Can robots understand the world?

让机器人学会后空翻，和让它们叠一件衣服，哪一项任务更难？答案是后者。因为后空翻考验的是“理解自己的身体”，而叠衣服考验的是“理解这个世界”。让机器人理解世界，是一道真正的难题。 在AI世界里，人形机器人、具身智能等属于人工智能领域的新概念。什么是具身智能？如何理解“具身”？有了传统的机器人，我们为何还要制造人形机器人？ 具身智能是什么 人工智能领域内，热度很高的一个词叫具身智能。具身智能究竟是什么？ 在讲述具身智能之前，先讲一个与之相对应的概念，叫离身智能。离身智能擅长处理文本、图像等抽象信息并进行逻辑推演，传统大语言模型就属于离身智能。 离身智能的训练素材是互联网文本、图片，学习词语之间的统计关联。它可以输出“拧开瓶盖”这几个字，但它不知道瓶盖有多滑、需要多大扭矩、手要如何稳住瓶身。词语对它来说只是符号，缺少物理世界的根基。 具身智能，就是把AI赋能到物理实体上，让AI能够和真实的物理世界进行交互。认知科学早就提出“具身认知”这一概念。人类的智慧并非单独存在于大脑，我们对轻重、软硬、平衡的理解，全部来自身体几十年的体验。婴儿通过抓东西、摔倒、触摸冷热建立对世界的常识认知。过去的传统AI跳过了这个过程，而具身智能要做的是，复刻这套“在实践里学习常识”的路径。 许多人会将具身智能和机器人、人形机器人混为一谈。相当一部分具身智能确实是以机器人作为载体呈现的，但两者不能够画等号。具身智能并不完全等同于人形机器人，它的载体还可以是自动驾驶汽车、巡检无人机等。 杭州电子科技大学具身智能实验班项目主任、机械工程学院副教授章雪挺指出，区分机器人是不是具身智能的核心标准是，具身智能是依赖环境感知来进行自我进化、迭代学习的。而传统机器人虽然搭载传感器、拥有预设的程序和一定的执行能力，但不一定属于具身智能机器人。 比如，科技馆里有一些外观高度仿真的人形机器人，你与它对话，它会完成抬手、眨眼等基本动作，但是它所有的回答、动作都是预先编程好的，如果遇到设定之外的问题它就没办法回答，哪怕外形跟真人相似，也只属于广义的人形机器人。 真正的具身智能机器人，模型跟程序会依托环境感知实现自学习、自训练，持续迭代，变得越来越聪明。比如现在参加机器人运动会的一些人形机器人，它们的能力每个月都在迭代，并不是程序员持续大规模改写代码，而是源于具身智能带来的自主迭代的能力。 机器人为何造人形模样 有人会问，既然有了传统机器人，为什么要做人形机器人？ 工厂机械臂精准高效，AGV（自动导引运输车）可以搬运货物，扫地机器人能打扫房间。这些成熟机器人解决了大量体力劳动，为何还要研发行走不稳、造价高昂的人形机器人？ 在科学家看来，传统机器人是改造世界，让世界适配机器；而人形机器人的目标是改造机器，让机器适配已经建好的人类世界。 现在所有的基础设施都按照人体形态设计，比如门把手高度、楼梯台阶、桌椅、货架、扳手、开关等，机械臂想要上岗，需要专门改造工位、加装防护围栏；AGV只能在平整地面上按预设路线行驶，遇到台阶、狭窄房门就寸步难行。 而人形机器人的四肢、躯干、双手尺寸接近人类，理论上可以直接使用人类现有的全部工具，进入没有专门改造的房间与仓库。所以，人形形态不是“为了长得像人”，而是人类现有物理环境的最大公约数。它不是单纯的仿生噱头，而是取舍后的工程选择。 在合肥市罍街一家“具身智能机器人小店”，机器人抓取商品递送给顾客。 我们经常能看到一些人形机器人慢跑、上下楼梯、摔倒后自主站起的视频，有人认为，这样发展下去，机器人很快就能胜任所有家务。但目前人形机器人的发展远没有达到掌握人类“通用能力”的阶段。短板就集中在精细柔性操作、物理常识、长任务规划、续航耐久等方面。 比如，业内所说的“最后几厘米难题”——灵巧手。机器人可以抓起硬质盒子，但很难稳定完成拧瓶盖、插插头、折叠柔软衣物、拿捏鸡蛋这类任务。它缺少类似人类皮肤的分布式触觉感知，无法精细控制力度。 再比如，人形机器人的物理常识不足。大语言模型读过千万句关于水、杯子的文字，但没有直观理解“杯子一碰就倒”“水会流淌”等物理常识。它缺少人类在童年积累的直观世界模型，遇到意料之外的状况很容易卡住。 人形机器人已经实现“能行动”，但距离灵活应变、自主完成一整套复杂长任务的通用智能体还有很长的路。 从演示走向实用有几道关 过去10年人工智能的浪潮，核心是处理文字、图片、音频等数字信息，而具身智能开启了下一段旅程，让AI走出屏幕，进入物理世界，在行动中学习真实世界的因果与常识。 那么，具身智能机器人从演示走向实用，还需闯过哪些关卡？ 第一大难关，是机器人的“大脑”可靠性不足。具身智能机器人的“大脑”在预设环境中表现尚可，但一进入非结构化的真实世界容易“掉链子”。机器人难以将在一个场景学到的技能迁移到新环境，这是“大脑”不够聪明的核心根源。 宇树科技创始人王兴兴给出一个较远的展望，具身智能的“ChatGPT时刻”，即在80%陌生场景中通过自然指令完成80%的任务，快则2—3年，慢则5—10年。 与语言大模型有海量的互联网文本可用不同，机器人的物理交互数据无法“伸手即得”，数据关卡是第二大难关。 仿真数据成本低但难以完全复刻真实的物理规律（比如材质、摩擦），而真机数据真实但采集成本极高、效率低下。另外，各厂商的硬件接口、数据格式自成体系，导致数据难以复用和共享，进一步加剧了高质量“物理世界数据”的稀缺。 身体硬件“拖后腿”是第三大难关。身体硬件是具身智能的物理基础，其在真实状况下的表现和制造能力仍是硬约束。在设备自重受限的前提下，机器人需满足负重、高低温适配、持续工作时长等行业应用的客户底线性能要求。 量产关是具身智能走向实用的第四大难关。目前，国内外多家企业的人形机器人产品都已实现批量生产，只不过这些机器人大多流向了教育科研、展览展示等场景，还没有真正在工厂、物流、搬运、家务等实用场景中“上岗干活”。 业内人士认为，具身智能要取得突破发展，需要多学科交叉，需要综合型人才在顶层规划下团队协同攻关。人工智能这一次的“转身”，仍有许多想象和发展的空间。 （文内图片来源：新华社。题图： 在北京人形机器人创新中心，人形机器人做出“比心”姿势。 ）