新质观察｜具身智能的时代已来，AI正在迈出关键一步

2024年7月6日，上海，2024世界人工智能大会，人工智能机器人伸出仿生机械手与参观的小朋友握手。视觉中国 资料图

1997年，IBM的深蓝战胜国际象棋大师加里·卡斯帕罗夫，震惊世界。2016年，“阿尔法围棋”（AlphaGo）又让围棋冠军李世石束手无策。从此，人工智能成为全球热议的话题。但那时的AI，只是一个会计算的“头脑”，它能分析棋盘局势，却摸不着棋子。

AlphaGo能够在服务器上快速训练数千场棋局，甚至击败世界冠军。但它本质上仍是纯粹的算法系统，缺乏在物理世界中执行动作的能力。每当它下棋时，必须依赖一位工作人员在场上帮它落子。这正是AI 发展的第一阶段——信息智能。它擅长处理数据，却无法直接影响现实。

如果 AI的发展是一场马拉松，那么第一阶段，我们造出了一个超凡的大脑。现在，它正在迎来第二阶段——具身智能（Embodied AI），也就是物理智能。这一阶段，AI不再局限于数据中心和屏幕，而是拥有了感知、长出了手脚，开始与物理世界交互。2025年，《政府工作报告》首次将“具身智能”写入其中，提出建立未来产业投入增长机制，重点培育生物制造、量子科技、具身智能和6G等未来产业。这一政策信号，标志着具身智能正从实验室走向现实，成为人工智能发展的重要方向。

从算法到动作，AI 迈出关键一步

想象一下，你走进一家餐厅，点了一杯咖啡。一台机器人服务员优雅地端着托盘，将热腾腾的咖啡放在你面前，没有洒出一滴。这件事，一个普通人轻松能做到，但对AI来说，却是一个天大的难题。

过去几十年，计算机视觉、语音识别、自然语言处理等信息智能取得了惊人的进展。AI可以识别图像、理解语言，甚至与人类流畅对话。然而，这些技术依然停留在数据世界。它们可以“看懂”一杯咖啡，但无法真正端起一杯咖啡。要让AI走出屏幕、影响现实，它必须学会如何在物理世界中行动。

这正是物理智能面临的核心难题。拿起一杯咖啡，这个看似简单的动作，实则涉及复杂的传感、肌肉控制、平衡调整。AI需要精准感知杯子的形状、材质、重量，计算手指施加的力度，同时调整身体平衡，以确保液体不会洒出。而这些，对人类来说几乎是本能，对AI而言，却需要从零开始学习。

如果说，信息智能的AI是生活在“理想国”里的哲学家，那么物理智能的AI，就是要下地干活的工人。而现实世界，比数据世界复杂得多，也更加不可预测。

最典型的例子，就是波士顿动力（Boston Dynamics）的机器人。它们能奔跑，跳跃，甚至做后空翻，看上去仿佛已掌握了物理智能。但你如果让它去开门，拧螺丝，或者在湿滑的地面上奔跑，它可能就会摔得四脚朝天。动作的流畅性不等于真正的灵活性，要让机器人适应复杂的现实环境，仍然存在巨大挑战。

为了让机器人更好地执行日常任务，斯坦福大学李飞飞团队提出了一种全身操作综合框架——行为机器人套件（BRS）。该框架旨在提升机器人在家庭环境中的自主执行能力，使其能够完成倒垃圾、整理衣物、刷马桶等多样化的家务任务。这项研究是具身智能突破的典型案例，它不仅让机器人“理解”任务，还让它们真正具备“动手”能力，使AI逐步迈向现实世界的高效执行者。

AI的关键，不只在于思考，更在于行动

信息智能让AI成为“世界上最聪明的读书人”，但仅仅会思考，无法改变世界。真正的变革，来自行动。具身智能，才是AI走向现实的关键。

回顾人类的进化历程，我们是因为会思考而强大，还是因为会行动而强大？

牛顿发现了万有引力定律，这是划时代的突破；但如果没有工程师们设计并制造出飞机引擎，我们依然无法飞翔于蓝天。爱因斯坦提出了相对论，这是科学史上的伟大突破；但如果没有物理学家和工程师的不断努力，我们也无法享受到GPS技术带来的便捷。知识塑造世界，但最终推动世界前行的，是实践。

人工智能亦是如此。信息智能让AI理解世界，物理智能让AI改造世界。今天，我们可以用Deepseek生成一篇文章，用豆包AI画一张图。但我们还无法让AI盖一座房子、做一顿饭、或为病人完成一场手术。未来，具身智能的突破，才是真正让AI进入日常生活的关键。

2025年3月，谷歌与机器人开发公司Apptronik合作，推出了两个基于Gemini 2.0的机器人AI模型——Gemini Robotics和Gemini Robotics-Embodied Reasoning（ER），旨在帮助机器人执行比以往更多的现实任务。

这两款模型的核心目标，是让机器人不仅能听懂指令，还能理解并适应新的环境和任务，这是物理智能发展的关键一步。测试表明，Gemini Robotics具备更强的泛化能力，能够处理未经过训练的任务，如折纸、将眼镜放入盒中、打开瓶盖等。相比之下，Gemini Robotics-ER版本更侧重于空间感知和任务规划，可供受信任的机器人开发者集成到自身系统中。这些技术突破，标志着机器人在现实环境中的适应能力和执行力取得了重要进展，使AI进一步从虚拟世界迈向物理世界。

具身智能面前的“三座大山”

AI要真正进入物理世界，最大的挑战是什么？目前来看，主要有三座大山：感知能力、运动控制和学习能力。这三者的突破，正在让具身智能从“实验室玩具”蜕变为“全能助手”。

第一座山：感知能力的进化，从“盲人摸象”到“眼观六路”

感知能力是机器人迈向现实世界的首要难题。人类的大脑，依靠眼睛、耳朵、皮肤等多种传感器感知世界，而机器人也需要类似的“感官”——摄像头、激光雷达、触觉和压力传感器等等。但问题在于，人类的感知能力是动态、综合且可适应的，而当前的AI感知系统通常是单一的、割裂的。

未来的机器人需要具备更强的泛化能力，能够适应从未见过的任务，并且在新的环境中迅速理解和反应。例如，机器人需要能够在面对不同物体、复杂场景或陌生环境时，快速识别并采取适当的行动。未来的家庭机器人管家需要在昏暗卧室避开满地乐高，抱起婴儿时自动调节力度，煮咖啡时根据香气调整萃取时间。这要求AI具备真正的全模态感知能力，让机器人像人类一样“眼耳鼻舌身意”俱全，在真实世界中精准感知、灵活应对。

第二座山：运动控制的革命，从“机械舞者”到“灵活工匠”

如果说感知能力决定了机器人能“看见”世界，那么运动控制决定了它能否与世界互动。你有没有注意到，今天的机器人能做许多事情，但它们的动作总显得有些生硬。这主要是因为人类的运动控制非常灵活，我们的肌肉、神经系统能够实时调整，而现有的AI运动系统仍显得粗糙。人类行走时，每步涉及200多块肌肉的毫秒级协调，而机器人要实现这种行云流水的动作，必须突破动态平衡、精细操作和能量效率三重难关。

随着技术的进步，机器人在动作控制方面的灵活性也在不断提升。未来的机器人能够精细地完成一些复杂的任务，如折纸、拿起易碎物品，甚至像人类一样操作物品。要实现这一点，机器人不仅需要精准的动作控制，还需要对周围环境做出实时的感知和调整。这种灵活性将使机器人更好地适应真实世界中的多变场景，执行需要高度协调和精密操作的任务。只有真正做到这一点，机器人才能适应真实世界的多变场景，从流水线上的机械臂，进化为可以胜任各种精细任务的“灵活工匠”。

第三座山：学习能力的蜕变，从“死记硬背”到“见机行事”

学习能力是机器人面临的第三大挑战。人类的学习，往往是通过试错、经验积累和直觉判断等多种方式结合的，而现有的AI虽然可以通过强化学习来训练动作，但它们仍然缺乏真正的“直觉”和“经验”，使得它们在面对环境变化时常常无法应对。

未来的机器人需要具备更强的自适应学习能力，能够通过日常对话或指令理解，不断调整自己的行为，并根据环境的变化不断优化自己的操作方式。这种持续学习和动态适应的能力，才能让机器人在复杂的现实世界中真正胜任任务，而不仅仅是按照预设程序执行操作。真正的智能，不是存储在数据库里的代码，而是在物理交互中涌现的生命力。

这些突破意味着，未来的机器人将不仅仅是单纯的工具，而是具备感知、行动、学习和适应能力的智能体。随着技术的不断发展，AI将逐渐从云端算力堆砌的“数字幽灵”，进化为扎根现实世界的“硅基生命体”。

AI的边界，还能延展到何处？

信息智能，让AI变得聪明；物理智能，让AI具备力量。但AI的终点，并非只是更强的计算能力或更灵活的肢体，而是迈向更高级的第三阶段——生物智能。

MIT实验室正在探索将神经细胞与芯片结合的技术，而中国科学院的研究团队已成功使机器人通过脑机接口“感知”虚拟疼痛。这些探索或许意味着，AI正在向生命的复杂性靠近。未来的AI将不再仅仅是冷冰冰的机器，而是像人类生命一样思考、学习、适应，甚至自主进化。

然而，生物智能仍是遥远的第三阶段。今天，我们才刚刚踏入第二阶段——具身智能的门槛。让AI具备真正的行动力，让它能够理解、感知、适应现实世界，这一过程可能比我们预想的更漫长。历史上，每一次技术革命，都是从思想到行动的演进。人类用了几千年，从哲学的思辨走向科技的实践，从构想工具到掌握工具，再到成为工具的创造者。而AI，正在沿着同样的路径前进。

唯一的问题是，我们准备好迎接这个“站起来的AI”了吗？

（作者胡逸为数据工作者，著有《未来可期：与人工智能同行》一书）

来源：胡逸