具身智能概念、政策、技术背景及落地挑战有哪些？

EAI 构建新概念，相关政策推动技术发展。

具身智能（Embodied AI）最初是由艾伦-图灵（Alan Turing）于 1950 年提出的 “具 身图灵测试”（Embodied Turing Test），旨在确定智能体是否能够展现出解决虚拟环境 中问题的能力，而且能够驾驭物理世界的复杂性和不可预测性。网络空间中的智能体通 常被称为非实体人工智能，而物理空间中的智能体则是实体人工智能。多模态大模型 （MLMs）的最新进展为具身模型注入了强大的感知、交互和规划能力，从而开发出能 与虚拟和物理环境积极交互的通用具身智能体和机器人。因此，具身智能体被广泛认为 是 MLMs 的最佳载体，目前最有代表性的具身模型是 RT-2 和 RT-H。

要让 AI 像人类一样理解这个物理世界，它必须能够以人类的方式解释和理解场景。 比如，当 AI 被放臵在一个房间里时，它需要能够像人类那样分析和解读周围的环境。另 外，在不同领域之间建立联系，或者试图发现新知识时，传统的预编程和特定领域的专 业系统已经无法满足需求。这些系统受到现有内臵知识的限制，很难实现新的发现、创 新和创造。让 AI 变得更聪明的关键在于利用“想象力”， 其实就是人类和其他动物依 靠世界的现有模式生成的想法，它是一个非常强大的规划工具。为了让 AI 有效地规划， 它需要构建一个关于世界的模型（WMs），并能够利用这个模型进行推理和决策。因此， 具身认知至关重要。系统需要通过具身认知来获取知识，并进一步生成抽象的认知。

相关政策已落地，带动具身智能行业发展。例如上海市的政策重点是推动智能机器 人和智能制造业的发展，目标是通过营商环境的优化和创新基地的建设，到 2025 年实 现行业标杆企业和应用场景的建立。北京市的政策则侧重于机器人产业的创新发展，特别是对高端机器人产品和国际化布局的支持，旨在推动产业生态系统的完善和技术创新。

美国在机器人工业应用和商业化方面的进展更为成熟，中国仍在探索阶段。美国和 中国的机器人技术进展和落地进度存在一些显著差异。美国的机器人企业，如特斯拉和 Figure AI，已在 2024 年中旬进入工厂，负责分拣电池和简单抓取的任务。Agility Robotics 与亚马逊的合作已经在 2023 年展开，推进了物流和自动化领域的实际应用。Sanctuary AI 也计划在 2024 年开始商业运营，重点放在智慧城市和建筑领域的智能服务上。相比 之下，中国的机器人企业虽然在多个领域（如安防、教育和娱乐）都有布局，但整体落 地进度稍慢。例如，优必选的 Walker S 预计在 2024 年初开始量产，主要用于门锁质检 和汽车制造领域。其他企业如小米机器人和波士顿动力的项目仍在研发阶段，逐步优化 视觉和环境交互技术。

EAI 实现通用人工智能（AGI）的关键基础在于具身智能的发展。具身智能体与仅限 虚拟对话的智能体（如 ChatGPT）不同，它们可以通过控制物理实体在现实和模拟 环境中进行交互。该技术涵盖了多个领域，包括计算机视觉、自然语言处理和机器 人技术，特别是在具身感知、具身交互以及从模拟到现实的机器人控制方面展现了 显著优势。具身智能体依托于多模态大模型（MLMs）和世界模型（WMs），像“脑” 一样理解虚拟与物理环境，主动感知多模态元素，并根据人类的意图进行任务分解 与执行。它们不仅能够与人类互动，还能够借助知识库和工具完成复杂任务，展现 出比传统深度强化学习更高的灵活性和通用性。 模拟器在训练具身智能中扮演了重要角色，通过提供逼真的虚拟环境进行算法 开发和模型训练，帮助研究人员在降低成本、提高安全性和加速迭代的同时，将研 究成果更快地转化为现实应用。同时，具身感知让智能体理解物理世界中的视觉推 理和空间，技术包括视觉同步定位与绘图（vSLAM）和 3D 视觉定位，帮助智能体 在动态环境中移动和互动。具身交互则强调智能体在物理或模拟空间中与环境和人 类的互动能力，典型任务如具身问题解答（EQA），需要智能体主动探索环境，整合 信息并执行目标导向的动作。

具身智能全面落地仍需解决四大难题：1. 通用本体平台的挑战。解决硬件的关键零部件技术突破，形成具有优秀运动能力和操作能力的平台级通用 机器人产品；平衡机器人本体的可靠性、成本和通用能力是难题。尤其在被认为是具身 智能终极形态的人形机器人领域，相关研发依然是热点和核心挑战。

2. 智能体系统设计的难点智能体作为具身智能的核心，必须具备复杂环境感知和认知能力。这包括 3D 环境 感知、任务编排与执行、多轮人机交互、long-term 记忆和任务迁移等多项挑战。此外， 具身智能要求实时感知和决策能力，以适应复杂和变化的环境。这要求高速的数据采集、 传输和处理，以及实时的决策反应，尤其是 LLM 所消耗的算力规模巨大，对于资源有限 的机器人处理系统将形成巨大的数据量、AI 计算能力和低延迟的挑战。

3. 高质量数据需求/现实场景的复杂多变，使得现阶段缺乏足够的场景数据来训练一个完全通用的大模 型，进而让智能体自我进化。耦合的本体，需要实际部署到真实环境中，才能够采集数 据，这也是和非具身智能的明显不同。但对于关键业务，要求成功率，则仍然需要高质 量的垂域数据。同时，通过层次化的智能体设计，将不同任务限定到特定领域，则是一 个解决泛化和成功率的有效尝试。

4. 虚拟与真实交互中的学习进化.通过虚拟与真实环境的互动，具身智能体能够持续学习和进化，以应对复杂环境。 尽管形态变化无穷，但要在有限计算资源下快速学习合理的规划和决策能力，是具身智 能进化中的重要课题。