具身智能

在達特茅斯會議之後的一段時期內，對人工智能的研究主要限於符號處理範式（符號主義）。符號主義的侷限性很快在實際應用中暴露出來，並催動了聯接主義的發展，形成了包括多層感知機、前向神經網絡、循環神經網絡，直至今日風靡學術界與產業界的深度神經網絡等多種方法。這種用人工神經網絡模擬認知過程的方法在適應、泛化與學習方面的確取得了很大的進展，但並未真正解決智能體與真實物理世界交互的難題針對以上問題，“具身智能”（Embodied AI）概念應運而生。 ^[1] 

1950年，在圖靈論文《Computing Machinery and Intelligence》中具身智能被首次提出。

1986年，布魯克斯從控制論角度出發，強調智能是具身化（Embodied）和情境化 （Contextlized）的，傳統以表徵為核心的經典AI進化路徑是錯誤的，而清除表徵的方式就是製造基於行為的機器人。《How the Body Shapes the Way We Think》中通過分析“身體是如何影響智能的”對“智能的具身化”做了清晰的描述，這些工作為人工智能的第三個流派——以具身智能為代表的行為主義方法奠定了基礎。 ^[1] 

2023年，2023半導體大會上，英偉達創始人黃仁勳表示具身智能（Embodied AI）是能理解、推理、並與物理世界互動的智能系統，是人工智能的下一個浪潮。 ^[2] 

2024年3月17日，OpenAI與人形機器人初創公司Figure合作推出了Figure 01機器人。一段長達2分35秒的視頻展示了Figure 01驚人的理解、判斷、行動和自我評估能力。 ^[4] 

2024年3月23日，2024全球開發者先鋒大會開幕式上，上海市副市長陳杰表示，將加強核心技術的突破，推動智能芯片關鍵技術和應用適配，打造更多元開放的智能計算生態，支持通用大模型和垂直大模型的研發，積極推進大模型和具身智能的融合發展。 ^[5] 

根據具身智能的技術實現邏輯，“知”是建立在“行”之上的，只有通過“具身”才能理解某個場景。甲骨文等古老漢字，絕大多數就是通過行為的表徵來刻畫一個概念，比如“爭”的古老寫法中，代表兩個人的手拔一根繩子，因此，理解行為才是理解概念及場景的關鍵。 ^[1] 

具身的概念是可檢驗、可測量的。人所理解的世界概念，其中既包括人類獨有的責任心、榮譽、感情、慾望等非具身的概念，也包括了杯子、車等實體以及相應行為的具身概念。

“知行合一”是具身智能的科學立場。根據具身智能的技術實現邏輯，“知”是建立在“行”之上的，也就是説只有通過“具身”才能理解某個場景。 ^[1] 

具身智能首先要具備可供性。可供性意味着要讓機器知道物體和場景能夠提供的是什麼，比如整個身體、部件怎麼和場景進行有效擬合。

具身智能還要具有功能性。具身智能在把物體作為工具使用的過程中，要能夠以任務執行為導向去理解功能。

具身智能需要實現因果鏈。就以上提到的“剷土”例子，智能體能否順利剷起土來是有因果關係的，例如控制揮動錘子的方式、動量、衝量等指標的改變程度和改變過程，需要用數學和物理的因果鏈來控制。 ^[1] 

智能體學習如何使用工具涉及到多個認知和智能過程，這個過程即使對人類來説也並不容易。讓機器人掌握工具使用所涵蓋的所有技能是一項有挑戰性的難題。

這項工作包括三個層面：其一是底層的運動控制。很多研究基於阻抗控制（Impedance control）來跟蹤工具使用的運動軌跡，或在不同階段改變力和運動約束，或使用基於學習的方法來控制機器人運動軌跡。在底層控制中，魯棒地執行運動軌跡是關注的核心。

其二是中間層表徵。各種利於下游任務的中間表徵被提出，以便更好地理解工具的使用。儘管引入這些表徵有利於學習更多不同的工具使用技能，但它們目前仍然侷限於工具的形狀和任務之間的幾何關聯。

其三是理解在工具使用中的涉及的高層概念，比如物體的功能性（Functionality）和可供性（Affordance），以及工具使用中涉及的因果關係與常識，從而實現更好的泛化能力。 ^[1] 

人工智能的技術前沿將朝着四個方向發展。第三個前沿方向為具身智能。具身智能指有身體並支持與物理世界進行交互的智能體，如機器人、無人車等，通過多模態大模型處理多種傳感數據輸入，由大模型生成運動指令對智能體進行驅動，替代傳統基於規則或者數學公式的運動驅動方式，實現虛擬和現實的深度融合。因此，具有具身智能的機器人，可以聚集人工智能的三大流派：以神經網絡為代表的連接主義，以知識工程為代表的符號主義和控制論相關的行為主義，三大流派可以同時作用在一個智能體，這預期會帶來新的技術突破。 ^[6]