编者按

全球计算联盟官网策划推出系列“专题研究”栏目，试与产业伙伴探讨产业技术的前沿动态与未来发展方向，共同为产业发展贡献智慧与力量。今日带来《具身智能：多元技术路径编织智能交互新未来》，欢迎交流讨论！

在当今科技飞速发展的时代，具身智能已成为人工智能领域备受瞩目的前沿方向。当我们探寻人工智能思想的早期脉络时，艾伦·麦席森·图灵（Alan Mathison Turing）在 1950 年发表的经典文献《COMPUTING MACHINERY AND INTELLIGENCE》便赫然浮现。机器智能深度思考的理念，最初便在这样的学术思辨中崭露头角，为后续人工智能多元分支的衍生如具身智能的兴起埋下了最初的思想根基，推动着世代研究者们从不同视角去探究智能的本质与实现途径。

在早期理论的滋养与时代需求的驱动下，具身智能逐步从朦胧的构想走到聚光灯下，开启在人工智能领域高速发展的崭新篇章，不断拓展着智能体与物理世界交互的边界与可能。具身智能是在赋予智能体在物理世界中自主交互的能力，通过感知、决策和行动的紧密结合，实现与环境的深度融合。随着多年发展，如今具身智能已成为人工智能领域备受瞩目的前沿方向，取得了诸多令人振奋的成果，不断推动着智能机器人向更加智能、灵活和实用的方向迈进，为解决现实世界中的复杂问题提供了全新的思路和方法。

一、具身智能的核心技术要素与挑战

（一）感知与理解物理世界

对于智能体而言，要想在物理世界中自如行动，强大的感知能力无疑是首要条件。视觉感知借助如RGB、深度、法线贴图等多种视觉传感器数据，能够为智能体提供物体的初步形状、位置以及姿态等基础信息，然而现实世界的复杂性远远超出了单一视觉感知所能涵盖的范畴。例如在物流仓库这一典型场景中，当机器人执行货物搬运任务时红外线式深度感知、触觉感知和力感知等多模态感知能力的协同运作就显得至关重要：触觉感知能够让机器人敏锐地感知到货物的表面材质，进而辅助其调整抓取方式；力感知则可确保机器人精确控制抓取和搬运过程中的力度，有效防止因用力不当而导致货物受损等。

实现多模态感知数据的有效融合与深度理解绝非易事。不同模态的数据犹如不同语言，相互间存在隔阂，如何让它们协同互补，构建精准全面的物理世界认知模型，是当下研究的一大难题。并且，从海量感知数据里挖掘出实用的物理常识也颇为艰巨，智能体需要深入理解物体物理属性，而这则需设计复杂、高效的算法来探寻其中规律。就像制造业中机器人加工金属零部件时，依据力反馈、视觉形变与温度变化等多模态数据，总结不同工艺下金属的特性，如硬度与热胀冷缩变化，以优化加工参数。在笔者看来，这不仅是技术上的挑战，更是对我们如何理解智能体与物理世界交互本质的深度探索。

目前对具身智能领域的观察来看，Noematrix穹彻智能（专注于具身智能技术开发与应用的创新企业，聚焦“以力为中心”的具身智能大模型和相关基础设施的研发）积极探索通过对大量实例的深入分析，以像素级别的精细信息为切入点，深入理解诸如微波炉沿指定轴打开等操作方式，为智能体积累物理操作经验提供了有益的思路：例如，通过分析微波炉开门时的动作、力的作用点以及门的运动轨迹等像素级信息，智能体可以学习到关于旋转轴、力的传递和物体运动的物理常识。尽管如此，从整体视角审视，要从海量感知数据中高效提炼物理规律，并使智能体能够灵活应对诸如物流搬运这类复杂多变的场景，仍需科研人员持之以恒地钻研与攻克。

（二）决策与规划能力

在具身智能的体系中，决策与规划能力直接决定了智能体执行任务的质量和效率，是智能体展现智能行为的核心环节。在具身智能体系架构中，决策与规划能力直接关乎智能体执行任务的质量与效率，堪称智能体彰显智能行为的核心枢纽。

仍以物流仓库场景为例，当智能体接收到“将一箱易碎物品从货架A搬运到指定区域B，并确保沿途避开其他障碍物和正在运行的设备”这般任务指令时，它需迅速激活强大的分析机制，全面综合考量物品的重量、形状、易碎特性，以及货架布局、周围障碍物分布、设备运行轨迹等众多错综复杂的因素，进而规划出一条既安全又高效的搬运路径。此过程涉及复杂的空间推理，要求智能体精确计算可行路径，并合理编排每一个动作序列。具体而言，智能体首先依据货物的形状与重量，精准调适机械臂的姿态，确保稳固抓取货物；随后依据实时感知的周围环境信息，灵活调控移动底盘的行进方向与速度，巧妙避开障碍物与运行中的设备，这一系列动作的流畅衔接与精准执行，充分考验着智能体的决策与规划能力。

操作物理常识大模型在智能体的决策进程中发挥着不可或缺的关键作用。基于对物理常识的深刻领悟，智能体能够在极短时间内作出精准的力位混合决策。例如，在抓取易碎物品时，智能体可依据物品的几何特征、材质属性以及过往任务经验所积累的物理常识，迅速锁定最为适宜的抓取位置与力度大小，确保抓取动作的稳定性与可靠性，最大程度降低对易碎物品造成损坏的风险。然而，具身智能所涉及的空间维度极为复杂，数据获取成本高昂且数据类型特殊，并非简单的互联网文本数据，而是从“视觉感知”到“动作执行”的专用数据。在此情形下，单纯依赖大量堆砌数据来提升泛化能力显然不切实际，这迫切需要科研人员从基本原理出发，精心构建具有高度适应性与强大泛化能力的决策模型，以切实满足不同场景与多样化任务的实际需求。

二、技术发展趋势与创新实践

（一）模型架构的革新之路

为了突破上述决策与规划能力面临的困境，模型架构在不断演进。当前，模型架构的发展呈现出多元化和创新性的蓬勃态势。Noematrix穹彻智能基于第一性原理，提出“二级火箭模型架构”助力具身智能达成。此架构首层聚焦于物理操作常识的深度研习与精确呈现，借由大量实例剖析积攒经验。就拿物流仓库里“叉车叉货”场景来讲，通过细致解析叉车叉齿插入货物底部的角度、深度及提货时力的改变等细节信息，让智能体快速领会操作要点，从而面对同类任务时能够精准决策。此外，在第二层构建“力-位行动大模型”，深度整合优化力与位置信息，实现更完善精确的力位协同操控，从而使智能体能够根据货物的特性与搬运需求灵活地应对各类复杂搬运事务。

此外，像Boston Dynamic波士顿动力（专注于高度移动机器人开发与部署的全球领先企业，致力于设计并制造仿生机器人）在其机器人的控制架构中，融入了基于生物力学原理的分层控制架构，通过模拟生物肌肉骨骼系统的协同工作机制，实现了机器人在复杂地形和动态任务中的高效运动控制和自适应调整，这种架构为具身智能的模型架构设计提供了一种从生物启发角度出发的新思路，尤其在提升机器人的运动灵活性和环境适应性方面具有较大潜力。

与此同时，多模态大模型的蓬勃发展为具身智能注入了全新活力。例如谷歌的Palm-E模型助力机器人，它在理解指令、识别物体、规划任务等方面淋漓尽致地展现了多模态大模型在提升机器人任务执行效率与准确性方面的巨大潜力。例如，它可以从抽屉里拿东西，然后走过去递给使用者。在此过程中，它需要听懂语言指令，还要会识别指定物体并规划任务步骤。另外，研究人员让机器人完成颜色归类任务时，给出的输入不限于语言指令，还掺杂了视觉信息，而Palm-E模型助力机器人能够准确地排列积木，把相同的颜色块放到一起，甚至可以将红色积木推到咖啡杯旁边而不会出错。这一系列的精彩表现，充分表明多模态大模型作为具身智能发展的关键驱动力，正引领着具身智能机器人在复杂多变的现实任务场景中不断突破局限，向着更高层次的智能化与精准化大步迈进。

（二）数据驱动下技能的习得与延展

具身智能在执行各类任务时，所涉及的操作不仅数量庞大，而且种类极为繁杂。为了达成技能的高效学习与延展，产业界致力于对具身智能的操作进行有效的拆解与重组。当前主要存在两种主流的拆解方向：一种是基于任务流程进行拆解，即按照具身智能完成一项任务的先后顺序，将其分割为一个个连续的子任务单元，每个子任务单元可视为一种基础技能元素；另一种是依据功能模块来划分，将具身智能的操作按照感知、决策、运动控制等不同功能板块进行拆分，从而得到对应功能下的基础技能模块。

以Noematrix穹彻智能的“AnySkill通用原子技能库”为例，其采用了一种将操作拆解归类为原子技能（原子技能作为具身智能操作中最基本的构成单位，不可再进一步细分）的方式，通过对不同类型任务进行深入分析，识别出其中共通的原子技能，并对这些原子技能进行提取与整理。进而借助巧妙的组合方式，将这些原子技能构建成丰富多样的“技能库”，以满足具身智能在复杂多变的场景下执行任务的需求。例如在物流仓库货物分拣场景中，分拣动作可被拆解为识别货物、抓取货物、移动货物、放置货物等原子技能，Noematrix穹彻智能将这些原子技能组合优化，使智能体能够高效地完成货物分拣任务。

此外，在以数据驱动的技能学习领域，多种技术路线并存。例如，英伟达凭借强大的GPU计算能力和CUDA生态系统，运用强化学习与生成对抗网络相结合的方式，让智能体在环境中不断试错，并借助生成对抗网络生成更多样化的训练数据，以此加速技能的学习与泛化。微软则利用自身在云计算和大数据处理方面的专长，深入研究和应用迁移学习技术，能够把在一种场景下习得的技能迅速迁移至其他相似场景，有效减少数据需求和训练时间，这些技术探索都在为具身智能的技能习得与延展开辟不同的路径。

在数据质量控制方面，由于具身智能的数据来源广泛且复杂，包括传感器采集数据、仿真数据等，数据的准确性、完整性和一致性至关重要。例如，英特尔的实感技术摄像头在具身智能应用中作为视觉传感器时，可能会受到光照、遮挡等因素影响产生噪声数据。英特尔通过其研发的数据清洗算法，能够有效去除这些异常值，并且结合其他传感器如英特尔的Movidius神经计算棒所采集的数据，进行多传感器数据融合，从而提高数据的可信度，为具身智能系统提供更准确可靠的视觉感知信息，使其在物体识别、场景理解等任务中表现更优。

此外，对于数据隐私保护，随着具身智能在家庭服务、医疗保健等涉及个人隐私场景的应用增多，如何确保用户数据不被泄露和滥用成为关键问题。例如，苹果公司在其智能家庭生态系统和医疗健康相关应用中，采用加密存储和匿名化处理等技术手段来保障用户隐私。在数据传输过程中，苹果使用先进的加密协议对用户数据进行加密，确保数据在传输过程中的安全性。同时，在数据存储时，对用户的敏感信息进行匿名化处理，使得即使数据被意外获取，也无法直接关联到具体的用户个体，从而有效防止用户数据的泄露和滥用，保护用户的隐私安全。

而在不同数据来源的权重分配方面，需要依据任务需求和数据可靠性进行动态调整。在机器人技能学习过程中，英伟达借助强大计算能力和丰富仿真工具，通过在初始阶段生成大量仿真数据助力机器人快速掌握基本技能。当机器人进入实际应用场景，比如波士顿动力的机器人在物流仓库、建筑工地等复杂环境中执行任务时则主要依靠实际采集数据来适应真实场景需求。在此基础上，通过建立基于贝叶斯推理或深度学习的权重分配模型（如OpenAI所探索的一些方法），能够根据机器人在不同任务中的表现以及数据的实际效果，实现数据权重的自适应优化，从而使机器人能够更好地适应各种复杂多变的实际场景，提高任务执行的成功率和效率。

另一方面，Sim2Real技术（Simulation-to-Reality技术，即仿真到现实技术，在人工智能和机器人领域广泛应用的关键技术策略）的迅猛发展也为具身智能带来了前所未有的推动力量。在物流仓库的自动化设备调试场景中，智能搬运机器人可依托虚拟环境模拟各类复杂搬运任务。例如，模拟搬运不同重量和形状的货物时，机器人的机械臂和底盘在不同速度和加速度下的运动状态，以及与周围虚拟障碍物的交互情形。借助精确模拟气体-固体交互、流体-固体交互等多物理场耦合效应（如在搬运液体货物时，充分考量液体晃动对机器人平衡的影响），并采用先进的基于粒子的方法模拟流体动力学等复杂过程，机器人在虚拟环境中展开大量模拟训练。历经充分训练后，机器人将所学技能顺畅迁移至实际物流仓库环境，能够更为出色地适应实际任务中的各种复杂状况，有效降低在实际调试过程中可能出现的设备损坏与货物损失风险，显著提升物流作业的整体效率与安全性。

（三）机器人本体设计与创新

在机器人本体设计方面，追求更高的灵活性和更大的操作空间一直是发展的重要目标。目前轮式和双足式是当下较为主流的两种设计方向：双足机器人模仿人类行走，其特点在于对复杂地形有一定适应性，可跨越小障碍及在不太平整地面行走，但需要复杂动力学控制与平衡算法，稳定性较差、移动速度慢、结构复杂、制造成本高、维护繁琐且负载能力低。目前双足机器人更多处于研究和特定复杂场景探索阶段，如高度拟人化展示或特殊地形探测等少数情况，而轮式机器人因综合优势成为多数场景的主流选择。

轮式通过轮子接触地面移动，具有稳定性强、速度易控、结构简单、负载能力调整灵活等优势，在平坦地面或室内环境等大多数场景下能高效完成任务，目前被广泛应用。银河通用（专注于具身多模态大模型通用机器人研发的企业）推出的 GALBOT G1轮式双臂机器人，具备高成功率的通用泛化能力，在制造业（零件分类等）、零售商超（货物盘点等）、药店（药品运送等）、家庭（清洁、打扫等）等多种场景下都有出色表现。

此外，机器人硬件性能的不断提升也为智能水平的飞跃提供了保障。高分辨率的视觉传感器能够清晰捕捉货物的标签信息、外观细节以及周围环境的特征，这对于物流仓库中的货物识别和库存管理至关重要。例如，货物入库时视觉传感器可快速识别货物的条形码或二维码，准确记录货物信息；在家庭服务场景中，视觉传感器能够识别不同家庭成员面容、家居物品种类与位置，以便提供个性化服务。此外，灵敏的触觉传感器能够实时感知机器人与货物以及周围环境的接触力变化，在搬运易碎物品时，如玻璃制品或精密仪器，触觉传感器可以及时反馈接触力大小，让机器人调整搬运力度，确保轻柔操作，避免物品损坏；在医疗保健场景中，触觉传感器可让智能护理机器人在协助病人翻身、按摩等操作时，精准控制力度，避免对病人造成伤害。

随着硬件技术的迅猛发展，具身机器人已具备在端侧运行多模态大模型（能够同时处理和整合多种模态数据的人工智能架构）的能力，而强大的计算单元在其中起着关键作用。先进的计算单元包含高性能的CPU、GPU以及新兴的AI芯片等，为智能体的决策和行动筑牢了高速、高效的运算根基。这些计算单元凭借其强大的处理能力使得机器人可以在复杂多变的现实环境中迅速处理海量感知数据，如视觉图像、声音信息、触觉反馈等，并及时作出精准决策。例如，当遭遇突发状况，像是货物掉落或设备故障时，机器人能凭借计算单元的强大运算支撑，快速规划并施行相应的应急举措，有力地保障任务执行的连续性与安全性。例如，银河通用的 GALBOT充分借助硬件发展所带来的端侧运行优势，深度融合视觉、语言与动作等多模态信息，在机器人动作数据场景迁移与泛化应用方面发挥引领作用，显著提升机器人多场景适应性与执行力的同时，从工业制造场景到家庭服务场景等均展现出卓越的性能表现。

三、未来展望

展望未来，具身智能技术的发展充满无限潜力与希望。在模型构建方面，期望其能持续优化升级，将物理常识与多模态信息巧妙融合，使智能体在复杂现实场景中的决策规划更精准高效，行为表现更智能出色。不同的模型架构发展方向将相互竞争与融合，无论是基于传统神经网络改进的架构，还是新兴的量子计算启发的架构，都将在未来的技术生态中寻找自己的定位，共同推动具身智能模型朝着更强大、更灵活的方向发展。

数据驱动的策略会在不断改进中实现新跨越，合成数据与实际采集数据的结合会愈发紧密。Sim2Real技术也会更趋成熟，逐渐消除虚拟与现实的界限，推动智能体在现实世界广泛深入地应用，为各行业智能化变革提供强劲动力，引发新的产业创新与变革潮流。在这个过程中，数据质量控制、隐私保护和合理的权重分配将成为构建可靠数据驱动体系的关键基石，只有妥善解决这些问题，才能确保具身智能技术在大规模产业应用中健康稳定发展。

在机器人本体设计领域，相信未来机器人结构设计将会更精妙灵活，在材料科学与能源技术等方面也会有重大进展，比如新型材料能让机器人更轻便强韧，适应复杂恶劣环境；高效能源技术可赋予机器人更持久动力，扩大其活动与作业范围，提升其性能自主性等等在多领域发挥重要作用，成为人类社会发展进程中不可或缺的智能伙伴。同时，机器人的设计将更加注重开放性和模块化，不同企业和研究机构可以方便地将自己开发的功能模块集成到机器人平台上，促进整个产业的协同创新和技术共享，避免技术垄断和封闭性开发，进一步丰富机器人的功能和应用场景，以满足多样化的市场需求。例如，特斯拉在其人形机器人的研发中，就强调了硬件设计的通用性和可扩展性，其采用的一体化压铸技术和模块化电池组设计，不仅提高了生产效率和机器人的结构强度，还为后续的功能升级和个性化定制提供了便利。

此外，随着具身智能技术的不断发展，产业协同与标准规范的建立也将成为关键环节。不同企业和研究机构之间应加强合作，建立开放共享的技术平台，促进知识交流与资源整合。例如，通过联盟或标准化组织制定统一的数据接口标准、安全规范与性能评估指标，确保不同来源的具身智能设备和系统能够相互兼容、协同工作。这不仅有助于降低企业研发成本、提高产品通用性，还能加速技术的大规模推广与应用，推动整个具身智能产业健康、有序地发展。

在具身智能领域，技术应用多元交叠，创新的步伐将永不停歇。相信这些时时刻刻都在发生着的令人振奋的发展趋势将汇聚成一股强大合力，共同推动在制造业、物流、家庭服务、科研教育、医疗保健、智能交通、深海探测等众多领域实现深度融合与广泛应用，真正达成智能体与物理世界的无缝连接，为人类社会带来前所未有的变革与巨大的价值。