章节目录
本页目录
1. 什么是具身智能
1.1 定义
具身智能（Embodied AI）是指将人工智能技术集成到具有物理实体（如机器人、智能汽车等）的系统之中，让 AI 通过“身体”的感知、决策与行动闭环与真实物理世界进行动态交互。
这个定义里有三个关键词：
- 身体：智能体有传感器和执行器，既能观察环境，也能改变环境。身体通常是真实的机器人；在研究和训练中，也可以是仿真里的虚拟机器人。
- 交互：智能体的动作会改变环境，环境的变化又决定它下一步看到什么。
- 闭环：感知、决策、行动持续循环，而不是看一眼、给出一个答案就结束。
1.2 感知—决策—行动闭环
以机器人踢足球为例，目标是把球踢进球门，同时保持身体平衡：
具身智能 · 信息与动作的闭环
从观察世界，到改变世界
点选一个环节，查看它的输入、处理与输出。
机器人内部
外部环境
新的观测与反馈再次感知，修正下一次行动
感知与理解
世界和自己，现在是什么状态？
- 输入
- 相机图像、关节角度与身体姿态。
- 处理
- 识别足球、球门和守门员，估计它们相对机器人的位置。
- 输出
- 场景与身体的状态估计。
在足球场上看见足球在前方，守门员挡住了球门右侧。
按信息流理解系统；真实机器人中的各环节以不同频率持续运行。
这个循环不会只转一圈。踢球的整个过程中，机器人一直在重复它，而且各环节的节奏不同：识别球和球门的视觉模块每秒可能更新几十次，关节控制器每秒可能更新几百到上千次。
下面的 3D 演示可以旋转视角、调整播放速度，逐步观察这个闭环：
机器人足球 · 3D 闭环演示
让机器人把球踢进球门
正在准备 3D 球场…
新的观测，再次进入感知
“感知、决策、行动”是按功能理解系统的方式。实际系统可以由多个模块分工协作，也可以用一个模型同时承担几种功能。
1.3 有了身体，问题就变了
许多 AI 系统处理的是已经采集好的数据：输入一张图片，输出一个标签；输入一段文字，输出一段回答。具身智能体则要在环境中行动，这带来几个根本差别：
| 对比项 | 处理静态数据的 AI | 具身智能 |
|---|---|---|
| 数据从哪里来 | 已采集的数据集，模型被动接收 | 自己的动作决定下一刻看到什么 |
| 输出是什么 | 标签、文字或图像 | 作用于物理世界的动作 |
| 出错的后果 | 通常可以重新生成 | 可能摔倒、打碎物体或发生碰撞，而且难以撤销 |
| 时间要求 | 可以离线计算，慢一点也能接受 | 必须在控制周期内给出动作，否则机器人会失稳或错过时机 |
| 数据规模 | 互联网上有海量文本和图像 | 机器人交互数据需要专门采集，成本高、规模小 |
这些差别解释了为什么大模型在对话和写作上进步很快，让机器人稳定地叠衣服、做家务却仍然困难。第 5 章 会逐一讨论这些难题。
莫拉维克悖论
1988 年，机器人学家汉斯·莫拉维克（Hans Moravec）指出：让计算机在智力测验或西洋跳棋上达到成人水平相对容易，让它具备一岁孩子的感知和行动能力却非常困难，甚至不可能。这个现象后来被称为莫拉维克悖论（Moravec's paradox）。
莫拉维克的解释是：感知和运动能力经过了极其漫长的进化，已经高度优化，人做起来毫不费力，也意识不到其中的难度；抽象推理出现得晚得多，反而更容易写成明确的规则。对具身智能来说，这意味着“看起来简单”的动作往往最难，比如拿起一只从没见过的杯子，或者在湿滑的地面上保持平衡。
1.4 身体决定了能学什么
同一个算法，放在不同的身体上，能做的事情可能完全不同：
- 传感器决定观测：只有顶部相机时，机械臂可能看不清夹爪附近的细节；加装腕部相机后，近距离操作会更容易。
- 执行器决定动作：平行夹爪适合抓取形状规则的物体；转笔、拧瓶盖这类手内操作需要灵巧手。
- 形态决定能去哪里：轮式底盘在平地上高效，却上不了楼梯；足式机器人能跨越台阶，控制也更复杂。
因此，讨论一个具身智能方法时，要先说清楚它用在什么身体上。第 4 章 介绍常见的机器人载体。
1.5 具身智能与机器人学
机器人是具身智能最重要的载体。两个领域高度重叠，侧重点不同：
- 机器人学研究机器人的设计、建模、感知、规划与控制，提供运动学、动力学、状态估计和控制理论等基础。
- 具身智能强调智能、身体与环境之间的协同，关注智能体怎样通过交互学会完成任务，并在新物体、新环境和新指令下泛化。
今天的具身智能研究，通常把机器人学的建模与控制方法，和机器学习的数据驱动方法结合起来。本站的 理论基础 同时覆盖这两类知识。
除了机器人，自动驾驶汽车、无人机，以及在仿真环境中学习导航和操作的虚拟智能体，也常被纳入具身智能的研究范围。本站以机器人为主线。
小结
- 具身智能研究智能体怎样依托身体，在感知、决策与行动的闭环中与环境交互，完成任务。
- 与处理静态数据的 AI 相比，具身智能要主动获取信息，承担动作的物理后果，满足实时要求，还要面对数据稀缺。
- 身体决定了观测、动作和能到达的环境。讨论方法时，先说明它用在什么身体上。
继续阅读
参考
- NVIDIA：什么是具身智能？
- Hans Moravec. Mind Children: The Future of Robot and Human Intelligence. Harvard University Press, 1988.