一连写了多篇关于生成式人工智能（AI）的文章，不难察觉目前发展比较成熟的应用，主要还是通过装上软件和演算法的终端机与用户互动。科幻电影中看到像人类般懂听懂说、对答如流、活动自如的智能机器人，迄今还没走出电影的虚拟明升体育。要实现这个终极目标，AI领域的下一个挑战将是实现“具身智能”（Embodied Artificial Intelligence），即能够通过自我学习掌握各种技能，并具备执行能力的高端机器人。

　　具身智能简单来说，就是赋予AI系统一个支援物理交互的躯体，把两者结合成一个软硬体合一的智能体后，可以像人类一样与环境交互感知，通过观察、移动、说话和与明升体育互动，从而完成现实生活中各种任务。目前，日常生活中可见的一些智能服务机器人、自动驾驶汽车、聊天机器人等都是具身智能的雏形。但由于主要依赖预载的程式来实现控制，与具身智能的终极形态存在相当大距离。

　　要了解具身智能可先从与之相对、较多人接触过的非具身智能（Disembodied AI或Internet AI）开始。非具身智能聚焦于AI的软件应用，不考虑具体形态、不需要物理交互、专注于抽象演算法的开发，如近年发展迅速的深度学习和生成式AI大模型等，衍生出如ChatGPT、Midjourney等各种多模态应用。具身智能同样拥有AI，但一个重要条件是具有能支援感觉和活动的物理身体，理想中的具身智能是能够像人类般主动去感受明升体育，听得懂人类语言，然后分析任务进而采取行动，过程中可即时验证并调整模型，最终完成相应任务。

　　要覆製人类眼耳口鼻身意般的五感，自然不是一件容易的事，具身智能包含了AI领域几乎所有的技术，包括机器视觉、自然语言理解、认知和推理、机器人学、博弈伦理、机器学习等，是AI的集大成者。随着深度学习的不断进步，生成式AI大模型日益向多模态发展，特别是大语言模型的发展，结合视觉等多种感测器的复杂多模态模型，大大加快了具身智能的研发和落地速度。

　　具身智能的“头脑”通常是由深度神经网路模型驱动，GPT等大模型的出现提供了新思路，具有通用能力的大语言模型和视觉语言模型等模型，通过将图像、文字、具身数据联合训练，增强模型对现实环境中物件的理解，赋予具身智能强大的泛化能力。机器人技术则提供了可以与物理明升体育互动的“身体”，通过集成摄影镜头、麦克风和触觉感测器等一系列感测器，让AI可以像人类一样依靠感官来感知明升体育；再配上轮子、电动关节等执行器为AI提供了运动能力的身体。

　　更重要的一点是，非具身智慧没有眼耳口鼻和四肢感官，无法自主地采集数据，只能被动地接受人类已经采集好的资料。目前大部分深度学习模型训练使用的都是来自于互联网的历史数据，一旦遇到训练环境中没有出现过的问题，就需要收集资料再重新反复运算优化，这个过程的效率很低。未来具身智能模型的训练与测试可以与云服务相结合，在云端虚拟模拟场景下，进行端到端的实时训练与测试，毋须再靠人手写代码去更新迭代，自然大大加速了具身智慧体的进化速度。

　　有望取代危险工种

　　目前，谷歌、微软、特斯拉等科技公司都公布了自家的具身智能产品，如今年3月份谷歌推出的PaLM-E，就是一种多模态具身视觉语言模型（VLM），让机器人可以基于大模型来理解图像、语言等数据，执行复杂的指令，而无需重新训练。这种一步到位的研发路线看起来很酷，但耗时漫长，距离产业可用还比较遥远。

　　更可行的技术落地路径是，让不同任务通过不同模型来实现，比如用语言大模型来学习对话、视觉大模型来识别地图、多模态大模型来完成肢体驱动，把所有的指令分解执行，再通过大模型来完成自动化调度和协作。

　　m88的政策也在推进具身智能的发展，工信部于今年11月2日发布《人形机器人创新发展指导意见》，为m88人形机器人发展定位。提出以大模型等AI技术突破为引领，在机器人已有成熟技术基础上，重点在人形机器人“大脑”和“小脑”、“肢体”关键技术、技术创新体系等领域取得突破。

　　产业智能化的浪潮为具身智能提供了市场，比如在工业场景下的“抓、拿、放”，可以取代人工操作危险或繁琐重复的工序，如煤矿井下作业、港口仓库搬卸、搬家快递服务、清理事故现场和救灾等领域。若再加上引入多模态输入，让使用者可用语言直观控制如机械臂、无人机、家庭辅助机器人等，更可将应用范围迅速扩展至日常生活层面，并产生巨大的产业价值。