具身智能（Embodied AI）被譽為下一個人工智能的浪潮，是人工智能技術與機器人技術融合的產(chǎn)物，成為科技創(chuàng)新高度密集、前沿技術加速融合、大國競相開展戰(zhàn)略布局的關鍵領域。人工智能大模型技術的突破，為機器人提供了強化的“大腦”與“小腦”，更為機器人與環(huán)境的交互帶來了新的著力點，有望成為具身智能加速落地的關鍵引擎，催生技術與范式的深刻蝶變。
一、大模型驅動下的具身智能
具身智能旨在依托軟硬件結合的智能系統(tǒng)（智能體）實現(xiàn)在物理世界感知和理解環(huán)境、并與環(huán)境實時互動，通常表現(xiàn)為不同形態(tài)的機器人在真實物理環(huán)境下通過適應性行為來執(zhí)行任務，是一種全新的智能范式。通俗來說，具身智能就是將人工智能搭載在機器人等物理“身體”上，使“身體”具備自學習能力，實現(xiàn)“知行合一”。
具身智能在架構上可以分為“大腦”“小腦”和“本體”。依托三者協(xié)同配合，機器人才能像人類一樣去面對各項需求，完成各類任務。其中，“大腦”主要通過大模型驅動決策和智能處理；“小腦”通過運動控制算法等實現(xiàn)運動控制和協(xié)調；“本體”通過傳感器、執(zhí)行器、靈巧手等硬件設備實現(xiàn)與環(huán)境互動。
圖片來源：北國咨根據(jù)國訊芯微（蘇州）科技有限公司等網(wǎng)站公開資料整理繪制
圖1 具身智能總體架構
強大的“大腦”對于具身智能至關重要，沒有“大腦”，機器人只是一個失去智能的、只可移動的機械裝置。目前，多模態(tài)大模型技術加速演進，能力邊界被不斷拓寬，為推動具身智能“大腦”快速升級提供了有效路徑。一是大模型增強了機器人的感知與理解能力。多模態(tài)大模型可處理語言、視覺、觸覺等多種類型數(shù)據(jù)，超越了單一模態(tài)難以應對復雜實際場景的限制，使機器人能夠更準確、全面地理解復雜場景和任務。二是大模型提升了人機交互的體驗。多模態(tài)大模型的不斷迭代讓機器人能通過語音、手勢等信息更準確理解人類意圖，提供深度個性化的體驗。三是大模型賦予了機器人自主規(guī)劃決策的能力。大模型在大規(guī)模數(shù)據(jù)預訓練后，讓機器人具備更強的學習能力，不斷提升其通用性和泛化性。
二、行業(yè)落地路徑分析
縱觀國內外產(chǎn)業(yè)界與學術界具身智能技術及產(chǎn)品的落地實踐，主要路徑如下：
軟硬件一體化推進，加快成果轉化和應用落地探索。如中國科學院自動化所自主研發(fā)千億參數(shù)全模態(tài)大模型“紫東太初”，打通感知、認知、決策交互屏障，完成圖像、文本、語音等跨模態(tài)數(shù)據(jù)對齊，理解和生成能力更接近人類。同時，研發(fā)人形機器人設計組裝“大工廠”，可自動完成人形機器人硬件AI設計方案和軟件算法的選擇，并在高精度環(huán)境下進行快速驗證，大幅縮短現(xiàn)有研發(fā)周期。在此基礎上，開發(fā)推出Q系列機器人，并面向家庭服務、智能制造不同場景開展應用探索。
圖片來源：中國科學院自動化所視頻號
圖2 Q系列機器人
技術供給端主動布局，瞄準行業(yè)痛點和關鍵領域深入研究。如谷歌自研系列具身智能大模型，其中RT-2大模型是端到端的具身大模型的代表，可以從網(wǎng)絡和機器人數(shù)據(jù)中學習，并將這些知識轉化為機器人控制的通用指令，使機器人在未見過的環(huán)境中展示出強大的泛化、語義理解和推理能力。智源研究院主要聚焦具身智能“大腦”領域，已取得多項世界級突破性成果，如開發(fā)具身操作 VLA大模型、具身導航 VLA 大模型等，使機器人在復雜環(huán)境中表現(xiàn)出更優(yōu)越的多樣性、靈活性和泛化性。
技術應用方積極對接上游技術資源，賦能自身業(yè)務發(fā)展。智源研究院部分研究成果已在銀河通用（北京）落地，雙方共同研發(fā)了Galbot的大腦大模型，實現(xiàn)了機器人的穩(wěn)定識別和抓取操作。優(yōu)必選（深圳）與百度合作為人形機器人Walker S接入文心大模型，進行具身智能應用升級訓練，從而獲得高級的意圖理解能力和細粒度規(guī)劃能力。
圖片來源：銀河通用官網(wǎng)
圖3 銀河通用Galbot機器人
三、當前面臨的瓶頸與挑戰(zhàn)
全球范圍內大模型驅動的具身智能成果層出，為該領域發(fā)展帶來極大信心。但目前業(yè)內對大模型賦能具身智能落地是否為最優(yōu)路徑尚存爭議，在仰望“星空”的同時，仍需看到當下的面臨的瓶頸與挑戰(zhàn)。
用于模型訓練的高質量數(shù)據(jù)缺乏。具身智能機器人的訓練數(shù)據(jù)主要來源于模擬器和真實世界，但現(xiàn)有交互數(shù)據(jù)尚不足以反哺模型訓練。真實數(shù)據(jù)面臨獲取成本過高、質量參差和多樣性不足的挑戰(zhàn)，仿真合成數(shù)據(jù)面臨模擬環(huán)境與現(xiàn)實世界存在差異的挑戰(zhàn)，要達到大模型對于數(shù)據(jù)量的需求，仍需長時間的采集和積累。
大模型與機器人技術尚未深度融合。盡管大模型很大程度增強了機器人學習、理解等能力，但仍存在機器人通用基礎大模型未建立、軟硬件系統(tǒng)協(xié)同能力差等技術瓶頸，再加上研發(fā)周期長、投入高，短期內要消弭 Sim2Real的偏差，突破技術臨界點，還有很長一段路要走。
具身智能的應用場景還未完全打開。理論上講，具身智能的實踐場景非常廣泛，在多行業(yè)領域應用潛力巨大，但由于技術成熟度和穩(wěn)定性不足等問題，還需要在應用場景中進一步驗證和改進。近期剛結束的2024世界機器人大會的具身智能相關展品用途仍以展示、科研為主，落地場景還較為有限。
四、相關建議
針對上述瓶頸與挑戰(zhàn)，可以考慮從以下方面開展工作：
搭建數(shù)字訓練世界與操作數(shù)據(jù)采集區(qū)。通過物理仿真，制造一個模擬真實世界的數(shù)字訓練世界，加速模型開發(fā)迭代。建設面向商場、工廠、家庭等場景的操作數(shù)據(jù)采集區(qū)，持續(xù)采集真實操作數(shù)據(jù)。搭建具身智能預訓練數(shù)據(jù)集開放平臺、指令數(shù)據(jù)集標注平臺等共享平臺，賦能具身智能行業(yè)應用。
增強技術融合應用研究能力。鼓勵科研院校和企業(yè)加快具身智能前沿領域布局與探索，積極擁抱大模型技術，打造開源平臺構建合作生態(tài)，持續(xù)推動大模型泛化能力提升、機器人通用基礎大模型開發(fā)等技術突破。同時在學科設置、交叉培養(yǎng)、海外人才引進，國際賽事舉辦等人才引育方面予以加強。
積極拓展應用場景進行驗證完善。打造面向場景、技術的服務對接平臺，精準挖掘場景需求，有序拓展場景應用，率先在特種行業(yè)、工業(yè)制造等領域進行試點落地，逐步擴展至倉儲物流、養(yǎng)老服務、醫(yī)療衛(wèi)生等場景，通過實踐不斷驗證推動技術更新，漸進式推進具身智能從研發(fā)機構和特定應用場景走向更廣泛的消費市場。
參考文獻:
[1] 對話王田苗：萬億市場之下，大模型+機器人還有四大問題未解決 | 硬氪專訪[EB/OL].(2024-04-26)[2024-09-01].https://www.163.com/dy/article/J0ML5OM205118DFD.html
[2] 一萬字，讀懂具身智能的技術趨勢、產(chǎn)業(yè)應用與未來走向[EB/OL].(2024-07-31)[2024-09-01].https://new.qq.com/rain/a/20240731A075QS00?suid=&media_id=
[3] 人形機器人如何走向實際應用？揭秘“大工廠”研發(fā)背后的故事[EB/OL].(2024-03-23)[2024-09-01].https://content-static.cctvnews.cctv.com/snow-book/index.html?item_id=12138468287686999380&track_id=A0616555-7D4A-4ABB-9787-E925C766B9C6_732885782032
[4] 國訊芯微（蘇州）科技有限公司
[EB/OL].(2024-09-01)[2024-09-01].https://www.niic.net.cn/Home/Index/about
[5] 北京銀河通用機器人有限公司
[EB/OL].(2024-09-01)[2024-09-01].https://www.galbot.com
作 者
梁 雨，長期關注研究人工智能領域
