机器人先学后空翻还是先学叠衣服？具身智能的难题在“懂世界”

后空翻和叠衣服，哪件事对机器人更难？答案其实是叠衣服。后空翻考的是“理解自己的身体”，叠衣服考的却是“理解这个世界”。让机器人理解世界，是一道真难题。

人形机器人、具身智能，都是AI领域里的新概念。具身智能到底指什么？“具身”该怎么理解？已经有传统机器人了，为什么还要造人形机器人？

具身智能是什么

在人工智能领域，具身智能是眼下热度很高的一个词。它究竟是什么？

要说具身智能，得先提一个与之相对的概念：离身智能。文本、图像这类抽象信息是离身智能的强项，它能做逻辑推演，传统大语言模型就归在这一类。

互联网文本和图片是离身智能的训练素材，它学的是词语之间的统计关联。它能输出“拧开瓶盖”这几个字，可瓶盖有多滑、要多大扭矩、手怎么稳住瓶身，它并不知道。词语对它只是符号，没有物理世界的根基。

具身智能则是把AI装到物理实体上，让AI能和真实的物理世界打交道。认知科学早有“具身认知”的说法。人的智慧不是只装在大脑里，对轻重、软硬、平衡的理解，都来自身体几十年的体验。婴儿靠抓东西、摔倒、摸冷热，一点点建立起对世界的常识。传统AI跳过了这一过程，具身智能要做的，就是把“在实践中学习常识”这条路重新走一遍。

不少人把具身智能和机器人、人形机器人混为一谈。确实有相当一部分具身智能以机器人作为载体，但两者不能画等号。具身智能不完全等于人形机器人，自动驾驶汽车、巡检无人机等也可以是它的载体。

杭州电子科技大学具身智能实验班项目主任、机械工程学院副教授章雪挺指出，判断一台机器人是不是具身智能，核心标准在于它是否依赖环境感知进行自我进化、迭代学习。传统机器人虽然装了传感器、有预设程序，也具备一定执行能力，却不一定算具身智能机器人。

科技馆里就有一些外观高度仿真的人形机器人。你跟它说话，它会抬手、眨眼，做些基本动作，但回答和动作全是预先编程好的，碰到设定之外的问题就答不上来。外形再像真人，也只能算广义的人形机器人。

真正的具身智能机器人，模型和程序能依托环境感知自学习、自训练，持续迭代，越变越聪明。比如眼下参加机器人运动会的一些人形机器人，能力每个月都在迭代。这并非程序员在持续大规模改写代码，而是具身智能带来了自主迭代的能力。

机器人为何造人形模样

有人会问：传统机器人已经有了，为什么还要做人形机器人？

工厂里的机械臂精准高效，AGV（自动导引运输车）能搬运货物，扫地机器人能打扫房间。这些成熟机器人已经解决了大量体力劳动，为什么还要研发走路不稳、造价高昂的人形机器人？

在科学家看来，传统机器人做的是改造世界，让世界适配机器；人形机器人反过来改造机器，让机器适配已经建好的人类世界。

现有的基础设施都按人体形态设计，门把手的高度、楼梯台阶、桌椅、货架、扳手、开关，莫不如此。机械臂想上岗，得专门改造工位、加装防护围栏；AGV只能在平整地面上按预设路线行驶，碰上台阶、狭窄房门就寸步难行。

人形机器人的四肢、躯干、双手尺寸接近人类，理论上能直接使用人类现有的全部工具，进入没有专门改造的房间与仓库。人形形态不是为了“长得像人”，它是人类现有物理环境的最大公约数。这不是仿生噱头，而是取舍之后的工程选择。

在合肥市罍街一家“具身智能机器人小店”，机器人抓取商品递送给顾客。

人形机器人慢跑、上下楼梯、摔倒后自己站起来的视频，我们经常能刷到。有人觉得照这样发展下去，机器人很快就能包揽所有家务。可目前人形机器人的发展，离掌握人类“通用能力”还差得远。短板集中在精细柔性操作、物理常识、长任务规划、续航耐久这几方面。

业内所说的“最后几厘米难题”，指的就是灵巧手。抓起硬质盒子，机器人可以做到，但拧瓶盖、插插头、折叠柔软衣物、拿捏鸡蛋这类任务，它很难稳定完成。它缺少类似人类皮肤的分布式触觉感知，力度控制不够精细。

物理常识不足是另一个问题。大语言模型读过千万句关于水、杯子的文字，却没有直观理解“杯子一碰就倒”“水会流淌”这类常识。人类在童年积累的直观世界模型，它没有，遇到意料之外的状况很容易卡住。

“能行动”人形机器人已经做到了，但要成为灵活应变、自主完成一整套复杂长任务的通用智能体，还有很长的路要走。

从演示走向实用有几道关

人工智能这10年走过的路，主要围着文字、图片、音频这类数字信息打转。具身智能要走的则是另一程：把AI从屏幕里带出来，放进物理世界，让它边行动边摸清真实世界的因果和常识。

具身智能机器人要从演示阶段走到实用阶段，还得跨过哪几道坎？

头一道坎，卡在机器人“大脑”不够靠谱。在预设环境里，这副“大脑”还能应付；一旦进了非结构化的真实世界，就容易掉链子。根子在于它不够聪明——在一个场景里学会的本事，很难搬到新环境中去用。

宇树科技创始人王兴兴的展望放得比较远：具身智能的“ChatGPT时刻”，是指在80%的陌生场景里，靠自然指令完成80%的任务。他判断，快的话2—3年，慢的话5—10年。

第二道坎是数据。语言大模型有海量互联网文本可用，机器人的物理交互数据却没法“伸手即得”。仿真数据便宜，可材质、摩擦这类真实物理规律很难完全复刻；真机数据够真实，采集起来却成本极高、效率低下。各厂商的硬件接口、数据格式又各成一套，数据难以复用共享，高质量的“物理世界数据”就更稀缺了。

第三道坎出在身体硬件上，它拖了后腿。身体硬件是具身智能的物理基础，真实状况下的表现和制造能力仍是硬约束。设备自重受限，机器人还得达到负重、高低温适配、持续工作时长这些行业应用的客户底线性能要求。

第四道坎是量产。眼下国内外多家企业的人形机器人产品都已批量生产，可这些机器人大多流向了教育科研、展览展示等场景，工厂、物流、搬运、家务这些实用场景里，还没真正“上岗干活”。

业内人士的看法是，具身智能要有突破，得靠多学科交叉，得靠综合型人才在顶层规划下团队协同攻关。人工智能这一次“转身”，想象和发展的空间还有不少。

（文内图片来源：新华社。题图：在北京人形机器人创新中心，人形机器人做出“比心”姿势。）

原标题：《机器人，可以理解世界吗》

栏目主编：龚丹韵