郑南宁院士谈具身智能：人形只是载体，关键是解决真实世界的真问题

中国工程院院士、西安交通大学人工智能与机器人研究所所长、人机混合增强智能全国重点实验室主任、西安交通大学原校长郑南宁 主办方供图

7月2日，中国工程院院士、西安交通大学人工智能与机器人研究所所长、人机混合增强智能全国重点实验室主任、西安交通大学原校长郑南宁，在中国浦东干部学院“科技前沿大讲堂”第五讲上，发表题为《智能跃迁：从模型驱动到意图驱动的具身智能》的演讲。

当前具身智能持续升温、人形机器人频繁进入公众视野，郑南宁首先提醒，具身智能并不等同于人形机器人。它是人工智能发展的一种形态，核心在于智能系统能否与真实环境交互，形成闭环的智能过程，并通过交互提升自身智能水平，甚至改变系统自身结构。

“人形机器人只是具身智能实现的一种载体。”郑南宁表示，判断具身智能系统的价值，最重要的不是屏幕上的展示Demo，而是能否针对某项具体的应用，能否解决真实世界的真问题，能够走入真实的物理环境中。

人工智能的思想起点可以追溯到亚里士多德

在解释人工智能的底层逻辑时，郑南宁从狭义人工智能讲起，他表示，当前主流人工智能仍然是数据和模型驱动的智能，面向特定任务或领域，在一些领域能够比人类更好地完成任务，但并不具备通用性，很难实现跨领域自主学习。

这种智能的源头，并不只是近年的大模型或神经网络。郑南宁提到，人工智能更深层的思想起点，可以追溯到古希腊亚里士多德的三段论。

三段论的重要性不在于具体结论，而在于展示了一种思想：推理不是神秘的心理活动，它可以脱离具体内容，被抽象为稳定的形式结构。换句话说，智能可以被看作形式关系的过程。

为什么说亚里士多德是指向“狭义AI的思想起点”？郑南宁指出，亚里士多德逻辑的核心不是“智能本身”，而是在封闭语境中，如何保证推理的正确性，这是典型的已知前提，明确规则，可推导结论。

现代AI把形式变成计算，而当代生成式AI又进一步把计算扩展为表示、学习和生成。郑南宁指出，今天的AI不是凭空“思考”，而是通过大量数据学习规律，并在不确定情境中做出预测。面对文字、图像、声音、代码和行为数据，AI并不是像人一样先理解世界、再给出答案，而是通过海量样本学习输入和输出之间的关系。

他以函数作比喻：现代AI尤其是深度学习的核心，不是“理解”，而是学习一个函数。输入一段文字，输出下一词；输入图像，输出图像类别；输入状态，输出对应的动作。这些本质都是用一个复杂函数去拟合数据中的统计规律。

所以AI不是记住每一个答案，而是在学习“输入和输出之间的复杂关系”。当数据足够多、模型足够大时，这个函数就可能逼近非常复杂的现实规律。

为什么大模型看起来像人类一样思考？郑南宁认为，关键在预测、泛化和涌现。当前大语言模型最核心的训练目标其实很简单：给定前文，预测下一个词或 Token（词元）。但这个看似简单的目标，带来的结果却非常深远。为了更准确地完成预测，模型需要在训练过程中学习语法、语义、知识和推理模式，并逐渐逼近语言生成背后的真实结构。

所以，AI看起来像在“思考”，并不是因为它真正像人类一样理解世界，而是因为在统计结构、大规模数据和高维函数逼近的共同作用下，简单的预测目标在规模扩大后产生了更复杂的能力，这也就是所谓的机器能力“涌现”。

郑南宁进一步指出，从本质上看，AI是在大规模数据驱动下，通过梯度优化学习一个高维概率函数，使其能够对世界进行可压缩的统计建模与预测。但这并不意味着AI真正像人类一样理解世界。

人工智能还不能做什么

在郑南宁看来，当前数据和模型驱动的智能已经展现出强大能力，但它的局限也十分明显，其中最典型的问题就是“大模型幻觉”。

幻觉，是指模型在缺乏事实支撑或逻辑校验的情况下，生成语义连贯但事实错误或虚构的信息。郑南宁表示，幻觉不仅体现在细节性错误上，在多轮对话和复杂任务规划中，还可能造成系统性误导。特别是在面向复杂环境的智能体中，一旦出现幻觉，就可能导致系统行为出错。

幻觉背后，是当前大模型主要以统计相关性驱动语言生成，缺乏对世界知识的结构化表征，尤其缺乏因果推理能力。虽然一些模型已经开始具备自我验证、思维链约束和校验机制，但幻觉问题仍然值得重视。

除了幻觉，郑南宁还举了常识、情感、想象力、合作行为和复杂运动等例子，说明人工智能与人类智能之间的差异。比如，人类看到一幅图，往往先形成整体认知，再判断局部细节；机器识别图像时，则更多从像素和模式出发。人类可以从诗句、经历和环境中产生情感与想象，而机器即便能生成看似有情感的回答，也并不意味着它拥有真实的内心体验。

郑南宁认为，智能机器不能只从工程机器的角度去理解，而应将其视为一系列具有自身行为模式和生态反应的个体。许多对人类而言很自然的能力，对机器来说仍然很难，例如攀爬、游泳、舞蹈等复杂运动背后的直觉判断和行为生成。

人形机器并不是具身智能的全部

演讲中，郑南宁也专门回应了当前对具身智能的讨论。

他表示，当前人工智能技术发展迅速，无论是在学术界、商界甚至媒体等都是非常热门的话题。但首先需要澄清的一点是，具身智能是人工智能发展的一种形态，它要求智能系统具有与环境交互的能力，通过这种交互来提升智能水平，甚至改变智能系统自身的结构。通常来说，这种与环境交互、形成闭环的智能过程，是具身智能的重要形态。

郑南宁指出，当前很多讨论，包括资本的“包装”，容易让外界把具身智能直接等同于人形机器人，实际上，人形机器人只是具身智能的一种实现载体，并不是具身智能的全部。

“最重要的不是屏幕上的展示，而是一定要针对一个应用，解决真实世界应用中的真问题。”郑南宁表示，判断一个智能系统的价值，关键是看它是否能够真正进入物理环境，解决真实问题，而不是只看技术演示。

在他看来，意图驱动智能是从狭义人工智能迈向通用人工智能的一条路径，这种智能在工业场景中并不一定表现为一个具体的人形机器人。

现场有制造业企业代表提问，未来具有意图驱动能力的智能模型，落地生产制造业企业里最有价值的应用场景会有哪些，企业该如何为此做好准备？

郑南宁表示，首先，工艺参数可以成为智能系统数据的一部分，系统据此判断制造过程中的改进空间；公司也可以出现类似“检验工程师”的智能系统，把产品最终的技术指标输入智能系统，可以在生产过程中监督，帮助人类工程师管理、调度整个制造业生产流程。第三，运行感知传感器，在生产过程中，相关状态都可以通过物理形态再造，在数字孪生世界中展现出来，同时具备这三点智能，已经可以极大地提高生产效率，并且降低产品故障率；随后在产品进入市场后，运维过程中的问题也可以回溯到设计和制造环节，形成闭环，反过来改进原有设计和生产过程。郑南宁认为，这些都是广义上与物理世界密切关联的具身智能。

“所以，具身智能不应被简单理解为某个具体的、可见的物理结构。只要一个智能系统能够感知环境，并在决策、行为生成与环境反馈之间形成闭环，就可以被视为一种具身智能形态。”郑南宁说。