一連寫(xiě)了多篇關(guān)於生成式人工智能（AI）的文章，不難察覺(jué)目前發(fā)展比較成熟的應(yīng)用，主要還是通過(guò)裝上軟件和演算法的終端機(jī)與用戶(hù)互動(dòng)?？苹秒娪爸锌吹较袢祟?lèi)般懂聽(tīng)懂說(shuō)、對(duì)答如流、活動(dòng)自如的智能機(jī)器人，迄今還沒(méi)走出電影的虛擬世界。要實(shí)現(xiàn)這個(gè)終極目標(biāo)，AI領(lǐng)域的下一個(gè)挑戰(zhàn)將是實(shí)現(xiàn)「具身智能」（Embodied Artificial Intelligence），即能夠通過(guò)自我學(xué)習(xí)掌握各種技能，並具備執(zhí)行能力的高端機(jī)器人。

　　具身智能簡(jiǎn)單來(lái)說(shuō)，就是賦予AI系統(tǒng)一個(gè)支援物理交互的軀體，把兩者結(jié)合成一個(gè)軟硬體合一的智能體後，可以像人類(lèi)一樣與環(huán)境交互感知，通過(guò)觀察、移動(dòng)、說(shuō)話和與世界互動(dòng)，從而完成現(xiàn)實(shí)生活中各種任務(wù)。目前，日常生活中可見(jiàn)的一些智能服務(wù)機(jī)器人、自動(dòng)駕駛汽車(chē)、聊天機(jī)器人等都是具身智能的雛形。但由於主要依賴(lài)預(yù)載的程式來(lái)實(shí)現(xiàn)控制，與具身智能的終極形態(tài)存在相當(dāng)大距離。

　　要了解具身智能可先從與之相對(duì)、較多人接觸過(guò)的非具身智能（Disembodied AI或Internet AI）開(kāi)始。非具身智能聚焦於AI的軟件應(yīng)用，不考慮具體形態(tài)、不需要物理交互、專(zhuān)注於抽象演算法的開(kāi)發(fā)，如近年發(fā)展迅速的深度學(xué)習(xí)和生成式AI大模型等，衍生出如ChatGPT、Midjourney等各種多模態(tài)應(yīng)用。具身智能同樣擁有AI，但一個(gè)重要條件是具有能支援感覺(jué)和活動(dòng)的物理身體，理想中的具身智能是能夠像人類(lèi)般主動(dòng)去感受世界，聽(tīng)得懂人類(lèi)語(yǔ)言，然後分析任務(wù)進(jìn)而採(cǎi)取行動(dòng)，過(guò)程中可即時(shí)驗(yàn)證並調(diào)整模型，最終完成相應(yīng)任務(wù)。

　　要複製人類(lèi)眼耳口鼻身意般的五感，自然不是一件容易的事，具身智能包含了AI領(lǐng)域幾乎所有的技術(shù)，包括機(jī)器視覺(jué)、自然語(yǔ)言理解、認(rèn)知和推理、機(jī)器人學(xué)、博弈倫理、機(jī)器學(xué)習(xí)等，是AI的集大成者。隨著深度學(xué)習(xí)的不斷進(jìn)步，生成式AI大模型日益向多模態(tài)發(fā)展，特別是大語(yǔ)言模型的發(fā)展，結(jié)合視覺(jué)等多種感測(cè)器的複雜多模態(tài)模型，大大加快了具身智能的研發(fā)和落地速度。

　　具身智能的「頭腦」通常是由深度神經(jīng)網(wǎng)路模型驅(qū)動(dòng)，GPT等大模型的出現(xiàn)提供了新思路，具有通用能力的大語(yǔ)言模型和視覺(jué)語(yǔ)言模型等模型，通過(guò)將圖像、文字、具身數(shù)據(jù)聯(lián)合訓(xùn)練，增強(qiáng)模型對(duì)現(xiàn)實(shí)環(huán)境中物件的理解，賦予具身智能強(qiáng)大的泛化能力。機(jī)器人技術(shù)則提供了可以與物理世界互動(dòng)的「身體」，通過(guò)集成攝影鏡頭、麥克風(fēng)和觸覺(jué)感測(cè)器等一系列感測(cè)器，讓AI可以像人類(lèi)一樣依靠感官來(lái)感知世界；再配上輪子、電動(dòng)關(guān)節(jié)等執(zhí)行器為AI提供了運(yùn)動(dòng)能力的身體。

　　更重要的一點(diǎn)是，非具身智慧沒(méi)有眼耳口鼻和四肢感官，無(wú)法自主地採(cǎi)集數(shù)據(jù)，只能被動(dòng)地接受人類(lèi)已經(jīng)採(cǎi)集好的資料。目前大部分深度學(xué)習(xí)模型訓(xùn)練使用的都是來(lái)自於互聯(lián)網(wǎng)的歷史數(shù)據(jù)，一旦遇到訓(xùn)練環(huán)境中沒(méi)有出現(xiàn)過(guò)的問(wèn)題，就需要收集資料再重新反覆運(yùn)算優(yōu)化，這個(gè)過(guò)程的效率很低。未來(lái)具身智能模型的訓(xùn)練與測(cè)試可以與雲(yún)服務(wù)相結(jié)合，在雲(yún)端虛擬模擬場(chǎng)景下，進(jìn)行端到端的實(shí)時(shí)訓(xùn)練與測(cè)試，毋須再靠人手寫(xiě)代碼去更新迭代，自然大大加速了具身智慧體的進(jìn)化速度。

　　有望取代危險(xiǎn)工種

　　目前，谷歌、微軟、特斯拉等科技公司都公布了自家的具身智能產(chǎn)品，如今年3月份谷歌推出的PaLM-E，就是一種多模態(tài)具身視覺(jué)語(yǔ)言模型（VLM），讓機(jī)器人可以基於大模型來(lái)理解圖像、語(yǔ)言等數(shù)據(jù)，執(zhí)行複雜的指令，而無(wú)需重新訓(xùn)練。這種一步到位的研發(fā)路線看起來(lái)很酷，但耗時(shí)漫長(zhǎng)，距離產(chǎn)業(yè)可用還比較遙遠(yuǎn)。

　　更可行的技術(shù)落地路徑是，讓不同任務(wù)通過(guò)不同模型來(lái)實(shí)現(xiàn)，比如用語(yǔ)言大模型來(lái)學(xué)習(xí)對(duì)話、視覺(jué)大模型來(lái)識(shí)別地圖、多模態(tài)大模型來(lái)完成肢體驅(qū)動(dòng)，把所有的指令分解執(zhí)行，再通過(guò)大模型來(lái)完成自動(dòng)化調(diào)度和協(xié)作。

　　中國(guó)的政策也在推進(jìn)具身智能的發(fā)展，工信部於今年11月2日發(fā)布《人形機(jī)器人創(chuàng)新發(fā)展指導(dǎo)意見(jiàn)》，為中國(guó)人形機(jī)器人發(fā)展定位。提出以大模型等AI技術(shù)突破為引領(lǐng)，在機(jī)器人已有成熟技術(shù)基礎(chǔ)上，重點(diǎn)在人形機(jī)器人「大腦」和「小腦」、「肢體」關(guān)鍵技術(shù)、技術(shù)創(chuàng)新體系等領(lǐng)域取得突破。

　　產(chǎn)業(yè)智能化的浪潮為具身智能提供了市場(chǎng)，比如在工業(yè)場(chǎng)景下的「抓、拿、放」，可以取代人工操作危險(xiǎn)或繁瑣重複的工序，如煤礦井下作業(yè)、港口倉(cāng)庫(kù)搬卸、搬家快遞服務(wù)、清理事故現(xiàn)場(chǎng)和救災(zāi)等領(lǐng)域。若再加上引入多模態(tài)輸入，讓使用者可用語(yǔ)言直觀控制如機(jī)械臂、無(wú)人機(jī)、家庭輔助機(jī)器人等，更可將應(yīng)用範(fàn)圍迅速擴(kuò)展至日常生活層面，並產(chǎn)生巨大的產(chǎn)業(yè)價(jià)值。