清華大學教授孫富春：具身智能是AI進入物理世界進行交互的載體

每經記者｜王晶    每經編輯｜梁梟    

2024年12月6日，“2024數智科技大會”在成都召開，活動以“奔向數智新時代”為主題，由成都傳媒集團指導，每日經濟新聞主辦，中央財經大學數字經濟融合創新發展中心提供學術支持，數智未來場景實驗室進行智略支持。

會上，清華大學計算機科學與技術系教授、中國人工智能學會副理事長孫富春圍繞“具身智能賦能產業發展”發表主題演講。他首先回顧了具身智能的起源，提到沃倫·S·麥卡洛克探討認知與身體的關系、艾倫·圖靈通過心智的發育和具身來發展智能，以及赫爾德和海因證明了主動行為與感覺反饋的互動對認知發展至關重要。

孫富春發表主題演講 圖片來源：每經記者 張建 攝

孫富春還解釋了具身智能與離身智能體的區別。“離身智能體不具備物理形態，被動接受人類采集制作好的數據，停留在‘紙上談兵’，而具身智能是給機器一個物理的身體或形式來與物理世界交互（如家用服務機器人、無人車等）。1963年麻省理工學院Richard Held教授用一對貓做學習訓練，一只貓放在籃子里并蒙上眼睛，另一只貓在物理世界自主行動，結果與物理世界進行感知與交互的貓學會了行走，這個例子進一步說明具身的重要性。”

然而，要實現真正的“智能”，具身智能系統需要具備場景感知、認知、多模態的連續學習等能力為機器人提供更為豐富和全面的環境理解能力。孫富春舉例稱：“人要做好一件事通常要將抽象的感知提升為認知，而認知最重要的承載是知識，把蘋果放在桌子上可以分解為三步。首先，找蘋果，這是感知技能加認知技能的結合，我們的大腦指揮頸部帶動眼睛掃描；第二步，抓住蘋果；第三步，放置蘋果。在知識引導下，機器也會如同人一樣迅速完成各類任務，并且可以根據操作對象的不同形態、大小、軟硬來完成操作。不僅如此，具身智能還體現在智能體做多任務和跨任務方面。”

當前，具身智能的快速發展，為眾多行業帶來了前所未有的變革機遇。在制造業領域，具身智能機器人能夠精準執行復雜的生產任務，提高生產效率和產品質量；在醫療領域，具身智能也展現出了巨大的應用潛力。例如，在外科手術中，醫療機器人可以輔助醫生進行高精度的手術操作，降低了手術風險，提高了手術成功率。此外，具身智能還在智能家居、安防監控、智慧交通等領域發揮著重要作用。

展望具身智能的未來，孫富春提出，具身智能的發展將主要圍繞四大核心要素展開：本體，具身智能體，數據、知識和場景以及學習和進化架構。

具體來看，本體作為實際的執行者，是在物理或者虛擬世界進行感知和任務執行的機構，具有廣泛適應性的機器人本體是非常必要的。其次，具身智能體是具身于本體之上的智能體，負責感知、理解、決策、控制等核心工作，能夠與環境進行自主交互是具身智能的核心。目前，具有通用能力的LLM（大語言模型）和VLM（視覺語言模型）等模型可以賦予具身智能體強大的泛化能力。第三，數據是泛化的關鍵，但涉及機器人的數據稀缺且昂貴。為了適應復雜環境和任務的泛化性，模型規模變得越來越大，而大規模的模型對于數據的要求更為嚴格。第四，真實物理環境的諸多方面目前往往難以模擬，如何對簡單的仿真和復雜的真實世界進行有效的Sim2Real建模，也是智能體設計的關鍵。