清華大學(xué)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(jīng)記者｜王晶    每經(jīng)編輯｜梁梟    

2024年12月6日，“2024數(shù)智科技大會”在成都召開，活動以“奔向數(shù)智新時代”為主題，由成都傳媒集團指導(dǎo)，每日經(jīng)濟新聞主辦，中央財經(jīng)大學(xué)數(shù)字經(jīng)濟融合創(chuàng)新發(fā)展中心提供學(xué)術(shù)支持，數(shù)智未來場景實驗室進行智略支持。

會上，清華大學(xué)計算機科學(xué)與技術(shù)系教授、中國人工智能學(xué)會副理事長孫富春圍繞“具身智能賦能產(chǎn)業(yè)發(fā)展”發(fā)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(guān)系、艾倫·圖靈通過心智的發(fā)育和具身來發(fā)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(fā)展至關(guān)重要。

孫富春發(fā)表主題演講 圖片來源：每經(jīng)記者 張建 攝

孫富春還解釋了具身智能與離身智能體的區(qū)別。“離身智能體不具備物理形態(tài)，被動接受人類采集制作好的數(shù)據(jù)，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(wù)機器人、無人車等）。1963年麻省理工學(xué)院Richard Held教授用一對貓做學(xué)習(xí)訓(xùn)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(jié)果與物理世界進行感知與交互的貓學(xué)會了行走，這個例子進一步說明具身的重要性。”

然而，要實現(xiàn)真正的“智能”，具身智能系統(tǒng)需要具備場景感知、認知、多模態(tài)的連續(xù)學(xué)習(xí)等能力為機器人提供更為豐富和全面的環(huán)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(jié)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(dǎo)下，機器也會如同人一樣迅速完成各類任務(wù)，并且可以根據(jù)操作對象的不同形態(tài)、大小、軟硬來完成操作。不僅如此，具身智能還體現(xiàn)在智能體做多任務(wù)和跨任務(wù)方面。”

當前，具身智能的快速發(fā)展，為眾多行業(yè)帶來了前所未有的變革機遇。在制造業(yè)領(lǐng)域，具身智能機器人能夠精準執(zhí)行復(fù)雜的生產(chǎn)任務(wù)，提高生產(chǎn)效率和產(chǎn)品質(zhì)量；在醫(yī)療領(lǐng)域，具身智能也展現(xiàn)出了巨大的應(yīng)用潛力。例如，在外科手術(shù)中，醫(yī)療機器人可以輔助醫(yī)生進行高精度的手術(shù)操作，降低了手術(shù)風險，提高了手術(shù)成功率。此外，具身智能還在智能家居、安防監(jiān)控、智慧交通等領(lǐng)域發(fā)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(fā)展將主要圍繞四大核心要素展開：本體，具身智能體，數(shù)據(jù)、知識和場景以及學(xué)習(xí)和進化架構(gòu)。

具體來看，本體作為實際的執(zhí)行者，是在物理或者虛擬世界進行感知和任務(wù)執(zhí)行的機構(gòu)，具有廣泛適應(yīng)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(huán)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(shù)據(jù)是泛化的關(guān)鍵，但涉及機器人的數(shù)據(jù)稀缺且昂貴。為了適應(yīng)復(fù)雜環(huán)境和任務(wù)的泛化性，模型規(guī)模變得越來越大，而大規(guī)模的模型對于數(shù)據(jù)的要求更為嚴格。第四，真實物理環(huán)境的諸多方面目前往往難以模擬，如何對簡單的仿真和復(fù)雜的真實世界進行有效的Sim2Real建模，也是智能體設(shè)計的關(guān)鍵。