程实：从符号推理走向环境决策，具身智能重塑经济增长动力曲线

正文

请到「今天看啥」查看全文

研究表明，非具身学习往往采用“大模型无监督预训练+小样本微调”等方式训练神经网络，模型可在不同硬件上部署，性能取决于模型泛化能力。与之不同，具身学习则先在虚拟环境训练大模型获取常识表征，再在具体场景通过强化学习微调，使模型能够自主适应特定硬件和环境。这意味着具身智能体并非将“智力”与“身体”割裂开来，而是将感知、思考与行动融合为一体，通过在环境中的试验和反馈来迭代优化其策略。这一转型使人工智能更接近生物体的认知机制。例如，婴儿通过抓取物体、行走或跌倒等过程来学习物理世界的规律，形成对空间和因果的认知。

同样，具身智能体通过不断试错来形成对环境的“身体感觉”“肌肉记忆”。与在数据中训练的大模型不同，具身智能强调在执行任务过程中持续感知环境变化并即时调整行为策略，实现真正的自主适应和决策，标志着人工智能从依赖静态知识库和离线推理，走向依赖实时感知和在线决策的范式转变。

具身智能在机器人领域的实践

一系列先进机器人案例展示了将算法与实体机器相结合所带来的突破。

例如，2024年宇树科技推出了人形机器人G1，初始版本配备23个自由度关节，最高可升级至43个自由度，能够以超过2m/s的速度小跑，并具备爬楼梯、跳跃等动态能力。在演示中，G1还模拟完成了如炒菜、焊接等复杂动作，展现出较强的灵活性与环境适应性。该机器人配备激光雷达与深度相机，实现三维视觉感知，并搭载三指机械手，可执行精细化操作任务。同时，基于模仿学习的训练方式，结合Unitree机器人统一大模型（UnifoLM），支持机器人通过人类演示逐步学习和适应新任务。

具身智能的训练不再依赖于编程规则的预设，而是通过机器人与环境和人类的交互过程，逐步习得任务技能。这种通过人类指导和自主学习相结合的模式，体现了具身智能“在环境中学”的精髓。

通过上述案例可以看出，先进机器人体现了“感知-思考-行动”的闭环。机器身体配备多模态传感器（如摄像头、激光雷达、力传感等），由AI算法处理感知信息并规划行动，再由系统执行动作。机器人在真实世界中不断迭代尝试，从失败中学习，在成功中强化策略，真正实现了主动决策和自主适应。这些实践证明，具身智能不仅是理论上的概念，更是引领机器人技术突破的核心理念。

具身智能提升生产率与促进产业升级

具身智能通过将智能算法嵌入物理载体之中，并广泛部署于现实生产与生活场景，正在显著提升劳动生产率，重塑产业结构。

一是提升生产率。 具身智能推动自动化水平大幅提高，从而增强劳动生产率和降低生产成本。在工业领域，引入机器人可以接管重复、危险或精度要求高的工序，使产线实现连续运行和品质稳定。据统计，制造业采用机器人已经对生产率产生了可量化的贡献。一项涵盖17国的研究发现，1993~2007年间工业机器人的使用使这些国家制造业的劳动生产率年均增速提高了0.36个百分点，约占同期生产率增长的16%。这表明机器人技术在过去几十年已成为推动生产效率的一个重要因素。

请到「今天看啥」查看全文