具身智能？它為何能賦予機器人靈魂

netouch 2023-06-04 發(fā)布于北京

展開全文

AI發(fā)展的下一站在哪里,？“算力霸主”英偉達創(chuàng)始人兼首席執(zhí)行官黃仁勛給出了答案：具身智能/具身人工智能,。

特斯拉與英偉達站臺，“具身智能”爆火

兩大科技巨頭齊齊站臺,，“具身智能”成為繼ChatGPT后最火爆的存在,。日前，Optimus和NVIDIAVIMA在海外科技巨頭布局人形機器人賽道掀起 “人形機器人”浪潮,。

5月16日,，特斯拉2023股東大會展示了Optimus人形機器人最新進展，包括撿起物品,、環(huán)境發(fā)現(xiàn)和記憶,，基于AI模仿人類動作，能完成分類物品的復(fù)雜任務(wù),。從視頻中能夠看到,，特斯拉機器人取得全方位進展，運動控制能力持續(xù)進化,，AI能力大幅提升,。

5月17日，NVIDIA創(chuàng)始人黃仁勛在ITF2023年半導(dǎo)體大會上向觀眾介紹了多模態(tài)人工智能技術(shù)NVIDIAVIMA,，VIMA能根據(jù)視覺,、文本提示執(zhí)行任務(wù)。除此之外,，其他海外科技巨頭也加快布局人形機器人,，谷歌PaLM-E作為多模態(tài)具身視覺語言模型，不僅能夠理解圖像,，還能理解,、生成語言，執(zhí)行各種機器人指令而無需重新訓(xùn)練,；微軟持續(xù)探索將ChatGPT擴展到機器人領(lǐng)域,，從而運用語言直觀控制機械臂、無人機等,，而早在3月28日,，Ope-nAI領(lǐng)投挪威機器人制造商1XTechnolo-giesA2輪投資,，以創(chuàng)造具有實際應(yīng)用價值的機器人。

NVIDIA創(chuàng)始人黃仁勛

NVIDIA創(chuàng)始人黃仁勛認為,，下一波人工智能浪潮是“具身人工智能”,，即能夠理解、推理并與物理世界互動的智能系統(tǒng),；不同于傳統(tǒng)機器人僅具有“物理”執(zhí)行力,，大模型可通過將圖像、文字,、具身數(shù)據(jù)聯(lián)合訓(xùn)練,，引入多模態(tài)輸入，進而提升大模型和環(huán)境的交互能力和學(xué)習(xí)能力,，為機器人注入了“靈魂”,。

何為“具身智能”，賦予機器人靈魂

具身智能指的是智能體通過與環(huán)境產(chǎn)生交互后,，通過自身的學(xué)習(xí),，產(chǎn)生對于客觀世界的理解和改造能力。換言之,，一個具身智能機器人需要：首先聽懂人類語言,，之后分解任務(wù)、規(guī)劃子任務(wù),，移動中識別物體,，與環(huán)境交互，最終完成相應(yīng)任務(wù),。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(huán)境交互以及在環(huán)境中做事的整體需求和功能,?！?/div>

“具身智能”最初可追溯到1950年，當時圖靈在論文《Computing Machinery and Intelligence》中首次提出了這一概念,。但在之后的幾十年中,，具身智能都沒有取得特別顯著的進展，大多數(shù)機器人的行動依舊仰賴人類的手寫指令與代碼,。

這也是為何上文那個谷歌“史上最大'通才’AI模型”能引起業(yè)內(nèi)轟動——它無需預(yù)先處理的場景,，因此也不用人類對相關(guān)數(shù)據(jù)進行預(yù)處理或注釋。只需要一句簡單的指令,，便可實現(xiàn)更為自主的機器人控制,。更重要的是，PaLM-E生成的行動計劃還具有“彈性”,，即可對周圍環(huán)境變化做出相應(yīng)反應(yīng),。

谷歌PaLM-E以多模態(tài)為主要特征,，切實地與物理世界產(chǎn)生交互

從這點來看，“具身”所指代的,，便是客觀物理存在的“身體”，對于身體所承載的“認知” 帶來的各種影響,。認知不能脫離身體單獨存在,。與"具身相對的概念是“離身”(Disembodiment)，指的是認知與身體解耦,。

“智能”粗略定義為智能體（生物或機械）與環(huán)境交互后,，通過自身的學(xué)習(xí)，產(chǎn)生對于客觀世界的理解和改造能力,。具身智能機器人,，可以簡單理解為各種不同形態(tài)的機器人，讓它們在真實的物理環(huán)境下執(zhí)行各種各樣的任務(wù),，來完成人工智能的進化過程,。這種“具身智能”的進化，是純軟件系統(tǒng)當中的進化替代不了的,。

最新的人工智能研究發(fā)現(xiàn),，智能生物的智能化程度，和它的身體結(jié)構(gòu)之間,，存在很強的正相關(guān)性,。也就是說，對于智能生物來說,，身體不是一部等待加載“智能算法”的機器,，而是身體本身就參與了算法的進化。今天地球上所有的智力活動,，都是生物通過自己的身體,，直直切切地與環(huán)境產(chǎn)生交與之后，同時自身的學(xué)習(xí)和進化所遺留下來的“智力遺產(chǎn)”,。這個過程,，已經(jīng)被大型的計算機模擬實驗所證實。

而在具體應(yīng)用中以掃地機器人為例,，有了具身智能的掃地機器人,，能夠自我學(xué)習(xí)之后，把以前它掃不到掃不干凈的地方,，慢慢找到好的方法掃得更有效率和成果,，因為你的掃在機在更熟悉自己身體的情況下，慢慢變聰明了,。還有你如果用路徑規(guī)劃,，其被你點播得多了自己也更熟悉這個環(huán)境,，下次自己可能就能找到一條更有效率的行動軌跡了，并且真正做到無死角,，只要它能進去就能掃好,。整個過程如同一個老家政，來你家十幾次后干得那樣,，明顯讓用戶感到有進步,。

如果將AI其具象化，給這個大腦賦予“身體”,，那么就會是另一種形態(tài),，比如AI+汽車=智能汽車，AI+機器人=具身智能機器人,，再或者,，在未來某個時點AI+汽車+機器人=變形金剛也是有可能的。隨著技術(shù)更迭,，具身智能的出現(xiàn)會持續(xù)引領(lǐng)“大模型+機器人”潮流,，而馬斯克推出的人形機器人Optimus無疑是其中極具代表性的作品。

現(xiàn)有機器人的學(xué)習(xí)模式為“旁觀型學(xué)習(xí)”,，訓(xùn)練數(shù)據(jù)來自互聯(lián)網(wǎng),，只能學(xué)到數(shù)據(jù)中心的固定模式而非現(xiàn)實世界的第一人稱視角，無法從真實世界中直接學(xué)習(xí),，也無法適應(yīng)真實的世界,。具身智能是通往通用人工智能的關(guān)鍵鑰匙，賦予機器人實踐學(xué)習(xí)的能力,，而實踐性學(xué)習(xí)使得機器人像人一樣,，通過物理身體與環(huán)境的互動來學(xué)習(xí)，主動感知或通過做任務(wù)的方式來感知世界,，具身智能機器人將是人工智能的終極形態(tài),。

科技巨頭各展所長

探尋具身智能的實現(xiàn)路徑

對于極具潛力的成長潛力的居身智能市場，各大科技巨頭也是鉚足了勁兒想要爭奪更多市場話語權(quán),。除了前面提到特斯拉與英偉達外,，目前谷歌、微軟等技術(shù)團隊,、眾多頂尖研究院所和高校已探索具身智能的發(fā)展落地,。

微軟，ChatGPT for Robotics：在微軟研究院發(fā)布“ChatGPT for Robotics” 文章中,，研究者使用ChatGPT大型語言模型 (LLM) 將人的語言快速轉(zhuǎn)換為機器人的高層控制代碼,，從而控制機械臂、無人機等機器人，ChatGPT帶來了一種新的機器人應(yīng)用范例,。

微軟ChatGPT for Robotics研究者使用ChatGPT大型語言模型 (LLM) 將人的語言快速轉(zhuǎn)換為機器人的高層控制代碼

在Microsoft Research 的 ChatGPT for Robotics 文章中,，研究者使用 ChatGPT生成機器人的高層控制代碼，從而可以通過自然語言和ChatGPT交流,，使用 ChatGPT來控制機械臂,、無人機、移動機器人等機器人,。

目前實驗已經(jīng)能夠通過給 ChatGPT的對話框輸入指令,，讓其控制機器人在房間中找到“健康飲料”“有糖和紅色標志的東西”（可樂），以及一面供無人機自拍的鏡子,。

谷歌，視覺語言大模型PaLM-E：今年3月,，谷歌與德國柏林工業(yè)大學(xué)的一組人工智能研究人員公布了視覺語言模型PaLM-E（Pathways Language Model with Embodied）,，集成了5400億參數(shù)量的PaLM模型和220億參數(shù)量的視覺ViT（Vison Transformer）模型，總參數(shù)量達到5620億,，是目前已知的最大的視覺－語言模型,。

谷歌PaLM-E是目前已知的最大的視覺－語言模型

PaLM-E模型具備多模態(tài)能力，能夠觀察物理實體世界的信息,，由大模型進行分析理解,，再將決策結(jié)果反饋至物理世界，由此溝通物理和虛擬兩個世界,。該模型在多任務(wù)中表現(xiàn)了強大的感知能力,，機器人可以在要求下從抽屜里拿東西，然后走過去遞給人,；研究人員要求機器人將“綠色色塊推到烏龜旁邊”的指令,，即便機器人之前沒有見過這只烏龜擺件，也能完成任務(wù),。

同時,，PaLM-E通過分析來自機器人攝像頭的數(shù)據(jù)來實現(xiàn)對高級命令的執(zhí)行，而無需對場景進行預(yù)處理,，這消除了人類對數(shù)據(jù)進行預(yù)處理或注釋的需要,，并允許更自主的機器人控制。

Meta,，SAM分割模型：2023年4月6日,，Meta 推出一個AI模型 Segment Anything Model(SAM分割一切模型），能夠根據(jù)文本指令等方式實現(xiàn)圖像分割,。SAM 任務(wù)目的：零樣本（ zero-shot）或者簡單 prompt 下,，就對任意圖片進行精細分割。

SAM證明，多種多樣的分割任務(wù)是可以被一個通用大模型涵蓋的,。SAM 做到的分割切并不是 CV大模型的終點,，我們期待一個模型可以無監(jiān)督完成分割、檢測,、識別,、跟蹤等所有 CV 任務(wù)，屆時視覺大模型應(yīng)用會得到極大發(fā)展,。

伯克利的LM-Nav模型：UC Berkeley,、波蘭華沙大學(xué)聯(lián)合谷歌機器人團隊發(fā)表論文《LM-Nav：具有大型預(yù)訓(xùn)練語言、視覺和動作模型的機器人導(dǎo)航系統(tǒng)》,，該模型結(jié)合了三種預(yù)訓(xùn)練模型,，從而無需用戶注釋即可執(zhí)行自然語言指令。

其中,，大語言模型（LLM）用于完成自然語言處理的任務(wù),；視覺和語言模型（VLM ）將圖像和文本信息進行關(guān)聯(lián)，即用戶指令和機器人視覺感知的外部環(huán)境進行關(guān)聯(lián),；視覺導(dǎo)航模型（VNM）用于從其觀察到的信息中直接進行導(dǎo)航將圖像和將要執(zhí)行的任務(wù)按時間進行關(guān)聯(lián),。

政策驅(qū)動，AI+機器人快速落地

人形機器人應(yīng)用需求大,，在智能制造,、智能服務(wù)、人機協(xié)作等方面都將有廣闊的應(yīng)用場景,。特斯拉股東大會上,，馬斯克稱特斯拉的長期價值將主要來自人形機器人，并預(yù)測人形機器人需求將達100億臺,，遠超汽車,，如果機器人與人的比例為2:1，需求將達到200億臺,。

據(jù)麥肯錫報告,，到2030年，全球約有4億個工作崗位將被自動化機器人取代,，按20%滲透率和15萬-20萬人形機器人單價來測算,，全球人形機器人市場空間可達到12萬億—16萬億元。中性預(yù)測下,，2030年全球人形機器人市場規(guī)模855億元,，2021—2030年市場規(guī)模CAGR可達到71%。根據(jù)中國電子學(xué)會數(shù)據(jù),，國內(nèi)機器人2024年有望達251億美元市場規(guī)模,，2020—2024年CAGR約22%,。

面對如此高成長的市場，我國發(fā)布了不少行業(yè)扶持政策,。2023年1月,，工信部等十七部門發(fā)布《“機器人+”應(yīng)用行動實施方案》，該政策明晰了“十四五”期間機器人行業(yè)的發(fā)展目標,。5月19日,，科技部部長王志剛在2023第七屆世界智能大會開幕式暨創(chuàng)新發(fā)展高峰會上表示，將加大人工智能基礎(chǔ)理論和前沿技術(shù)研發(fā)布局,，打造一批人工智能區(qū)域高地和技術(shù)平臺,。

此外，地方政府出臺具體行動方案,，落實頂層設(shè)計,。4月下旬以來，北京市印發(fā)《北京市機器人產(chǎn)業(yè)創(chuàng)新發(fā)展行動方案（2023—2025年）（征求意見稿）》,，明確指出,，成立人形機器人產(chǎn)業(yè)開放聯(lián)盟，到2025年,，建成人形機器人通用行為控制大模型服務(wù)開發(fā)平臺、共性技術(shù)服務(wù)平臺,、后陸續(xù)印發(fā)《北京市促進通用人工智能創(chuàng)新發(fā)展的若干措施（2023—2025年）（征求意見稿）》和《北京市加快建設(shè)具有全球影響力的人工智能創(chuàng)新策源地實施方案（2023—2025年）》,，以推動人工智能發(fā)展取得變革性、顛覆性突破,。

而在諸多利好政策的推動下,，整個具身智能領(lǐng)域也有望進入爆發(fā)式發(fā)展階段。

編輯｜張毅

審核｜吳新