【来源：虎嗅网】
周末和朋友聊天，提到具身智能。有诸多观点，但让我意外的是，大家对具身智能的理解不太一样。
有的说，机械臂在工厂内能自动搬运货物，这是具身智能；有的朋友认为，具身智能应该是像人一样能走路的机器人。还有人说，具身智能像大模型一样，有意识、认知。
这些观点到底哪个是准确的呢？说实话，我也有点懵；于是，回来后赶紧恶补了这堂课，搞清楚具身智能到底是什么。
一
什么是具身智能，和传统人工智能核心区别是什么？
准确而言，具身智能（Embodied Intelligence）分为具身（Embodiment）、具身的（Embodied）、具身智能（Embodied AI）、以及非具身智能（Disembodied AI）四个维度。
具身，指具有支持感觉和运动（sensorimotor）的物理身体。而具身的，强调智能体，通过身体与环境交互来实现智能行为，它可交互、具有感知。
比如：
一个扫地机器人，用摄像头感知环境，用轮子移动来探索周围，再通过传感器识别障碍物并自动调整路径，最终完成清扫任务；这种用身体和环境的直接交互，来实现功能的过程，就是具身的。
那具身智能呢？可以总结为，一个一个身体力行的智能体，不仅拥有身体，还支持物理交互，能够用身体与环境的交互实现智能行为，像家用服务机器人、无人车等非常符合核心特征。
而非具身智能（Disembodied AI）是没有身体，只有大脑、智能被动接受人类采集、制作好的数据，像一个纸上谈兵、或运筹帷幄的家伙。
写到这，问题来了：通过概念可以看出，具身的和具身智能很像。到底如何区别它们呢？
简单粗暴地说，“具身的”靠身体跟环境互动，比如：机械臂抓个东西、搬个货，干点基础活儿；而“具身智能”高级多了，不光要动手，还得会动脑，要感知环境、自己做决定，还能边干边学，越干越聪明。
说白了，“具身的”是纯体力活，而“具身智能”是“体力+脑力”的结合体。
这或许，也是宇树科技创始人王兴兴在3月23日接受《每日经济新闻》采访时提到的观点。
他说，现在人形机器人最大的坎儿是大模型，尤其是多模态大模型。多模态搞定了，具身智能离通用人工智能就不远了。
所以，王兴兴那句“具身智能到通用已经很快了”，在暗示：大模型一突破，机器人满地跑的日子真不远了；明白这些，你也就理解了什么是具身智能，它和传统人工智能的核心区别是什么。
二
既然这样，当前具身智能发展是处于“婴儿期”还是“青春期”呢？
我觉得还处在婴儿期。这不是瞎说。大家都这么认为。
中国信通院（CAICT）2024年的报告里提到，工业和服务领域确实已经有一些成熟的案例，但这些应用，基本都局限在特定场景，功能有限，离全能型还差得很远。
其他报告里，也差不多是同一个意思；说白了，要让具身智能干更复杂、更广泛的工作，还要在很多地方下功夫，其中，更根本的是底层能力的不足。
一个最显眼可见的例子是：减速机。
什么是减速机？你可以把它看成机器人的“关节”，连接动力源和执行机构的关键部件。咱们国家在核心零部件和材料技术上进步很快，也实现了部分国产化，但和人类关节那种灵活自如的能力相比，差距非常明显。
比如说，工业机器人常用的两种“关节”：RV减速器和谐波减速器。RV减速器像健身房里壮汉的膝盖，能扛起几百公斤的重物；谐波减速器则像瑜伽达人的手腕，能灵活转动还不费劲。
国产RV减速器已能替代进口（双环传动市占率15%），但要让机器人像人类关节那样既能举哑铃又能绣花，还差着代际差距。
目前来看，国内减速机领域的领先企业包括国茂股份、中大力德、绿的谐波、双环传动等，它们的产品主要用在工业机器人领域。
双环传动在RV减速器市场中表现突出。它从2013年开始立项研发RV减速器，经过多年的努力，在2017年实现了量产，填补了国内在这一领域的空白。
2021年，双环传动成功打破了日本纳博特斯克长期以来的市场垄断，其产品在国内市场的占有率达到了15.1%，成为国产品牌第一。
所以，从时间轴上看，我们在核心零部件上已经取得不少进展，要让机器人像人一样灵活自主，还有很长的路要走。
在调研时我发现，像减速机这种关键部件是冰山一角，还有好多地方要突破。最值得一提的是：机器人的“小脑”，也就是它的运动控制系统。
小脑的组成包括，运动规划模块、动力学控制模块、传感器融合系统，以及技能学习与分解模块。这些模块协同工作，才能让机器人能够像人类一样灵活地完成各种动作。
这么说，你也许感触不大。我举个例子：
机器人找到冰箱的位置、避开障碍物走过去，再用合适的力度拉门。难点在于，怎么在复杂动态环境（比如有人突然挡路）中快速规划路径，还要在长时间任务中保持稳定，这得靠规划模块来实现了。
再比如，要协调全身关节的动作，调整走路时的重心、控制手臂的力度，目前的挑战是，怎么让机器人像人一样灵活应对突发情况。比如：被人推一下也不摔倒。
还有，把传感器融合在一块，也是一大难题。
你想，现在有很多摄像头、IMU（惯性测量单元）、力觉传感器，怎么把数据捏合到一块，做到视觉、触觉同步进行呢？最新报告显示，这些都要进一步研究。
另外，技能学习和分解模块也要进一步突破。教机器人开门，要把动作拆解成“接近门、抓把手、旋转、拉门”等基本操作，再通过强化学习训练。
但目前这些技能很难在不同场景下复用。比如：换个门把手形状就懵了。
这一切表面上看似简单的动作，背后是一系列复杂的融合挑战，每一个小进步都要在硬件、软件上持续投入，才能让人一样灵活智能。
三
如果实现难度这么大，那么，评价具身智能标准，到底应该以完成任务为主，还是以环境适应为主呢？
我认为，问题的关键在于到底要追求专用性，还是通用性。
专用性是什么？拿工业机器人来说，在流水线上，它替代了人，专注地完成焊接、装配这些固定任务；服务机器人也一样，专注于清洁、搬运。这就是完成任务的专业性，它们在特定场景下表现出色，效率高、精度高。
那通用性，或者说环境适应性呢？我再举个例子：
奥运会上，突然停电了，大家都找不到安全出口。这时候，机器人该扮演什么角色？它肯定不能像其他人一样摸黑乱撞，它得是个超级智能体，迅速感知环境变化，引导人们安全疏散。
这个问题听起来有点荒诞，却恰恰戳中了具身智能评价体系的死穴：现在的厂商到底是在比拼谁拧螺丝钉更快，还是谁能应对突发状况？
所以，环境适应为主的机器人，显然是一个更高层次的目标。它技术难度高，短期很难实现，但它更贴近人类的本质。毕竟，人类之所以被认为智能，不仅是因为能完成具体任务，更在于能在环境中随机应变。
因此，我认为完成任务更适合目前发展，它能有效推动具身智能在垂直行业的落地；而以适应环境为主，则是未来需要突破的方向。
那么，在当前技术条件下，哪些具体技术突破最有可能推动具身智能从专用性向通用性迈进？
最近有一篇论文叫：《Exploring Embodied Multimodal Large Models: Development， Datasets， and Future Directions》，里面重点提到了具身多模态大模型（EMLMs）技术。
这篇论文厉害的地方在于，它填补了现有研究中的一个空白。研究团队啃了300多篇文献，从基础大模型到仿真技术，全都捋了一遍，尤其是像机器人怎么感知环境、怎么导航、怎么跟人互动这些关键问题，都讲得挺透彻。
具体来说，论文提到了四点：
一，跨模态预训练和微调。怎么研究出更聪明的跨模态预训练和微调方法，让不同模型在任务中都能表现得很好；二，自监督学习。怎么让模型通过没标注的数据，学到更丰富的知识，变得更灵活、更实用。
三，怎么把多模态模型跟强化学习结合起来是个好方向；最后一点是，端到端的发展。现在有很多大模型是为不同任务设计，但未来，朝着一个大模型包揽所有任务的方向发展，会是一个重要的趋势。
所以，最后得出结论是：现在最大挑战是怎么把多模态感知、推理和行动整合到一起。说白了，核心集中在大脑、小脑上。
四
另外一个是高精尖的传感器技术。为啥是传感器，不是硬件？
传感器像一把钥匙，能把现实中的各种信息，转化成机器能理解的数据。比如温度、压力、位置。在国家战略层面，传感器是关键的“胜负手”——它的性能直接决定了重大装备和战略产品的质量。
举个例子：
咱们国家的高铁“和谐号380AL”，一辆列车上有超过1000个传感器，平均每个零部件都得有个传感器盯着；这些传感器干啥用？监测列车运行状态、检查轨道有没有问题、保障列车安全防护。
再看看医疗领域，你拍心电图、量血压、测血糖靠什么？依然是传感器。现在的医生，很多时候靠传感器给的数据做判断。
前段时间，宇树科技G1机器人火了，能跳舞、完成拍手、扭腰等动作，还能跟着音乐节奏舞动，甚至能施展挥拳、旋踢等高难度武术动作，回旋踢完之后，腿可以稳稳落地而不倒。
这背后靠什么？还是传感器。
传感器让机器人有了“触觉”，能感知地面情况，从而灵活调整动作。换句话说，传感器不仅提升了机器人的运动能力，还让它能够更好地感知环境，完成更复杂的任务。
宇树科技这样的通用机器人为啥受到国内外青睐？不是因为它便宜，是它成了综合型选手。正是传感器技术的发展，才推动机器人从“专用型选手”向“通用型高手”迈进，为未来带来更广泛的应用可能。
所以，不管是具身多模态大模型的技术突破，还是高精尖传感器的升级换代，都在给具身智能添砖加瓦，让它从只能干“专活”的小工，变成啥都能干的“全能选手”。
希望以上分析能带来点新启发，使你看问题时多几个新角度。
本文来自微信公众号：王智远，作者：王智远
