郑南宁院士：具身智能不等于人形机器人，标准不在像人

中国工程院院士、西安交通大学人工智能与机器人研究所所长郑南宁发表文章，探讨具身智能如何在物理世界中成长。

他指出，人工智能的重要发展方向之一，是让机器不仅能处理信息、推演复杂问题，还能在真实多变的环境中灵活完成各类任务。

从工业生产线上的精细操作，到复杂地形中的自主行走，再到展演环境中的动态运动，机器人正频繁出现在各种场景中。

在这些能力背后，人工智能正经历一场重要转变：从能够计算走向能够行动，并进一步发展为能够在物理世界中持续交互、学习与进化的智能形态。

需要明确，具身智能不等于人形机器人，人形只是载体之一。关键在于智能系统能否真正进入真实环境，形成感知、认知、决策、行动、反馈的闭环，并不断调整行为，通过学习改善内部模型和策略。

因此，评价具身智能的标准，不在于形态是否像人，而在于能否真正解决现实世界中的问题。

理解具身智能，最直观的方式是回到婴儿认识世界的过程。婴儿不先学习概念或语言，而是通过触摸、抓取、跌倒和重新尝试来建立理解。婴儿的认知不脱离身体，而是在身体与环境互动中逐步形成：视觉提供空间结构，触觉提供物理反馈，运动经验不断修正预测。

智能不只是脑中的计算，而是身体与环境相互作用的产物。身体不只是执行指令的工具，更是认知系统的组成部分，参与感知、理解与行动。具身智能系统通常由三部分构成：感知系统获取环境信息，决策系统形成理解与规划，执行系统作用于物理世界。

具身智能要让机器真正进入世界并行动，需要多种能力。世界模型的形成，系统需在内部构建可模拟环境，以便在行动前预测与推演。

多模态表征能力，现实信息高度异质，包括视觉、语言、触觉与声音等，具身智能需将其整合到统一语义空间。

因果推理能力，当前大模型主要基于统计相关性学习，对因果结构的把握有限，其判断有时在语言上合理，但在物理世界中不成立。

生成与行动一体化能力，将视觉、语言与动作统一建模的端到端系统，使机器人能根据自然语言指令生成动作策略，并通过控制系统和执行机构付诸行动。

具身智能的发展依赖两大基础条件：高质量多模态数据作为燃料，高逼真仿真环境作为练兵场。通过仿真训练再迁移到真实世界已成为重要路径，但如何缩小仿真与现实的差距，仍亟待解决。

当前系统仍有局限：黑箱问题，决策过程可解释性不足；算力与部署矛盾，大模型难以在边缘设备实时运行；产业生态尚未成熟，标准体系与接口规范仍在演进。

在工业制造领域，智能系统正从执行工具转向意图驱动系统。在医疗与康复领域，正成为医生的重要辅助工具。在城市治理与公共安全中，无人机与地面机器人协同执行基础设施巡检。在交通领域，自动驾驶系统是最接近规模化应用的具身智能形态之一。

具身智能的本质，不是让机器像人，而是让智能真正进入现实世界，在复杂、不确定环境中形成持续学习与适应能力。