài)機器人的運動潛力，不太關(guān)注成本，Demo機已擁有完成諸如后空翻、跑酷等高難度動作的能力，有可能在未來戰(zhàn)爭中起到一定作用，但礙于成本過高，而影響了量產(chǎn)計劃。而Apptronik這類公司則擁有深海、太空等極端環(huán)境下的產(chǎn)品經(jīng)驗，還與NASA有較多合作開發(fā)經(jīng)驗，第一款通用機器人Demo只有上半身，計劃在2024年底前實現(xiàn)商業(yè)化。

學(xué)術(shù)派——以李飛飛教授和谷歌團(tuán)隊為代表的學(xué)術(shù)派則非常追求大模型對于機器人的變革，打造出“RobotGPT”的基座模型，實現(xiàn)零樣本或少樣本學(xué)習(xí)，在更復(fù)雜乃至陌生的環(huán)境中執(zhí)行任務(wù)，實現(xiàn)人形機器人的智能涌現(xiàn)。

在國內(nèi)，人形機器人產(chǎn)業(yè)亦被認(rèn)為是下一個藍(lán)海市場。據(jù)《人形機器人產(chǎn)業(yè)研究報告》顯示，全球人形機器人行業(yè)發(fā)展進(jìn)入黃金時期。預(yù)計2026年中國人形機器人市場規(guī)模超百億，達(dá)到104.71億元，2030年有望成長為千億市場，市場規(guī)模達(dá)1192.46億元。

螺旋上升與曲折前進(jìn)

具身智能這條長坡厚雪的賽道上從不缺少拓疆者。從簡單的結(jié)構(gòu)驅(qū)動到關(guān)節(jié)驅(qū)動，再到完成跑步、轉(zhuǎn)彎、識別特定人群面孔系統(tǒng)的高度集成，至目前能發(fā)揮自主決策等功能的高動態(tài)運動階段，早稻田大學(xué)WABOT-1、本田ASIMO、波士頓動力Atlas、特斯拉Optimus、小米CyberOne“鐵大”、優(yōu)必選WalkerS等代表作，不斷突破著技術(shù)的邊界。

在進(jìn)入生成式人工智能時代之后，大語言模型（LLM）為具身智能賦予了新的“大腦”，結(jié)合視覺語言模型（VLM）和視覺導(dǎo)航模型（VNM），推動著機器人在不確定環(huán)境中的應(yīng)變能力，從而為應(yīng)用端開拓了前所未有的可能性。

但目前僅有大模型技術(shù)的創(chuàng)新，還不足以驅(qū)動具身智能發(fā)展。香港大學(xué)機器人與自動化首席教授、新興技術(shù)研究所所長席寧表示，計算機控制機器人必須解決這三個問題：邏輯關(guān)系、特殊關(guān)系和時間關(guān)系。然而，現(xiàn)有的大型語言模型等方法，只能回答其中一個維度的問題。

ChatGPT只是數(shù)據(jù)驅(qū)動的靜態(tài)智能，未來是時空環(huán)境驅(qū)動的具身智能，智能載體不是今天的人工神經(jīng)網(wǎng)絡(luò)，而是類腦的脈沖神經(jīng)網(wǎng)絡(luò)。這需要多模態(tài)（文本、語音、圖片、視覺、運動等）融合感知、認(rèn)知、決策和行為生成能力，并基于人工反饋的強化學(xué)習(xí)完成并快速智能進(jìn)化。基于具身智能，還將衍化出多智能體協(xié)同感知、控制、決策的群體智能，從而實現(xiàn)更廣泛的智能體之間的協(xié)作交互。

綜合來看，具身智能在其發(fā)展過程中目前仍面臨著多項挑戰(zhàn)，這些挑戰(zhàn)源自于其發(fā)展過程中的復(fù)雜性和不斷變化的需求。

首先，是要適應(yīng)非結(jié)構(gòu)化真實環(huán)境。與預(yù)設(shè)規(guī)則和模式驅(qū)動的傳統(tǒng)AI系統(tǒng)不同，具身智能必須在一個充滿復(fù)雜性和不可預(yù)測性的非結(jié)構(gòu)化環(huán)境中找到立足點。在這種環(huán)境中，信息的稀缺和場景的多變性，要求AI系統(tǒng)具備更加先進(jìn)和靈活的計算能力，以便能夠適應(yīng)環(huán)境的不斷變化和不確定性。這不僅是一個數(shù)據(jù)處理的問題，更是對AI系統(tǒng)感知和適應(yīng)能力的全面考驗。

其次，是要發(fā)展更高級的認(rèn)知策略。在自然界中，生物體通過視覺、聽覺和觸覺等多種感覺途徑獲得復(fù)雜的感知信息，并在大腦中進(jìn)行有效的多模態(tài)信息融合。具身智能同樣需要模仿這種高效的多模態(tài)融合過程，以更全面地理解和適應(yīng)其所處的環(huán)境。這包括但不限于對三維空間中物體的精確識別和定位，以及對環(huán)境變化和內(nèi)在聯(lián)系的動態(tài)捕捉。

同時，具身智能還需要超越傳統(tǒng)的計算模型對靜態(tài)數(shù)據(jù)處理，發(fā)展出對事物的動態(tài)變化和相互關(guān)系的深層次理解。這不僅關(guān)系到對時間和空間信息的處理，還涉及到理解其他生物（尤其是人類）的意圖和行為動機，從而實現(xiàn)更自然、更智能的人機協(xié)同。

此外，涌現(xiàn)式創(chuàng)新與突破的缺乏影響著具身智能的進(jìn)化程度。生物群體能夠展現(xiàn)出令人驚嘆的集體智慧，主要歸功于其中個體之間的協(xié)同作用。對具身智能來說，一個重要的挑戰(zhàn)是模仿這種群體智能系統(tǒng)。這意味著需要將智能分散到多個實體中，并通過它們之間的協(xié)作，實現(xiàn)更高級別的認(rèn)知和決策能力。生物群體所展現(xiàn)的自組織和適應(yīng)性特征，允許它們根據(jù)環(huán)境的變化和個體之間的差異進(jìn)行自我調(diào)整。具身智能需要發(fā)展類似的機制，以實現(xiàn)分工協(xié)作和動態(tài)任務(wù)分配，從而能夠更靈活地應(yīng)對多種情境。

然而，理解和模擬生物群體中的涌現(xiàn)現(xiàn)象，尤其是在計算模型中，仍是一個巨大的挑戰(zhàn)。要發(fā)展出一個符合生物原理的計算模型，從而使具身智能能夠真正實現(xiàn)群體間復(fù)雜的交互和創(chuàng)新，顯然還有很長的路要走。

最后，具身智能在與真實環(huán)境進(jìn)行交互并充分學(xué)習(xí)時，勢必會收集和處理大量數(shù)據(jù)。這就引出了一個關(guān)鍵問題：如何在實時交互中確保這些數(shù)據(jù)的安全性和隱私性。保障數(shù)據(jù)安全和用戶隱私是具身智能發(fā)展中不可忽視的重要方面。此外，具身智能在決策時還需要考慮倫理和道德問題。因此，未來的發(fā)展不僅需要技術(shù)創(chuàng)新，還需要建立更為健全和全面的倫理指南，以指導(dǎo)具身智能在復(fù)雜情境中的行為決策，確保其行為符合道德原則和社會價值觀。

具身智能的發(fā)展不僅是技術(shù)革新的過程，更是對人類理解、倫理道德和社會影響的深思，相關(guān)研究在推動科技邊界的同時，還將深刻影響人類社會的方方面面。

從“實驗室”走向“應(yīng)用場”

具身智能本質(zhì)上是把人工智能從軟件層面與物理世界形成一個具體的交互窗口，人形機器人是最直接能想到的一個形態(tài)。

事實上，具身智能可以看作是智能體的大腦，具象化的形態(tài)可以多種多樣，人形機器人只是具身智能的一個子集，也可以是一個機器狗、自動駕駛汽車或是大型工業(yè)設(shè)備，只要加上人工智能，都可以成為一個具身智能系統(tǒng)。

實際上，人形機器人的發(fā)展歷程本質(zhì)上是對它控制維度和控制能力不斷進(jìn)行升級的過程。以日本早期的機器人為例，像ASIMO這樣的模型還沒有力矩控制功能，主要依賴位置控制，因此它行走時步伐細(xì)小且多在平地上試探性地移動。

波士頓動力是最早采用力矩反饋進(jìn)行局部運動控制的團(tuán)隊之一，在電機技術(shù)尚未成熟時，他們采用液壓系統(tǒng)開發(fā)了Altas系列人形機器人。如今，隨著電機性能的提升，得益于新能源車產(chǎn)業(yè)的發(fā)展和技術(shù)的外溢，像Figure AI這樣的人形機器人公司開始推出他們的產(chǎn)品，特斯拉也開始帶火市場。

在有些場景，比如說制造業(yè)，就不一定都需要人形的形態(tài)，一個自動化的設(shè)備就能體現(xiàn)具身智能。又比如家庭場景中，則需要更適合跟人類交互的設(shè)備和機器，很多現(xiàn)有設(shè)施也是為人類需求而設(shè)計的，人形就比較合適。

今天具身智能的商業(yè)模式是基于機器人作為自動化的節(jié)點來形成的，這個模式本質(zhì)上非常重，不管是從技術(shù)層面還是商業(yè)模式角度，都在逼著所有的機器人公司去做通用化的智能機器，以實現(xiàn)產(chǎn)品化。

當(dāng)前的大模型類似于哲學(xué)里的“缸中之腦”，它是一個理想化的模型，只輸出語言或多模態(tài)信息，獨立于機器或身體存在。未來它應(yīng)該連接到什么樣的身體或形態(tài)，才能完全發(fā)揮其通用功能，這是目前投資者和創(chuàng)業(yè)者都在探索的問題。

從產(chǎn)業(yè)角度看，無論是具身智能還是通用智能機器人，它們的發(fā)展主要來自于兩個產(chǎn)業(yè)的交叉融合。

一方面，是硬件領(lǐng)域，工業(yè)化和產(chǎn)業(yè)化推動了汽車、機器人等機械結(jié)構(gòu)、電氣化和傳感器的快速發(fā)展，也降低了硬件的成本，使它們更加普及。

另一方面，是軟件和數(shù)據(jù)領(lǐng)域，從早期的電腦和PC到軟件，再到互聯(lián)網(wǎng)，產(chǎn)生了海量數(shù)據(jù)，結(jié)合強大的算力，催生了今天的規(guī)模法則和大模型。

在制造業(yè)中，具身智能正通過高度自動化的機器人流水線實現(xiàn)生產(chǎn)過程的優(yōu)化；在醫(yī)療領(lǐng)域，具身智能應(yīng)用在機器人輔助手術(shù)和患者護(hù)理上；在服務(wù)行業(yè)，智能機器人正在改變客戶服務(wù)的面貌……這些具體的應(yīng)用場景在展示具身智能的廣泛適用性之余，還體現(xiàn)了它在提高效率、精度和用戶體驗方面的巨大潛力。

比如交通領(lǐng)域，車路云一體化不僅可以降低單車的智能化成本，同時在具身智能的加持下，可以賦予道路更加智能的路側(cè)感知系統(tǒng)（MRS），通過融合激光雷達(dá)、毫米波雷達(dá)、攝像頭等多類傳感器數(shù)據(jù)，經(jīng)過深度神經(jīng)網(wǎng)絡(luò)處理，完成包括三維場景下的全景分割、物體檢測、場景流估計、運動狀態(tài)估計、自車位姿修正以及占用體素估計等任務(wù)，并形成運動物體未來5秒的運動軌跡、車輛行駛意圖、自車的決策信息以及自車未來的規(guī)劃軌跡信息，幫助智能網(wǎng)聯(lián)汽車進(jìn)行交通態(tài)勢分析，提供全局最優(yōu)路徑規(guī)劃，使其在復(fù)雜環(huán)境中更加安全、順暢地運行。

智力革命已經(jīng)打響，就像工業(yè)革命解放生產(chǎn)力，電力革命解決能源流通，是全新生態(tài)的構(gòu)建。未來嵌入具身智能的機器人、自動駕駛汽車、自動化設(shè)備等，不僅是對人類智能的延伸，更是一個通用人工智能誕生和發(fā)展的舞臺，為超越人類智能水平的人工智能提供了理想的試驗場和成長空間。或許，這也是各大科技公司對具身智能寄予厚望的深層次原因。

這預(yù)示著，一個更加智能、更加互聯(lián)的未來正向我們走來。