何爲具身智能(néng)？如何實現？

AI發(fā)展的下一站在哪裡(lǐ)？“算力霸主”英偉達創始人兼首席執行官黃仁勳給出了答案：具身智能(néng)/具身人工智能(néng)。

在ITF World 2023半導體大會上，黃仁勳表示，人工智能(néng)的下一個浪潮將(jiāng)是具身智能(néng)（embodied AI），即能(néng)理解、推理、并與物理世界互動的智能(néng)系統。

同時，他也介紹了英偉達的多模态具身智能(néng)系統Nvidia VIMA，其能(néng)在視覺文本提示的指導下，執行複雜任務、獲取概念、理解邊界、甚至模拟物理學(xué)，這(zhè)也标志著(zhe)AI能(néng)力的一大顯著進(jìn)步。

而在今年3月，谷歌聯合柏林工業大學(xué)團隊發(fā)布PaLM-E，這(zhè)是一種(zhǒng)多模态具身視覺語言模型，也是史上最大的“通才”AI模型，其不僅可以理解圖像，還(hái)能(néng)理解、生成(chéng)語言，可執行各種(zhǒng)複雜的機器人指令而無需重新訓練，且表現出很好(hǎo)的遷移能(néng)力。

值得注意的是，政策端也已開(kāi)始著(zhe)目于具身人工智能(néng)。

北京市日前發(fā)布《北京市促進(jìn)通用人工智能(néng)創新發(fā)展的若幹措施（2023-2025年）（征求意見稿）》，其中便提出探索具身智能(néng)、通用智能(néng)體和類腦智能(néng)等通用人工智能(néng)新路徑，包括推動具身智能(néng)系統研究及應用，突破機器人在開(kāi)放環境、泛化場景、連續任務等複雜條件下的感知、認知、決策技術。

何爲具身智能(néng)？如何實現？

具身智能(néng)指的是智能(néng)體通過(guò)與環境産生交互後(hòu)，通過(guò)自身的學(xué)習，産生對(duì)于客觀世界的理解和改造能(néng)力。

換言之，一個具身智能(néng)機器人需要：首先聽懂人類語言，之後(hòu)分解任務、規劃子任務，移動中識别物體，與環境交互，最終完成(chéng)相應任務。

正如斯坦福大學(xué)計算機科學(xué)教授李飛飛所說，“具身的含義不是身體本身，而是與環境交互以及在環境中做事(shì)的整體需求和功能(néng)。”

若想要實現具身智能(néng)，離不開(kāi)多個學(xué)科的交叉互助：

1）機器人學(xué)爲具身智能(néng)提供機械身體和基本運動控制；

2）深度學(xué)習中的神經(jīng)網絡是具身智能(néng)中主要工具；

3）強化學(xué)習是具身智能(néng)機器人的主要學(xué)習手段之一；

4）機器視覺給具身智能(néng)提供了處理視覺信号的能(néng)力；

5）計算機圖形學(xué)開(kāi)發(fā)的物理仿真環境爲具身智能(néng)提供了真實物理世界的替代；

6）自然語言給具身智能(néng)帶來了與人類交流、從自然文本中學(xué)習的可能(néng)；

7）認知科學(xué)進(jìn)一步幫助具身智能(néng)體理解人類、構建認知和價值。

實際上，“具身智能(néng)”最初可追溯到1950年，當時圖靈在論文《Computing Machinery and Intelligence》中首次提出了這(zhè)一概念。但在之後(hòu)的幾十年中，具身智能(néng)都(dōu)沒(méi)有取得特别顯著的進(jìn)展，大多數機器人的行動依舊仰賴人類的手寫指令與代碼。

這(zhè)也是爲何上文那個谷歌“史上最大‘通才’AI模型”能(néng)引起(qǐ)業内轟動——它無需預先處理的場景，因此也不用人類對(duì)相關數據進(jìn)行預處理或注釋。隻需要一句簡單的指令，便可實現更爲自主的機器人控制。更重要的是，PaLM-E生成(chéng)的行動計劃還(hái)具有“彈性”，即可對(duì)周圍環境變化作出相應反應。

實現通用人工智能(néng)是行業的一大願景。但人工智能(néng)中集成(chéng)了太多概念，其中一些概念難以被(bèi)測量或驗證。而正如上海交通大學(xué)教授盧策吾所說的那樣(yàng)，雖然人工智能(néng)能(néng)給你輸出一個表征，但很難檢驗它們是否真的理解了這(zhè)些概念。“所以我們可以先在一些可驗證、可測量的概念上面(miàn)做出個閉環。而具身智能(néng)剛好(hǎo)是這(zhè)樣(yàng)一個閉環，這(zhè)樣(yàng)的具身智能(néng)可能(néng)是邁向(xiàng)通用智能(néng)的一個很好(hǎo)的起(qǐ)點，因爲它可測量、可解釋、可檢驗。”