隨著AI技術(shù)的進(jìn)展，ChatGPT等基于大語言模型的聊天機(jī)器人已成為我們解決問題的首選。但當(dāng)我們提出非常私人化、具象化及場(chǎng)景化的問題時(shí)，它們給出的答案往往不盡人意。

比如，當(dāng)詢問“我想要學(xué)游泳，你能給我一些建議嗎？”時(shí)，ChatGPT只能提供一些通用的建議，如“呼吸技巧”或“如何讓身體浮起來”。這些回答沒有針對(duì)用戶的具體情況，只是泛泛而談。但假如有一個(gè)教練朋友親自陪你到泳池，向你演示如何在水下屏氣，并托住你的腰讓你平躺在水面上，告訴你應(yīng)該如何控制身體以實(shí)現(xiàn)浮起，這是否才是你更想要的答案？

這正是“具身智能體”（Embodied Agent）的價(jià)值所在，它強(qiáng)調(diào)我們不僅要讓計(jì)算機(jī)程序變得聰明，還要讓它們像人類一樣與真實(shí)的物理世界進(jìn)行緊密的互動(dòng)。如此，我們才能實(shí)現(xiàn)具備人類智能水平，且更接近人類的通用人工智能（AGI）。

為何我們要追求那種與物理世界緊密互動(dòng)、且更接近人類的人工智能？將人工智能當(dāng)作好用、便捷的工具難道還不夠嗎？

這一追求源于人類對(duì)智能的根本期待：我們希望它們不僅能高效地執(zhí)行如學(xué)習(xí)、問題解決和模式識(shí)別等復(fù)雜任務(wù)，從而幫助人類去做不愿意，或是不擅長(zhǎng)做的事；我們還希望它們能理解人類的思維方式、行為習(xí)慣、情感表達(dá)，甚至性格偏好和心理特點(diǎn)，真正實(shí)現(xiàn)“懂你”的高階能力。更何況，從人性的角度來說，人類本能地會(huì)對(duì)更自然、更親近于自己的事物有好感，而對(duì)純粹機(jī)械化、缺乏情感的冰冷工具懷有拒斥之心。

1950年，圖靈在其論文中首次提出了人工智能的基本概念，并提出了著名的“圖靈測(cè)試”，用以判斷機(jī)器是否能模擬人類智能。同年，阿西莫夫在他發(fā)表的短篇集《我，機(jī)器人》中描繪了一個(gè)人與AI共處的未來世界，并提出了機(jī)器人三大定律。因此，自人工智能概念誕生之初，人類就相信并呼喚著一種能以人類語言交流并理解我們的AI——它不僅能在生活中陪伴我們，還受到倫理道德的約束，最終被人類的情感和性格所引導(dǎo)。

這樣看來，當(dāng)我們討論“智能”時(shí)，實(shí)際上是期望AI超越單純的計(jì)算機(jī)器，成為一種與人類智能匹敵、擁有創(chuàng)造性思維和感知能力的高級(jí)生命體。具身智能則代表了這一愿景的實(shí)現(xiàn)路徑。

這么說來，具身智能應(yīng)如何實(shí)現(xiàn)更像人的AI呢？

我們首先需要理解傳統(tǒng)人工智能的局限性。目前的AI系統(tǒng)主要依賴于收集的互聯(lián)網(wǎng)圖像、視頻或文本數(shù)據(jù)進(jìn)行學(xué)習(xí)。這些數(shù)據(jù)集雖然制作精良，但它們終究是靜態(tài)的，是通過人類整理和數(shù)據(jù)標(biāo)注的方式實(shí)現(xiàn)的。這使得AI在處理信息時(shí)缺乏與環(huán)境的交流及互動(dòng)。AI并不能理解其表達(dá)背后真正的邏輯思考路徑，更不用說自主反思并自我成長(zhǎng)了。因而除依葫蘆畫瓢外，AI自發(fā)制造的數(shù)據(jù)往往與實(shí)際情況不符，常?！昂f八道”。這也是傳統(tǒng)AI被稱為“弱”智能的主要原因。

為此，一些學(xué)者立足于人類嬰兒認(rèn)知的研究，從人類智能的發(fā)展過程中得到啟示，他們認(rèn)為，真正的智能來源于與周圍環(huán)境的不斷互動(dòng)和反饋。正如人類嬰兒通過與環(huán)境的感知和物理交互，來發(fā)展認(rèn)知能力一樣，智能的真正發(fā)展需要超越處理抽象信息，深入理解和應(yīng)對(duì)現(xiàn)實(shí)世界中的復(fù)雜情境。而這正是具身智能概念的出發(fā)點(diǎn)。

具體來說，具身智能是一種基于物理身體進(jìn)行感知和行動(dòng)的智能系統(tǒng)，其通過智能體與環(huán)境的交互獲取信息、理解問題、做出決策并實(shí)現(xiàn)行動(dòng)，從而產(chǎn)生智能行為和適應(yīng)性。斯坦福大學(xué)的李飛飛教授曾經(jīng)指出，“具身的含義不是身體本身，而是與環(huán)境交互以及在環(huán)境中做事的整體需求和功能?！蓖瑯?，上海交通大學(xué)的盧策吾教授通過貓學(xué)習(xí)走路的比喻，形象地描述到，“自由行動(dòng)的貓是具身的智能，它能夠在環(huán)境中自主行動(dòng)，從而學(xué)會(huì)行走的能力；而被動(dòng)觀察世界的貓，最終卻失去了行走的能力?！?/p>

與基于靜態(tài)數(shù)據(jù)集訓(xùn)練的傳統(tǒng)AI不同，具身智能能實(shí)時(shí)地在真實(shí)物理世界中學(xué)習(xí)和交互，從而能更好地模擬人類學(xué)習(xí)的方式。它們能像人一樣，通過與環(huán)境的實(shí)際互動(dòng)獲取知識(shí)和經(jīng)驗(yàn)，理解人類的實(shí)時(shí)反饋和行為，進(jìn)而掌握非語言的溝通方式，如通過表情和觸摸來感知和體驗(yàn)人類的情感表達(dá)。這種深度的人機(jī)交互和理解，使具身智能成為一種更貼近人類認(rèn)知和情感的智能形態(tài)，有望實(shí)現(xiàn)更深層次的人機(jī)互動(dòng)和共融。

主動(dòng)性

作為具身智能的核心特征之一，主動(dòng)性賦予了智能系統(tǒng)超越被動(dòng)信息處理工具的能力，讓它們成為積極的參與者。

在Metin Sitti 2021年的論文Physical intelligence as a new paradigm中，他指出，在具身的物理智能層面上，柔性系統(tǒng)可以對(duì)環(huán)境刺激做出響應(yīng)……然后根據(jù)身體部位與環(huán)境條件的自我定位、自我運(yùn)動(dòng)和自我感知（本體感覺）得出自我定位，并將其轉(zhuǎn)化為后續(xù)行動(dòng)。這意味著具身智能不僅能感知環(huán)境，還能根據(jù)感知進(jìn)行自主的行動(dòng)。另一篇論文Embodied Intelligence in Physical, Social and Technological Environments同樣采用相似的方法定義具身智能：當(dāng)一個(gè)生命在各種感官信息的基礎(chǔ)上，自主地對(duì)環(huán)境采取行動(dòng)，在這樣做的過程中，能夠?qū)⒆约鹤鳛橐粋€(gè)多感官的積極主動(dòng)的自我，從而與環(huán)境中正在發(fā)生的事情區(qū)分開來，并加以調(diào)節(jié)時(shí)，它就擁有了具身智能。

這種主動(dòng)性可以通過一個(gè)簡(jiǎn)單的比喻來理解：當(dāng)你走進(jìn)圖書館，遇到一個(gè)傳統(tǒng)的管理員時(shí)，他或許會(huì)根據(jù)你的請(qǐng)求給到你想要的答案，如一個(gè)書名及對(duì)應(yīng)位置。但如果這位管理員是一個(gè)具備具身智能的導(dǎo)覽顧問，它不僅能夠找到你需要的信息，還會(huì)主動(dòng)引導(dǎo)你，找到書籍，并給你講解相關(guān)知識(shí)，帶你深入了解整個(gè)知識(shí)的世界。

這種交互方式類似于與一個(gè)熱情、友好的伙伴一起探索知識(shí)，而不僅僅是從一個(gè)冷漠的知識(shí)助手那里得到答案。具身智能通過主動(dòng)性，提供了一種全新的交互體驗(yàn)，這不僅能夠增強(qiáng)人類對(duì)信息的獲取和理解，還能加深人類與智能系統(tǒng)之間的情感和認(rèn)知聯(lián)系。

盡管目前的具身智能還未完全實(shí)現(xiàn)主動(dòng)性和熱情互動(dòng)，但以視覺導(dǎo)航的快速發(fā)展為例，在如iGibson Sim2Real、Habitat和RoboTHOR等挑戰(zhàn)賽中，我們已經(jīng)見證了這一領(lǐng)域初步形態(tài)的涌現(xiàn)，這些成果已經(jīng)超越了僅僅執(zhí)行任務(wù)的冷漠機(jī)器。例如，結(jié)合人類先驗(yàn)知識(shí)的導(dǎo)航系統(tǒng)能夠通過將這些知識(shí)以多模態(tài)輸入形式融入到深度強(qiáng)化學(xué)習(xí)框架中，如知識(shí)圖譜或音頻輸入，進(jìn)而使AI能夠在未知環(huán)境中學(xué)習(xí)導(dǎo)航并尋找未見過的物體。

最新的視覺語言導(dǎo)航（VLN）技術(shù)致力于創(chuàng)建一種能夠通過自然語言與人類交流，并在真實(shí)3D環(huán)境中自主導(dǎo)航的具身智能。目前，該領(lǐng)域已經(jīng)利用多個(gè)數(shù)據(jù)集進(jìn)行研究和開發(fā)，如REVERIE、R2R、CVDN、GELA、ALFRED、Talk2Nav、Touchdown等，同時(shí)也產(chǎn)生了一些創(chuàng)新的網(wǎng)絡(luò)架構(gòu)，如輔助推理導(dǎo)航框架。這些技術(shù)應(yīng)用于機(jī)器導(dǎo)航、輔助技術(shù)和虛擬助手等領(lǐng)域，尚處于初級(jí)階段。

此外，VLN的拓展視覺對(duì)話導(dǎo)航，旨在訓(xùn)練AI與人類進(jìn)行持續(xù)的自然語言對(duì)話，以輔助導(dǎo)航。在這個(gè)領(lǐng)域，研究者們使用了一種跨模態(tài)記憶網(wǎng)絡(luò)（CMN），該網(wǎng)絡(luò)分別擁有語言和視覺記憶模塊，用于記憶和理解與過往導(dǎo)航動(dòng)作相關(guān)的信息，并利用這些信息來作出導(dǎo)航?jīng)Q策。

實(shí)時(shí)性

實(shí)時(shí)性是具身智能另一個(gè)核心特性，它使得智能系統(tǒng)能夠在真實(shí)世界中及時(shí)學(xué)習(xí)并迅速反饋。具備實(shí)時(shí)性的具身智能能夠在接收到新信息或遇到新環(huán)境時(shí)立即做出響應(yīng)。與此相比，傳統(tǒng)的人工智能依賴于預(yù)訓(xùn)練的數(shù)據(jù)，在面對(duì)實(shí)時(shí)變化的環(huán)境時(shí)難以快速反應(yīng)。

以電視節(jié)目為例，觀看錄播的魔術(shù)表演就像是與傳統(tǒng)AI的互動(dòng)：雖然內(nèi)容精彩，但你只能被動(dòng)地觀看預(yù)先錄制的內(nèi)容，不能實(shí)時(shí)中斷或更改節(jié)目?jī)?nèi)容。相比之下，觀看現(xiàn)場(chǎng)直播的魔術(shù)秀則更類似于與具身智能的交互：你可以實(shí)時(shí)提出需求，魔術(shù)師則根據(jù)這些需求在現(xiàn)場(chǎng)即興表演，就好像在為你個(gè)人定制節(jié)目一樣，你不再是一個(gè)被動(dòng)的觀眾，而是整個(gè)魔術(shù)秀的一部分。這種互動(dòng)方式不僅更加個(gè)性化，也更具參與感。

故而，和現(xiàn)場(chǎng)表演的魔術(shù)師一樣，具身智能能夠即時(shí)響應(yīng)人類的需求和環(huán)境變化，提供更為貼合實(shí)際情況的解決方案，并以更貼近于人際交往的方式與人類互動(dòng)。這種實(shí)時(shí)性幫助它更好地融入人類的日常生活，成為一個(gè)更加智能和有用的伴侶，而不僅僅是一個(gè)執(zhí)行預(yù)設(shè)任務(wù)的機(jī)器。

在論文LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models中，研究團(tuán)隊(duì)提出了LLM-Planner方法。這種方法利用大型語言模型的能力，能為具身智能進(jìn)行少樣本規(guī)劃，并通過物理基礎(chǔ)來增強(qiáng)語言模型，從而生成和更新與當(dāng)前環(huán)境相關(guān)的計(jì)劃。其優(yōu)勢(shì)在于它能夠?qū)崟r(shí)反映和適應(yīng)環(huán)境的變化，為具身智能的決策提供即時(shí)的信息和指導(dǎo)。

情境性

除主動(dòng)與實(shí)時(shí)之外，具身智能對(duì)特定的場(chǎng)景和情境的反饋應(yīng)該有深入的感知和個(gè)性化的理解。

就像人類在與周圍環(huán)境互動(dòng)中實(shí)時(shí)調(diào)整自己的行為一樣，具身智能應(yīng)該通過實(shí)時(shí)學(xué)習(xí)和反饋，深刻地理解所處的情境，并據(jù)此調(diào)整其行為。它能夠根據(jù)上下文和環(huán)境的變化靈活地調(diào)整回應(yīng)方式，融入當(dāng)前的情境中，從而實(shí)現(xiàn)更自然和有效的交流。例如，具身智能能夠感知用戶的情緒變化，并據(jù)此提供個(gè)性化的體驗(yàn)，增強(qiáng)用戶的參與感和滿意度。

以旅游規(guī)劃為例，傳統(tǒng)的聊天智能可能僅能提供固定的行程建議，而不管雨雪風(fēng)霜，甚至有可能在雷暴雨的天氣，依然為用戶安排露天溫泉的行程。具身智能則能夠根據(jù)用戶的個(gè)人偏好、當(dāng)?shù)丨h(huán)境和天氣狀況等因素提供更加貼合實(shí)際的建議。它更像一位熟悉當(dāng)?shù)厍闆r的私人旅行顧問乃至私人攝影師。它不僅知道你的目的地，還熟知周圍的情境，了解環(huán)境變化；能夠根據(jù)你的私人偏好和當(dāng)?shù)貢r(shí)令，帶你去合適的小館子就餐，并記錄下你每個(gè)快樂時(shí)刻的印記。

目前已經(jīng)存在大量逼真且公開泛用的3D場(chǎng)景，可以作為具身智能訓(xùn)練的模擬環(huán)境。針對(duì)具身導(dǎo)航的虛擬環(huán)境有iGibson、Habitat、MultiON、BEHAVIOR等；針對(duì)具身問答的有ALFRED；關(guān)注情景理解、物體狀態(tài)和任務(wù)規(guī)劃的環(huán)境有AI2-THOR、ThreeDWorld、Habitat 2.0等；關(guān)注物體操縱的有SAPIEN、RLBench、VLMbench、RFUniverse、ARNOLD等；物體抓取及操縱信息數(shù)據(jù)集包括GraspNet、SuctionNet、DexGraspNet、GAPartNet等。這些場(chǎng)景比以往研究模擬器所用的環(huán)境要真實(shí)得多，極大地促進(jìn)了具身智能在情境性的初步開發(fā)。

此外，傳感領(lǐng)域的技術(shù)進(jìn)步，也為情境性的具身智能發(fā)展提供了可靠保障。例如，PaLM-E團(tuán)隊(duì)提出了具體化的語言模型，將真實(shí)世界的連續(xù)傳感器模態(tài)直接結(jié)合到語言模型中，從而建立單詞和感知之間的聯(lián)系。這種模型的輸入是多模態(tài)語句，它們將視覺、連續(xù)狀態(tài)估計(jì)和文本輸入編碼交織在了一起。結(jié)合預(yù)訓(xùn)練的大型語言模型，對(duì)這些編碼進(jìn)行端到端訓(xùn)練，可用于多個(gè)具體任務(wù)，如順序機(jī)器人操作規(guī)劃、視覺問題解答和圖像視頻字幕描述，有效地構(gòu)建了單詞和感知之間的聯(lián)系。

擬生物

較之一般的人工智能，具身智能需要應(yīng)對(duì)復(fù)雜的環(huán)境，并被要求以更接近人類的認(rèn)知方式來與現(xiàn)實(shí)世界共處，這就使得它體現(xiàn)出了更多的模仿生物的特征。

就像蜜蜂群體協(xié)同工作以建造蜂巢，具身智能中的多個(gè)智能體能夠共同協(xié)作，產(chǎn)生超越單個(gè)智能體能力的集體效應(yīng)。這種群體協(xié)作不僅超越了單個(gè)智能體的能力，還展示了復(fù)雜系統(tǒng)中的涌現(xiàn)現(xiàn)象。在這些系統(tǒng)中，個(gè)體智能體的簡(jiǎn)單行為和互動(dòng)，可能導(dǎo)致整個(gè)系統(tǒng)出現(xiàn)復(fù)雜的行為模式和結(jié)構(gòu)形態(tài)，使得系統(tǒng)能夠適應(yīng)新的環(huán)境和任務(wù)，而無需依賴預(yù)先設(shè)定的編程規(guī)則。

此外，具身智能系統(tǒng)中的自組織性是其擬生物特性的關(guān)鍵部分。智能體能夠根據(jù)環(huán)境變化和相互作用動(dòng)態(tài)地調(diào)整自己的行為和結(jié)構(gòu)，形成更高級(jí)別的功能和結(jié)構(gòu)，從而使系統(tǒng)具有更強(qiáng)的魯棒性和適應(yīng)性。

具身智能的這些特性在多種應(yīng)用中得到了體現(xiàn)。有研發(fā)團(tuán)隊(duì)專門設(shè)計(jì)了一種水下軟體機(jī)器人，其靈感來源于細(xì)菌的形態(tài)。這種生物啟發(fā)的模塊化結(jié)構(gòu)使機(jī)器人能夠在水下環(huán)境中執(zhí)行多種任務(wù)。這種機(jī)器人利用其周圍的環(huán)境（水）、目標(biāo)的形狀以及機(jī)器人本身的順應(yīng)性，通過少量的控制輸入來實(shí)現(xiàn)有效的導(dǎo)航和安全交互。這種建模方法和設(shè)計(jì)不僅展示了具身智能在模仿生物體方面的創(chuàng)新，也體現(xiàn)了它在實(shí)際應(yīng)用中的多功能性和適應(yīng)性。

?作者：Alexey Kashpersky&Newt Studios

總之，具身智能領(lǐng)域的技術(shù)發(fā)展呈現(xiàn)出多樣化和綜合化的趨勢(shì)，特別是在觀察、操縱和導(dǎo)航等方面的進(jìn)步尤為顯著。這些技術(shù)的發(fā)展不單單針對(duì)具身智能的某個(gè)特定特性，而是綜合了多方面的功能和能力，以實(shí)現(xiàn)更高的適應(yīng)性和靈活性。

通過結(jié)合機(jī)器人的傳感器數(shù)據(jù)和一般的視覺語言數(shù)據(jù)進(jìn)行聯(lián)合訓(xùn)練，特別是利用大語言模型的強(qiáng)大內(nèi)在知識(shí)，可以幫助具身智能在面對(duì)復(fù)雜和未知的真實(shí)世界環(huán)境時(shí)，進(jìn)行有效的動(dòng)態(tài)學(xué)習(xí)和泛化。例如，LLM-based Agent（基于大語言模型的智能體）以其獨(dú)特的語言能力為優(yōu)勢(shì)，不僅作為與環(huán)境交互的工具，還能將基礎(chǔ)技能轉(zhuǎn)移到新任務(wù)上，從而使機(jī)器人能夠根據(jù)人類的語言指令適應(yīng)不同的操作環(huán)境。

此外，通過嵌入式行動(dòng)規(guī)劃，利用高層策略指導(dǎo)低層策略的子目標(biāo)，從而使低層策略生成適當(dāng)?shù)男袆?dòng)信號(hào)，可以使機(jī)器人在執(zhí)行任務(wù)時(shí)更加高效和可控。這種策略的應(yīng)用可以使具身智能在處理復(fù)雜任務(wù)時(shí)更接近人類的決策模式。為了更有效地完成導(dǎo)航和其他復(fù)雜任務(wù)，具身智能還需要內(nèi)存緩沖區(qū)和總結(jié)機(jī)制，以便參考?xì)v史信息并更好地適應(yīng)未知環(huán)境。

近年來，谷歌公司的Everyday Robot項(xiàng)目SayCan系統(tǒng)，已經(jīng)將機(jī)器人和對(duì)話模型結(jié)合，完成一個(gè)包含16個(gè)步驟的長(zhǎng)任務(wù)；伯克利的LM Nav項(xiàng)目，則用三個(gè)大模型（視覺導(dǎo)航模型ViNG、大語言模型GPT-3、視覺語言模型CLIP）教會(huì)了機(jī)器人在不看地圖的情況下按照語言指令到達(dá)目的地；上文提到的谷歌與柏林工業(yè)大學(xué)推出的PaLM-E模型更是在具身智能的多模態(tài)理解和執(zhí)行方面取得了顯著的進(jìn)展。

能夠發(fā)現(xiàn)，具身智能的技術(shù)發(fā)展正邁向一個(gè)更加綜合、靈活且高效的方向。這些技術(shù)的融合和發(fā)展，不僅提高了智能系統(tǒng)的適應(yīng)性和實(shí)用性，也為未來的智能系統(tǒng)設(shè)計(jì)和應(yīng)用開辟了新的路徑。隨著技術(shù)的不斷進(jìn)步，我們可以期待具身智能在更多領(lǐng)域的實(shí)際應(yīng)用和創(chuàng)新突破。

為了深入理解人工智能（AI）和人類智能（Human intelligence，HI）之間的差異，并探索如何縮小這一差距，結(jié)合對(duì)具身智能特性的考量，Shanda AI Lab LEAF團(tuán)隊(duì)提出了五性原則，以對(duì)照分析AI的發(fā)展方向（在后續(xù)的“智能漸近線”系列報(bào)告中，我們會(huì)不斷擴(kuò)充五性的內(nèi)容）。這些原則不僅與具身智能的四大特性相互呼應(yīng)，還深入探討了AI發(fā)展的關(guān)鍵方面，以期望使AI更接近于人類智能的復(fù)雜性和適應(yīng)性。

1）邏輯性

AI應(yīng)具備類似于人類大腦的邏輯思考和理解能力。具體來說，就是AI能夠在復(fù)雜的社交場(chǎng)景中，結(jié)合已有的各種知識(shí)儲(chǔ)備進(jìn)行綜合運(yùn)算及推理，理解語義及語義背后的復(fù)雜內(nèi)涵，最終給出相應(yīng)的輸出。

2）感知力

AI需要具有強(qiáng)大的感知能力，能識(shí)別和關(guān)聯(lián)多種信號(hào)，并能進(jìn)行類似于人類的想象和通感。它不僅能夠理解聊天輸入，同時(shí)也能處理多種類型的輸入信息；能夠像人一樣，快速地對(duì)周圍環(huán)境的變化和各種刺激做出迅速的反應(yīng)。

3）實(shí)時(shí)性

AI系統(tǒng)可以做到信息的實(shí)時(shí)更新、隨時(shí)取用、隨環(huán)境而反饋；它可以學(xué)習(xí)人類的記憶模塊的能力，通過上下文學(xué)習(xí)和情境學(xué)習(xí)等方式，從有限的實(shí)時(shí)信息中進(jìn)行類比學(xué)習(xí)，理解新的任務(wù)。

4）主動(dòng)性

AI能夠靠積極主動(dòng)的、有目的性的行為，來完成類似于人類執(zhí)行功能的事物處理能力，包括設(shè)定目標(biāo)、規(guī)劃流程、分解任務(wù)、使用工具方法、管理時(shí)間和組織安排等方面；這也就意味著AI需要在真實(shí)環(huán)境中學(xué)習(xí)大量實(shí)際的經(jīng)驗(yàn)，并對(duì)上下文和具體情境能夠有實(shí)時(shí)調(diào)整的能力，進(jìn)而可以依據(jù)實(shí)際的場(chǎng)景自主決策，靈活安排并主動(dòng)交互。

5）適應(yīng)性

AI具備主動(dòng)感知和理解世界的能力，以及能夠與環(huán)境進(jìn)行雙向的、動(dòng)態(tài)的交互；這種適應(yīng)性不僅限于機(jī)器對(duì)輸入的響應(yīng)，還包括系統(tǒng)能夠根據(jù)內(nèi)部知識(shí)做出合適的決策，并通過特定的行為來改變周圍的環(huán)境；在社會(huì)學(xué)意義上，意味著人工智能能夠以近似人類的方式與世界進(jìn)行深度互動(dòng)，并理解世界的復(fù)雜性。

顯而易見，要想讓人工智能更接近人類智慧，其先決條件是讓人工智能理解并學(xué)習(xí)人類認(rèn)知世界的方式，進(jìn)而以類似人類思考決策的方式去行動(dòng)。

作為典型的強(qiáng)智能體，人類在成長(zhǎng)過程中較少的依賴當(dāng)前深度學(xué)習(xí)中采用的監(jiān)督學(xué)習(xí)范式。相反，人類關(guān)鍵性技能的發(fā)展，如行走、使用工具、學(xué)習(xí)新的技能，都依賴于身體力行的嘗試。同樣，具身智能通過與環(huán)境的互動(dòng)，雖然面臨第一視角得到數(shù)據(jù)的不穩(wěn)定，但它能夠通過類似人類的中心感知方式來學(xué)習(xí)，并真正地在實(shí)際環(huán)境中應(yīng)變和理解，從而從視覺、語言和推理過渡到人工具身（Artificial Embodiment）。

具身智能的發(fā)展

近年來，“具身智能”逐漸成為熱門的研究方向，吸引了計(jì)算機(jī)視覺、自然語言處理和機(jī)器人等眾多領(lǐng)域的研究興趣。自2017年第一屆機(jī)器人學(xué)習(xí)大會(huì)CoRL（Conference on Robot Learning）召開以來，我們見證了機(jī)器人學(xué)習(xí)領(lǐng)域的快速發(fā)展，包括大量新的智能任務(wù)、算法、環(huán)境的涌現(xiàn)。在接下來的幾年里，特別是2018年和2019年的CoRL會(huì)議上，大量的具身智能學(xué)術(shù)任務(wù)開始被提出并受到關(guān)注，包括具身視覺導(dǎo)航、具身問答系統(tǒng)等。

到了2023年，CVPR 2023具身智能研討會(huì)更是組織了AI Habitat、AI2-THOR、iGibson、Sapien仿真器的物體重排列、具身問答、具身導(dǎo)航和機(jī)器人操作挑戰(zhàn)賽。這些具身智能任務(wù)與其他線上AI任務(wù)具有完全不同的范式，即利用具身智能體（如機(jī)器人）“看”、“說”、“聽”、“動(dòng)”、“推理”等方式，與環(huán)境進(jìn)行交互和探索任務(wù)目標(biāo)，從而解決環(huán)境中的各項(xiàng)挑戰(zhàn)性任務(wù)。

總結(jié)來看，人工智能學(xué)習(xí)并理解人腦的認(rèn)知范式，進(jìn)而接近于人的智慧，將是大勢(shì)所趨；而具身智能，尤其是模擬人類的具身智能，是人工智能趨向于人類智能的可行的高效捷徑。