大模型正如火如荼，下一個AI風(fēng)口就來了。

如果你關(guān)注2023世界人工智能大會等行業(yè)峰會，以及英偉達(dá)、微軟、谷歌、特斯拉和國內(nèi)科技大廠的最新發(fā)布會，除了“大模型”，應(yīng)該會聽到另一個高頻詞——具身智能。

所謂具身智能Embodied AI ，指的是有身體并支持物理交互的智能體。

簡單來說，就是讓AGI從數(shù)字世界走向?qū)嶓w世界，落地在機器人、機械臂、無人車、無人機，讓實體世界中的機器人/仿真人具有智能，像人一樣與環(huán)境交互感知，執(zhí)行各種各樣的任務(wù)。

從這個角度看，其實很多人都已經(jīng)見過或者玩過具身智能產(chǎn)品了。索尼的機器狗AIBO，軟銀的服務(wù)機器人pepper，還有波士頓動力的人形機器人和機器狗……這些具身智能產(chǎn)品，曾是不少人的童年回憶，或者科幻恐懼。

雖然技術(shù)概念很超前，但這些產(chǎn)品的市場表現(xiàn)，其實并不太理想，技術(shù)落地難、產(chǎn)品被停產(chǎn)、企業(yè)被轉(zhuǎn)賣，都不算新聞。

因此也有人認(rèn)為，具身智能作為AI的終極形態(tài)之一，只是一些大廠推動的營銷概念。

我們今天就來聊聊，具身智能的這一波熱度，是機器人的“冷飯熱炒”嗎？

下一個AI風(fēng)口

古話說得好，遇到問題，先問是不是，再問為什么。

有必要先探討一下，具身智能真的火了嗎？

目前來看，AI學(xué)術(shù)界和工業(yè)界，確實已經(jīng)將“具身智能”，作為下一個風(fēng)口。

學(xué)術(shù)層面，不少科學(xué)家提出推論，大模型的技術(shù)路徑打通之后，下一個突破是具身智能。

圖靈獎得主、上海期智研究院院長姚期智認(rèn)為，人工智能領(lǐng)域下一個挑戰(zhàn)將是實現(xiàn)“具身通用人工智能”，即如何構(gòu)建能夠通過自我學(xué)習(xí)掌握各種技能并執(zhí)行現(xiàn)實生活中的種種通用任務(wù)的高端機器人。清華大學(xué)計算機系教授張鈸院士，也在某產(chǎn)業(yè)智能論壇上提出，隨著基礎(chǔ)模型的突破，通用智能機器人（具身智能）是未來的發(fā)展方向。

（張鈸院士的公開發(fā)言現(xiàn)場）

產(chǎn)業(yè)層面，谷歌、微軟、特斯拉等科技公司近日都相繼公布了自家的具身智能產(chǎn)品，國內(nèi)頭部科技大廠如華為、京東，也開始將自身在具身智能領(lǐng)域的相關(guān)布局，向大眾布道。前不久印發(fā)的《北京市機器人產(chǎn)業(yè)創(chuàng)新發(fā)展行動方案（2023-2025年）（征求意見稿）》，也提出發(fā)展機器人“1+4”產(chǎn)品體系，加緊布局人形機器人研發(fā)與應(yīng)用。具身智能的產(chǎn)業(yè)化、市場化潛力，正在加速積累。

如前所說，無論是現(xiàn)實生活中的機器狗、機械臂、無人車，還是科幻電影中的人形機器人，具身智能產(chǎn)品早已為大眾所熟悉，但市場表現(xiàn)一直不溫不火。為什么一夜之間成為風(fēng)口了？

和大模型“兩開花”

這一波具身智能的熱潮，讓我想起了這張梗圖。AGI起于大模型，終于具身智能。

具身智能的概念，可以追溯到1950年，圖靈在論文《Computing Machinery and Intelligence》中，提出機器像人一樣能和環(huán)境交互感知，自主規(guī)劃、決策、行動，并具備執(zhí)行能力，是AI的終極形態(tài)。

歷史上的兩次人工智能浪潮，AI智能水平都達(dá)不到大眾的預(yù)期，具身智能雖然誕生了波士頓動力這樣的“炸裂”，但是作為一種未來概念和獨特案例，并沒有取得有成效的產(chǎn)業(yè)化進(jìn)展。

當(dāng)下正在第三次人工智能浪潮，具身智能的希望重燃，就在于跟大模型“兩開花”。

具體來說，大語言模型讓人們看到了AGI通用智能的希望，而這也讓具身智能有了幾個方面突破的可能性：

1.大模型——更厲害的“大腦”

我們知道，大語言模型和傳統(tǒng)機器學(xué)習(xí)的區(qū)別，就在于泛化能力強，在復(fù)雜任務(wù)理解、連續(xù)對話、零樣本推理等方向有了突破進(jìn)展。這一突破，讓機器人的理解力、連續(xù)決策力、人機交互能力，有了全新的解決思路。

微軟研究院發(fā)布“ChatGPT for Robotics” 文章中提到，大型語言模型 (LLM) 將人的語言快速轉(zhuǎn)換為機器人的高層控制代碼，從而控制機械臂、無人機等機器人。

以前，由于傳統(tǒng)AI不具備先驗知識，理解力和泛化能力不足，機器人就無法像人一樣擁有常識，必須要將一個指令由人類工程師分解成一連串簡短的程式化程序，然后機器人（機械臂）再一步一步去完成每個動作。

這也使得高級別的具身智能，比如L5自動駕駛、人形機器人、機器狗等，人機交互無法滿足現(xiàn)實中通用智能的需求，廣泛應(yīng)用的主要是機械臂、履帶式搬運機器人等這類比較機械化的具身智能，只適應(yīng)某一類設(shè)計好的特定任務(wù)。

有了大模型之后，機器人終于有了一個強大的“大腦”。

LLM可以幫助機器人更好理解運用到高級語義知識，自動化地分析自己的任務(wù)并拆分成具體的動作，這樣與人類、與物理環(huán)境的互動更加自然，機器人也就顯得更加智能了。

舉個例子，讓機器人倒一杯水，人類自動就會繞開室內(nèi)的障礙物，但傳統(tǒng)方式下，機器人并不具備“遇到障礙物水會打翻”這樣的常識，經(jīng)常會做錯事，而大模型驅(qū)動的具身智能，就可以更好地理解這些知識，自動分解任務(wù)，不再需要工程師或者主人一步步地指導(dǎo)。

2.多模態(tài)——更豐富的“小腦”

“具身”所相對的概念是“離身”（Disembodiment），從中可以看到，具身智能的實現(xiàn)依賴于身體的感知，不能脫離身體而單獨存在。

人類具有眼耳鼻舌身意，說明對于物理世界的充分感知和理解，是意識和智慧的來源。而傳統(tǒng)AI更多的是被動觀測，主要是“看”（計算機視覺）和“讀”（文本NLP），這就使得智能體Agent缺乏對外部環(huán)境的通用感知能力。

以自動駕駛為例，無人車也是具身智能的載體，需要通過傳感器、機器視覺、激光雷達(dá)等多種方式來感知物理世界的變化，成本昂貴，效果也不是很理想，至今依然沒能實現(xiàn)L3級別的自動駕駛量產(chǎn)。

多模態(tài)大模型，可以積累和分析2D&3D視覺、LiDAR激光、Voice聲音等多維信息，基于真實交互，為具身大模型積累高質(zhì)量數(shù)據(jù)數(shù)據(jù)，深度理解并轉(zhuǎn)化為機器指令，來控制機器人的行為。

有了感知能力更豐富的“小腦”，具身智能自然也就能更好的理解物理世界。

3.精準(zhǔn)決策——更靈活的軀干。

試想一下，如果一輛無人車，行駛過程中道路上突然沖出一個物體，它只能等著人類來判斷“當(dāng)前是什么情況”，下達(dá)指令“應(yīng)該干什么”，那黃花菜都涼了，萬一沖出來的是人，那實在是太危險太不可靠了。

傳統(tǒng)的機器人訓(xùn)練往往采取pffline離線模式，一旦遇到訓(xùn)練環(huán)境中沒有出現(xiàn)過的問題，就可能掉鏈子，需要收集數(shù)據(jù)再重新迭代優(yōu)化，這個過程的效率很低，也減慢了具身智能在現(xiàn)實中落地的速度。

大模型時代，具身智能模型的訓(xùn)練與測試，與云服務(wù)相結(jié)合，可以在云上虛擬仿真場景下，進(jìn)行端到端的實時訓(xùn)練與測試，快速完成端側(cè)迭代與開發(fā)，這就大大加速了具身智能體的進(jìn)化速度。

具身智能體在模擬出來的場景中無數(shù)次地嘗試、學(xué)習(xí)、反饋、迭代，積累對物理世界的深度理解，產(chǎn)生大量交互數(shù)據(jù)，再通過與真實環(huán)境的不斷交互積累經(jīng)驗，全面提升在復(fù)雜世界的自動移動、復(fù)雜任務(wù)的泛化能力，展現(xiàn)在具身載體上，就是機器人可以更好地適應(yīng)環(huán)境，更靈活地運用機械“軀干”來進(jìn)行人機交互。

一句話總結(jié)，和大模型“兩開花”，將通用人工智能落地（Embodiment物理身體），為具身智能打開了新的想象空間。

能抓老鼠才是好貓

理論歸理論，實踐歸實踐。我們總說能抓住老鼠的才是好貓，那么實現(xiàn)具身智能，究竟有幾種“抓老鼠”的方式呢？

目前，主要以兩種路線為主：

一種是谷歌、伯克利等為代表的“未來派”，主打的是“一步到位”。

具體來說，這類研發(fā)機構(gòu)是從具身智能的終極目標(biāo)出發(fā)，希望從當(dāng)下到終點，尋找一個端到端的技術(shù)路徑，所給出的方案，往往采取“緊耦合”的方式，希望一個大模型就能包辦所有，讓機器人完成識別環(huán)境、分解任務(wù)、執(zhí)行操作等所有工作，非常難，也非常有未來感。

比如今年三月谷歌推出的PaLM-E，就是一種多模態(tài)具身視覺語言模型（VLM），讓機器人可以基于大模型，來理解圖像、語言等數(shù)據(jù)，執(zhí)行復(fù)雜的指令，而無需重新訓(xùn)練。

加州大學(xué)伯克利分校的LM Nav，則通過視覺模型、語言模型、視覺語言模型 CLIP等三個大模型，讓機器人在不看地圖的情況下按照語言指令到達(dá)目的地。Koushil Sreenath教授的工作，就是推動硬件本體、運動小腦、決策大腦三部分逐漸融合，讓各種四足、雙足，以及人形機器人在真實世界中靈活地運動。

另一種，是英偉達(dá)及大量工業(yè)機器人廠商為代表的“務(wù)實派”，主打的是“馬上見效”。

“未來派”一步到位的路線雖然看起來很酷，但耗時漫長，距離產(chǎn)業(yè)可用還比較遙遠(yuǎn)，成本昂貴，產(chǎn)業(yè)客戶未必能夠接受。在種種不確定之夏，滿足工業(yè)界需求，就出現(xiàn)了以松耦合來實現(xiàn)具身智能的技術(shù)路線。

簡單來說，就是不同任務(wù)通過不同模型來實現(xiàn)，分別讓機器人學(xué)習(xí)概念并指揮行動，把所有的指令分解執(zhí)行，通過大模型來完成自動化調(diào)度和協(xié)作，比如語言大模型來學(xué)習(xí)對話、視覺大模型來識別地圖、多模態(tài)大模型來完成肢體驅(qū)動。

這種方式雖然底層邏輯上看還是比較機械，不像人一樣有綜合智能，但成本和可行性上，能讓具身智能更快落地。

哪種路線更優(yōu)？坦率地說，我們認(rèn)為都有其局限性。

緊耦合的“未來派”，硬科技的含量顯然更高，在突破后很容易和LLM一樣給產(chǎn)業(yè)帶來顛覆式的變革，讓此前的大量工作成為無用功，但問題是商業(yè)化的周期很長，谷歌此前就曾將一門心思在人形機器人的波士頓動力出售，這一輪能堅持多久還是未知數(shù)。

松耦合的“務(wù)實派”，確實能很快落地產(chǎn)業(yè)應(yīng)用，但技術(shù)壁壘相對不高，隨著AI玩家增多，存量市場逐漸被開發(fā)，毛利率必然會在同質(zhì)化激烈競爭中受到擠壓，商業(yè)前景會很快到達(dá)天花板。此前國內(nèi)某機器人龍頭企業(yè)，就因為技術(shù)含量不高而折戟科創(chuàng)板，這說明具身智能產(chǎn)業(yè)還是要篤定遠(yuǎn)一點的未來，積累硬核科技。

星辰大海與商業(yè)賺錢之間的溝壑，是每一個AI企業(yè)都要穿越的“死亡之谷”。

我們對機器人還有哪些期待？

LLM方興未艾，距離通用智能只是理論可行，究竟如何實現(xiàn)，還有很長的路要探索。從這個角度看，被大模型帶火的具身智能，目前也還留在語言、視覺這兩個經(jīng)典的AI任務(wù)領(lǐng)域，能否進(jìn)一步突破，前途也很朦朧。

既然如此，為什么學(xué)術(shù)界和產(chǎn)業(yè)界依然將其作為下一個AI風(fēng)口來布道呢？原因或許在于以下兩點：

從學(xué)術(shù)上看，具身智能是行為主義的極致。人工智能的兩大門派：符號主義和聯(lián)接主義。聯(lián)接主義也叫行為主義，不追求意識的本質(zhì)，希望用人工神經(jīng)網(wǎng)絡(luò)模擬人的行為，讓機器“看起來像人”，讓人形機器人成為現(xiàn)實，具身智能就是行為主義發(fā)展到極致的表現(xiàn)之一。所以，從學(xué)術(shù)上倡導(dǎo)向具身智能發(fā)展，是符合技術(shù)向前演進(jìn)的路線的。

從產(chǎn)業(yè)上看，產(chǎn)業(yè)智能化的浪潮，確實讓物理世界和數(shù)字世界的交互增多了，只有AI軟件是不夠的，必須要能驅(qū)動物理實體，比如工業(yè)場景下的抓拿放，可以取代人工操作的繁瑣和危險，在煤礦井下作業(yè)、港口倉庫搬卸、搬家快遞服務(wù)、清理事故現(xiàn)場和救災(zāi)等領(lǐng)域，由機器人來代替人類，完成一些危重工作。同時，大模型、云計算、邊緣計算等技術(shù)相結(jié)合，有望大大降低具身智能的研發(fā)和應(yīng)用成本，這對于機器人產(chǎn)業(yè)的推動作用是巨大的，這時候探索和占坑也有其戰(zhàn)略意義。

當(dāng)然，現(xiàn)在就投入具身智能，有沒有風(fēng)險呢？

也是有的。說一個最恐怖的，我們都知道人工智能產(chǎn)業(yè)的發(fā)展，是在符號主義和聯(lián)接主義之間做鐘擺運動，如果有一天，鐘擺向另一方擺動，那么已經(jīng)投入到行為主義這一技術(shù)路線的大量市場資源、基礎(chǔ)設(shè)施投資、人才儲備等，又該何去何從呢？

更加具體的挑戰(zhàn)也有不少。

比如數(shù)據(jù)的挑戰(zhàn)，具身智能的數(shù)據(jù)，不同于“紙上談兵”的算法，只能從與物理世界的交互中獲得，具有很大的隱私性、高成本、敏感性，不能批量生產(chǎn)，這就對能力優(yōu)化迭代造成了限制。

再比如，收集來的數(shù)據(jù)一般是不能直接拿來訓(xùn)練的，要整理轉(zhuǎn)換成有意義的語料庫，再讓大模型學(xué)習(xí)，這個開發(fā)過程是非常繁瑣的，又增加了研發(fā)的成本。

此外，廣大用戶對于具身智能的機器人的安全性要求非常高，如果家政服務(wù)機器人將水倒在了插電孔，機器狗摔倒壓住了小朋友，這些故障都是商業(yè)上不可能被接受的，可靠、可用、可市場化的具身智能，目前看還比較遙遠(yuǎn)，需要長期投入。這意味著具身智能目前看來依然是大廠的游戲。

無論如何，大模型的普及，大大加快了具身智能的研發(fā)和落地速度。人工智能這個學(xué)科誕生以來，人類就希望能像“女媧”一樣，創(chuàng)造出和自己類似的通用機器人。具身智能，就是這個夢想的具體承載方式。

今天，我們終于可以將“具身智能”，作為一個產(chǎn)業(yè)風(fēng)口來暢想和實現(xiàn)了，能夠見證這件事的發(fā)生，已經(jīng)十分值得人類為之自豪。