正文
《瞭望》：
具身智能与传统人工智能有何不同？
陈晓红
：
具身智能是一种基于物理身体进行感知和行动的智能系统，通过智能体与环境的交互获取信息、理解问题、做出决策并实现行动，从而产生智能行为和适应性。
与传统人工智能不同，具身智能强调智能体的物理实体与环境实时交互，实现感知、认知、决策和行动一体化，颠覆了传统人工智能的“离身性”局限。
1986年，机器人学家罗德尼·布鲁克斯提出“包容式架构”，为具身智能奠定了理论基础，它摒弃传统人工智能对符号推理的依赖，主张智能应由身体与环境的实时交互自然涌现。
近年来，相关理论随着多学科交叉创新，逐渐获得技术上的有力支撑。其中，多模态感知技术融合视觉、触觉、力觉等传感器的时空数据，实现对三维环境的毫米级建模；强化学习与自适应控制技术，使智能体在虚拟空间积累物理交互经验后可迁移至真实场景；具身大模型则增强智能体的泛化能力，支撑“一脑多机”架构；分布式协同技术依托群体智能算法，能有效构建多智能体的协作网络。
这样一来，具身智能就得以形成“感知—决策—执行—协同”的全栈能力链。
《瞭望》：
当前，具身智能发展面临哪些技术挑战？
陈晓红
：
具身智能的发展需要传感器技术、机器人技术、机器学习算法、控制科学等多种先进技术的支持。总体来看，其进一步发展仍面临以下挑战。
一是感知能力挑战。
与人类感知相比，当前AI感知系统整体上还偏于单一、割裂。为此需要发展全模态感知技术，让机器人融合视觉、听觉、触觉、力觉等多种感知能力。如加快将语言理解与机器人控制相结合，推动具身智能进入语义交互新纪元，使机器人能更好地理解环境信息。
二是运动控制挑战。
人类行走时每步涉及200多块肌肉的毫秒级协调，现有AI运动系统仍显粗糙，机器人要实现灵活运动，必须突破动态平衡、精细操作和能量效率三重难关。需要通过强化学习与自适应控制技术，让机器人在虚拟环境中进行大量训练，积累运动经验，并实时感知和调整动作。
三是学习能力的挑战。
人类通过试错、经验积累和直觉判断等多种方式进行学习，而现有AI仍缺乏真正的“直觉”和“经验”，面对环境变化难以应对。为此，需要进一步发展强化学习和迁移学习等先进算法，赋予机器人更强的自适应学习能力，使其能通过日常对话或理解指令不断调整行为。
