2023年5月，在ITF World 2023半導(dǎo)體大會上，英偉達(dá)創(chuàng)始人兼CEO黃仁勛介紹了英偉達(dá)的多模態(tài)具身智能系統(tǒng)NvidiaVIMA，能在視覺文本提示的指導(dǎo)下，執(zhí)行復(fù)雜任務(wù)、獲取概念、理解邊界、甚至模擬物理學(xué)，標(biāo)志著AI能力的顯著進(jìn)步。

此外，在特斯拉召開2023年年度股東大會上，馬斯克展示了人形機(jī)器人Optimus的全新型號，和具身智能機(jī)器人幾乎劃等。馬斯克表示，人形機(jī)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(jī)器人為代表的產(chǎn)品有望成為人工智能的下一浪潮。

具身智能涉及多學(xué)科

具身智能有望打開 AI 新空間，引領(lǐng)人工智能下一站浪潮。實(shí)現(xiàn)具身智能需要多個學(xué)科的交叉能力。當(dāng)前具身智能產(chǎn)業(yè)鏈中包括數(shù)字基礎(chǔ)設(shè)施、機(jī)器人制造、機(jī)器視覺、多模態(tài)大模型的廠商等相關(guān)環(huán)節(jié)投資機(jī)會值得重點(diǎn)關(guān)注。機(jī)器人制造：為具身智能提供了機(jī)械的身體和基本的運(yùn)動控制。

深度學(xué)習(xí)：該學(xué)科中的神經(jīng)網(wǎng)絡(luò)仍然是具身智能中主要的工具。為具身智能提供推理能力;強(qiáng)化學(xué)習(xí)，從環(huán)境反饋中，幫助具身智能調(diào)優(yōu)模型。

多模態(tài)：計算機(jī)視覺，為具身智能提供處理視覺信號能力;語音與自然語言處理，為具身智能提供理解與對話能力，實(shí)現(xiàn)與人類交互。

計算機(jī)圖形學(xué)：其開發(fā)的物理仿真環(huán)境給具身智能提供了真實(shí)物理世界的替代，大大加快了學(xué)習(xí)的速度并降低了成本。認(rèn)識科學(xué)：幫助具身智能理解人類，構(gòu)建認(rèn)識與價值。

具身機(jī)器人技術(shù)架構(gòu)

具身智能的出現(xiàn)有望持續(xù)引領(lǐng)“大模型+機(jī)器人”潮流。具身智能機(jī)器人是具身智能的實(shí)體形態(tài)，有望成為 AI 的最終載體。其整體架構(gòu)由感知層、交互層、運(yùn)動層組成。與工業(yè)機(jī)器人不同，具身智能機(jī)器人若能像人一樣與環(huán)境交互、感知、決策、完成任務(wù)，將不得不提升感知層和認(rèn)知層的能力。因此，感知層和認(rèn)知層是工業(yè)機(jī)器人向具身智能機(jī)器人邁進(jìn)的門檻。

感知層類似人的五官，負(fù)責(zé)收集環(huán)境信息，在單一場景下機(jī)器或許可以通過感知來繞過決策控制。感知層中視覺的重要程度較高，視覺感知或是具身智能機(jī)器人的核心。

感知層需要與運(yùn)動層交互印證：首先視覺感知需要與物理實(shí)存進(jìn)行交互印證，是具身智能實(shí)現(xiàn)的基礎(chǔ);感知能力提升可使機(jī)器人運(yùn)動更加“擬人化”：視覺感知通過與運(yùn)動系統(tǒng)的執(zhí)行參量、信息數(shù)據(jù)交互修正，使具身機(jī)器人從傳統(tǒng)的僵化肢體運(yùn)動提升為為高自由度、高精密、多表現(xiàn)形式的運(yùn)動。

決策交互層作為核心處理樞紐，需要類似人類大腦的處理能力，滿足機(jī)器在理解指令、分解 任務(wù)、規(guī)劃子任務(wù)、識別物體完成人機(jī)交互和環(huán)境交互等方面的需求，多維度的人機(jī)交 互在傳統(tǒng)的機(jī)器人領(lǐng)域是一大難題。因而當(dāng)下的研究更多體現(xiàn)在特定指令下對于環(huán)境交互的探索，也即如何更智能地執(zhí)行特定物理任務(wù)上。

GPT-4 出現(xiàn)讓機(jī)器人對于現(xiàn)實(shí)世界中圖像、文字、數(shù)據(jù)的理解進(jìn)入新臺階。根據(jù)微軟最新的一項研究，將 GPT 拓展至機(jī)器人領(lǐng)域，實(shí)現(xiàn)語言控制機(jī)械臂、無人機(jī)等多個平臺。多模態(tài)的引入拓展了交互的豐富性，大幅提升人機(jī)交互和環(huán)境交互能力，助力機(jī)器人能 力再上新臺階。未來有望在更多場景落地應(yīng)用，包括自動駕駛、工業(yè)自動化、 醫(yī)療健康、家用服務(wù)、教育、娛樂等眾多領(lǐng)域，幫助人類實(shí)現(xiàn)極端環(huán)境作業(yè)、 多領(lǐng)域降本增效。

多模態(tài)大模型與機(jī)器的融合

具身智能作為人工智能重要應(yīng)用，需要多復(fù)合型的模型能力。阿里巴巴張勇表示制造業(yè)是 AI 大模型的重要戰(zhàn)場，未來 10 年最大的機(jī)會就在于云、AI 與物理世界機(jī)器的融合。

除了諸如視覺、自然語言處理等單領(lǐng)域模型的縱深發(fā)展，多模態(tài)大模型的加持或?qū)⒊蔀橄乱徊街匾膽?yīng)用方向。AIGC 為具身智能突破技術(shù)瓶頸提供新思路。AIGC的“智能”表現(xiàn)在能夠進(jìn)行上下文理解和情景感知，輸出文字、圖像、聲音。

進(jìn)入 AIGC 時代后，GPT 等大模型有望作為人類與機(jī)器人溝通的橋梁。即通過 將圖像、文字、具身數(shù)據(jù)聯(lián)合訓(xùn)練，并引入多模態(tài)輸入，增強(qiáng)模型對現(xiàn)實(shí)中對象的理 解，幫助機(jī)器人處理具身推理任務(wù)。AI 大模型浪潮下，谷歌、微軟、 阿里等巨頭均發(fā)力探索 AI大模型與具身智能的融合。目前，諸多大廠已在具身智能領(lǐng)域進(jìn)行布局，谷歌發(fā)布史上最大通才模型 PaLM-E;微軟探 索如何將 ChatGPT 擴(kuò)展到機(jī)器人領(lǐng)域;阿里巴巴-千問大模型正在實(shí)驗(yàn)接入工業(yè)機(jī)器人等。

風(fēng)險揭示：信息出自公開數(shù)據(jù)，內(nèi)容不做具體操作指導(dǎo)，客戶 亦不應(yīng)將其作為投資決策的唯一參考因素。據(jù)此買入，責(zé)任自負(fù)，股市有 風(fēng)險，投資需謹(jǐn)慎。

審核編輯黃宇