在今年的央视春晚舞台上，人形机器人灵活舞动，展现出令人惊叹的协调性。就在不久前，“具身智能”首次被写入《政府工作报告》，迅速成为科技界和产业界热议的话题。“具身智能”可拆解为“具身+智能”。“智能”是智能体在物理与社会环境中完成任务过程中表现出来的各种现象，“具身智能”就是使用身体各个部位完成物理任务的现象。这一概念，正推动人工智能从“会思考”向“能行动”跃迁，赋予机器更强的感知、理解与执行能力，让智能体真正“长出手脚”，走进现实世界。
早在2022年，北京通用人工智能研究院创立之初就战略布局具身智能这一方向，整合研究院七大实验室协同攻关，开展面向通用人工智能的研究。在创院之初有幸加入其中的我，作为从业者见证了中国具身智能从概念萌芽到技术突破的关键跃迁。
2015年AlphaGo战胜了人类围棋职业棋手，刷新了大众对人工智能的认知，那时人们认为AlphaGo就是人工智能。近年来，大语言模型的兴起，如当下火爆的DeepSeek，大家又认为这代表了人工智能。但实际上，这都只是人工智能的一部分。当下热门的“具身智能”又将大众的目光牵引到了另一个方向，但其实它并不是一个全新的概念。早在1980年前后，鉴于经典人工智能的局限性，学术界提出了具身智能的概念，旨在突破传统符号处理范式的束缚，更深入地探索智能体与真实物理世界的动态交互。经典人工智能主要关注高层次的计算与推理任务，如象棋、定理证明等，对感知、运动、操作等细粒度任务的研究比较有限。这些任务通常需要与复杂且动态的现实环境进行交互，而这一点正是传统方法的短板。而具身智能的兴起就是为了弥补这一短板，让人工智能具备一个人的基本能力，让不同具身的身体都能展现更多智能的现象，让人工智能走向通用。
尽管发展迅速，具身智能仍面临多重技术的挑战。人的一个动作，看似简单，实则复杂。当你伸手去接一个即将落地的杯子时，大脑会在毫秒之间完成一系列计算：判断杯子的运动轨迹、调整手臂的力度、协调手指的张合。这一切，对于机器人来说是极其复杂的挑战。其困难不仅源于当下机器人缺乏灵活操纵各类物体的能力，也由于机器人硬件结构的限制。人类躯体的运动控制通过肌肉的牵引，而机器人当下大多依赖刚性电机，难以模拟精细力度的调节，也缺乏柔性的缓冲。另一方面，机器人过去执行任务往往依赖预设的程序，面对陌生环境就会“犯傻”，这就限制了机器人在更广阔场景中的应用。
许多科研机构都在致力于解决以上与具身智能相关的技术瓶颈，我目前所在的机器人实验室，正在以“迈向通用人工智能”为目标，开展系列研究工作。比如，我们正在自主研发能用于不同机器人构型的全身运动规划算法，也就是服务于不同“身体”的具身智能，它可以是轮式人形机器人或者是双足人形机器人，甚至可以是飞行机械臂。此外，我们联合自然语言处理和计算机视觉实验室，共同推出了支持多种机器人本体的具身智能仿真平台TongVerse，用以采集和生成大规模机器人“具身—场景”交互数据，支撑具身智能模型理解场景和身体的交互，赋能智能体在现实环境中完成复杂任务的能力。同时，我们也正在与产业界积极合作，共同推动具身智能从科研成果到产业落地。
机器人与人类的协作是个双向奔赴的过程，具身智能体如何有机融入现有的生产、生活流程，人类如何与具身智能体高效合作，都值得我们思考。尽管前路仍有诸多挑战，但我们坚信具身智能将重塑社会结构，成为人类生活的智能伙伴，并在智能制造、医疗康复、家庭服务等领域迎来广泛应用。在不久的未来，机器人或许将走进千家万户，成为提升人类福祉的重要力量。届时，人工智能将不再只是“会聊天的大脑”，而是“长出手脚”的智能体，真正融入现实场景。
