当前，具身智能（Embodied Artificial Intelligence）作为人工智能领域的一个分支，正在成为学术界和产业界备受关注的一个焦点。
所谓具身智能Embodied AI，指的是有身体并支持物理交互的智能体。英伟达（Nvidia）创始人兼CEO黄仁勋在ITF World 2023半导体大会上称，具身智能将引领下一波人工智能浪潮。在产业界，谷歌DeepMind推出首个控制机器人的视觉语言动作（VLA）模型RT-2；凭借ChatGPT取得巨大成功的OpenAI，曾经解散机器人团队，如今投资挪威机器人初创公司One X Technologies，推出名为Neo的新型人工智能机器人。
国内政策也在推进具身智能的发展。5月，北京市发布《北京市促进通用人工智能创新发展的若干措施》，提出探索通用智能体、具身智能和类脑智能等通用人工智能新路径，包括推动具身智能系统研究及应用，突破机器人在开放环境、泛化场景、连续任务等复杂条件下的感知、认知、决策技术。
01
什么是具身智能？
根据中国计算机学会专家的定义，具身智能（Embodied Artificial Intelligence）是指一种基于物理身体进行感知和行动的人工智能系统，其通过智能体与环境的交互获取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性。
具身智能植根于认知科学“具身认知”的概念，该概念强调身体在主体的思想和认知能力的形成中发挥的重要作用，认为身体与周围环境之间的互动是发展认知能力的基础。具身视角带来了人工智能系统与物理世界交互的必要性。
机器人技术给了具身智能身体，因为相对于计算机定义输入，机器人可以与物理世界互动。机器人技术为人工智能系统提供了具有感官和运动能力的身体。通过集成摄像头、麦克风和触觉传感器等一系列传感器，配备轮子、电动关节、夹具等执行器，人工智能能够像人类一样依靠感官来感知世界，与环境进行交互和探索，实现具身智能体的“看”“说”“听”“动”等。
人工智能系统是具身智能的“头脑”。随着深度学习的不断进步，具身智能的“头脑”通常由深度神经网络模型驱动，尤其是随着大语言模型（LLM）的发展，结合视觉等多种传感器的复杂多模态模型，成为一大趋势。具有通用能力的LLM和VLM（视觉语言模型）等模型，赋予了强大的泛化能力，使得机器人从程序执行导向转向任务目标导向，不再受限于特定的程序执行，而能够根据任务目标智能地采取行动。从丰富的数据和任务中学习决策和控制，它们不断演化以适应更复杂的任务和环境。
