英偉達CEO黃仁勛（Jensen Huang）曾預言：“AI 的下一個浪潮將是具身智能（Embodied AI）。”

繼AI聊天機器人、大語言模型之后，具身智能作為AI領域的一個新的發(fā)展方向正受到越來越多的關注。

“具身智能是一種知行合一的AI，也就是在‘知’的層面上，智能體要具有感知、推理、決策的能力。在‘行’的層面，智能體可以通過身體的動作和表情，與環(huán)境以及其他智能體進行交互。這是一種既要有大腦，還要有軀體的智能體。”上海人形機器人制造業(yè)創(chuàng)新中心首席科學家江磊表示。

江磊強調，“具身智能的最佳物理形態(tài)就是人形機器人。”

近期舉行的2024全球開發(fā)者先鋒大會多場分論壇上，數(shù)位專家、學者和先鋒開發(fā)者分享了對具身智能以及人形機器人產(chǎn)業(yè)創(chuàng)新的思考。

人形機器人是“具身智能”的承載形態(tài)

所謂“具身智能”，就是指機器人或智能系統(tǒng)能夠通過感知器和執(zhí)行器與其所處的環(huán)境進行實時互動，通常具備感知、認知、決策和行動的能力，能夠根據(jù)環(huán)境的變化做出相應的調整。

與傳統(tǒng)機器人相比，具身智能對環(huán)境的感知和響應能力相對更出色。而且，具身智能不僅能接收外部信息，還能理解這些信息，并作出適當?shù)姆磻?/p>

在此之前，華人計算機科學家、斯坦福大學教授李飛飛，上海交通大學教授盧策吾等人都曾提出“具身智能”這一概念技術。

隨著2022年底發(fā)布的ChatGPT風靡全球，在 ITF World 2023 半導體大會上，黃仁勛表示，AI 的下一個浪潮將是“具身智能”，即能理解、推理、并與物理世界互動的智能系統(tǒng)，引發(fā)全球關注。

在全球科技競賽的新賽道上，人形機器人正成為各國競相布局的焦點。借助政策驅動和資本助力，這一領域的創(chuàng)新和突破正在加速。2024年以來，人形機器人的商用化應用示范也正成為行業(yè)發(fā)展重點，然而商用化進程中仍面臨挑戰(zhàn)，這既是考驗，也是激發(fā)創(chuàng)新潛能的契機。

“人形機器人是具身智能最完美、最佳的承載形態(tài)，可能也是通用機器人的終極形態(tài)。”清華大學交叉信息研究院助理教授、星動紀元創(chuàng)始人兼CEO陳建宇表示。

陳建宇稱，“不管是工業(yè)場景還是我們的生活場景，目前大部分的事情還是由人來做。所以我們急需這樣一個更通用的機器人來幫助我們完成很多的任務。”

在陳建宇看來，人形機器人有三大優(yōu)勢：

• 一是能最大限度地適配人類環(huán)境。整個人類的基礎設施、外界環(huán)境就是完全為人類建造的，這是不能改變的，因為人始終要生活在這個環(huán)境里。“如果我們要做一個機器人，它要通用的在人類的生活環(huán)境里面生活，那它一定只有以人的形態(tài)才能去最大限度地適應。”陳建宇說。

• 第二，從技術的角度來講，未來人形機器人這樣的具身智能肯定是以數(shù)據(jù)驅動，數(shù)據(jù)是很重要的一個環(huán)節(jié)。對于人形機器人來說它的數(shù)據(jù)可得性更高，因為它有跟人類更接近的形態(tài)，可以更加方便地從人的行為中來獲取數(shù)據(jù)。

• 第三，人形機器人也更能滿足人類情感與審美的要求，因為它有跟人更相似的形態(tài)。

江磊也同樣認為，人形機器人就是具身智能的最佳物理形態(tài)。

據(jù)公開數(shù)據(jù)顯示，目前國內(nèi)人形機器人的產(chǎn)業(yè)規(guī)模已經(jīng)達到200億，遠遠超過所有人的預想。

2023年以來，很多原本做人形機器人的公司也在增加具身智能的新概念。“我們給了它一個新的名詞叫通用人形機器人。目前在中國通用人形機器人整機的商業(yè)公司已經(jīng)超過了25家。這個數(shù)字每天還在增長，可以說我國已經(jīng)成為全球人形機器人產(chǎn)業(yè)的一個熱門聚集地。”江磊表示。

為何具身智能在AI領域越來越受到關注？上海人工智能實驗室研究員龐江淼表示，之前大家更關注計算機視覺、自然語言處理，現(xiàn)在具身智能突然受到了很大關注，是因為它的底層每一個模塊的技術都已經(jīng)趨近成熟了。“ 在這樣的情況下，我們能夠基于強化學習的方式去解決一些傳統(tǒng)NPC解決不了的控制問題。智能機器人是一個系統(tǒng)工程，那當這個系統(tǒng)工程的每個子模塊的技術都有了躍進，那它本身就會成為下一個時代的目標。”龐江淼說。

復旦大學計算機科學技術學院研究員葉廣楠指出，目前大模型的發(fā)展是機器人領域發(fā)展的一個核心原動力。因為大模型有大量的數(shù)據(jù)，有強大的并行計算的能力，大模型實際上給機器人的核心內(nèi)部注入了真實需要的“靈魂”。大模型會對機器人各個階段的發(fā)展起到很大的促進的作用。

人形機器人進化要素在于數(shù)據(jù)、算法和本體

談及未來人形機器人創(chuàng)新發(fā)展的技術關鍵，陳建宇指出，對于大語言模型發(fā)展主要的進化要素是數(shù)據(jù)、算法，而對于機器人來說有一些不同，除了數(shù)據(jù)和算法都需要從機器人的角度有一定的改進以外，還要加上本體。

本體和數(shù)據(jù)、算法的關系非常緊密。陳建宇認為，對于機器人的數(shù)據(jù)來說，它一定是需要從本體上面產(chǎn)生的，不管是現(xiàn)實世界的本體還是虛擬世界的本體。同時，算法在目前也跟本體有一定的耦合性，現(xiàn)在還不能說完全能解耦開去做這件事情，所以是三位一體聯(lián)合去迭代的過程。

“人形機器人本體部分的關鍵技術點在于關節(jié)和靈巧手，比如腿部的關節(jié)和需求怎么做，靈巧手要有多少自由度，觸覺怎么做，怎么樣平衡精度等等。此外還有一個很有意思的問題，就是人形機器人的手腿協(xié)同。我們發(fā)現(xiàn)如果還沿用原來的四足架構的話，當我們想讓（機器人的）手做一些訓練集沒有做過的事情，就會非常影響腿部的穩(wěn)定性。所以我們提出了‘去中心化’的訓練架構，使得手和腿在必要的時候進行一定程度的解耦，但是需要的時候它又可以做到比較好的耦合。”陳建宇說。

江磊則從硬件、智能和場景三個方面來分析人形機器人在未來如何落地。

江磊坦言，“首先是硬件，硬件還是集中在一定要打造一款低成本的硬件，才能指望它進入千家萬戶，思路和以往也不同，這一輪低成本硬件我們更希望通過新制造、新傳感、新材料，使得機器人所有的復雜基建系統(tǒng)，尤其減速器、驅動器、電機、傳感器和芯片真正進入智能階段；其次是如何實現(xiàn)智能，‘具身智能’給了我們一個答案，具身智能+核心零部件會成為這個新賽道的新方向，比如特斯拉擎天柱Optimus人形機器人，僅使用視覺和關鍵位置編碼器，就可以在空間精準定位自己的肢體，這可以減少對高性能傳感器和減速器的依賴，有利于降本。（人形機器人）通過臂、手、眼的協(xié)同實現(xiàn)操作，從而降低成本。這也是我們希望核心零部件廠商關注的一個方向；最后是場景，未來具身智能應該是通過場景去打造一個規(guī)模化的數(shù)據(jù)集，然后把這個規(guī)模化數(shù)據(jù)集整理以后發(fā)給具身大模型。”

在江磊看來，具身智能未來可大致分為三種實現(xiàn)路徑：一是非端到端的路徑，采用語言大模型、視覺大模型，加載機器人就可以實現(xiàn)控制；二是半端到端，類似谷歌DeepMind發(fā)布的機器人大模型RT-2；三是完全端到端，江磊更看好完全端到端的路徑，

“（因為）這是一種理想的技術途徑，而且只有完全端到端能把軟件和硬件進行解耦，讓穩(wěn)定應用成為可能。”江磊稱。