一个便于理解的定义
具身智能关注智能体、身体与周围环境之间的关系。可以把它理解为:智能体根据观察选择动作,经历动作产生的后果,再围绕目标调整行为的能力。不同研究对这个概念的用法有所不同;它并不特指某一种模型架构,也没有一个测试就能完整衡量它。
身体本身也是研究问题的一部分。摄像头的位置影响能看到什么,夹爪的形状限制能抓住什么。Gupta 等人关于学习与演化的研究,探索了仿真中的身体设计如何让控制更容易被学会。这些发现适用于论文研究的环境与智能体,不能直接视为通用的机器人设计方案。 [2]
用移动杯子理解感知与行动的循环
设想一个用于说明概念的任务:把桌上的杯子移到托盘里。机器人先通过传感器估计杯子的位置,选择能够到达的抓取方式,再移动机械臂。动作会改变场景。后续观察可能表明杯子移动了、没有抓稳,或正在滑落;下一步动作应根据这些新情况调整。
这个循环把感知、决策、行动和反馈联系起来。完成任务需要在约束条件下取得实际结果,仅仅描述一套看似合理的步骤还不够。时序、接触和可用传感器都会影响结果。Roy 等人的文章讨论了物理交互中的学习为何面临超出常规机器学习设置的挑战,包括适应变化以及错误带来的实际后果。杯子的例子用于解释原理,并非某个系统的性能报告。 [1]
在这个假想案例中,抓取落空后,应重新观察杯子、修正目标,再采取下一步动作。如果机器人只重复固定轨迹,摄像头仅负责录像,那么录像本身不能说明视觉反馈改变了后续动作。控制器也可能使用其他传感器的反馈;需要说明哪个信号影响了哪一步决策。此例属于编辑解释,不是协会实验。
判断反馈闭环的六项检查
以下是编辑整理的阅读清单,不是认证标准,也不是通用智能测试。Habitat 区分传感器、观察、动作、状态更新与任务成功条件,为描述系统提供了可参考的术语。 [5]
- 观察:控制器能获取什么信息,来自哪个传感器,对应什么时刻?
- 决策:控制器如何结合这些信息和任务目标,选择下一条指令?
- 动作:什么指令被送到身体或仿真器,产生了什么运动或交互?
- 环境变化:动作之后实际改变了什么,包括智能体自身的状态?
- 反馈:哪一项新观察影响了后续指令?仅仅记录信号,还不能证明控制器使用了它。
- 成功条件:什么可观察的结果算完成任务,何时结束试验或判为失败?
这六项是检查问题,不是六个必需模块或依次执行的步骤。成功标准用于评价试验;根据反馈调整动作,也不等于必须在线更新模型参数。
形成闭环并不能证明系统会学习或能够泛化。Habitat 也支持采用传统规划、不涉及学习的智能体。描述控制方式和测试条件时,应与智能程度的判断分开。 [6]
机器人、语言模型与仿真分别处于什么位置
机器人是一种物理机器,这个名称本身并不能证明它具有灵活学习或通用智能的能力。纯文本助手可以解释如何拿起杯子,而不感知或控制那个杯子。不过,语言模型可以成为具身系统的一个组成部分。例如,RT-2 研究如何结合网络数据与机器人数据,把视觉和语言表征连接到机器人动作。 [3]
具身人工智能研究也包括仿真中的智能体。Habitat 为导航等任务提供了用于训练和评估的虚拟环境。仿真便于进行可重复的实验,但仿真中的结果本身不能证明真实硬件上的表现。研究者还需要检验哪些观察、动作和环境假设能够迁移到现实中。 [4]
仿真、实机试验和视频分别能说明什么
这些证据回答的问题不同。Roy 等人讨论了演示与系统性评估的区别,以及仿真交互和真实物理交互之间的差距。 [1]
- 仿真:适合在明确的传感器、物理模型和任务设置下重复测试,但不能单独证明方法能够迁移到真实硬件。Habitat 说明了仿真在控制条件和重复试验方面的作用。 [6]
- 实机试验:应说明机器人、环境、试验次数、成功标准和人工介入。结果支持已测试的条件;换用物体、接触表面或摄像头设置后,需要进一步证据。
- 演示视频:展示一条示例执行过程。没有明确的试验集合和失败记录,就不能据此计算成功率。还应核对是否说明反馈、重置、遥控或人工恢复。
作为阅读方法,未说明的项目应记为“所读材料未报告”,不能据此断言实验中没有这项设置或过程。
阅读研究结论时核对什么
应把演示看作特定测试条件下的证据。阅读时可以依次核对:
- 系统使用了什么身体、传感器和动作,完成什么任务?
- 结果来自仿真,还是真实机器人?
- 训练与评估之间改变了什么,又保留了哪些熟悉的条件?
- 报告了多少次试验,是否说明失败情况或人工干预?
把论文报告的结果与你自己的解读区分开。一种有潜力的方法,仍可能只适用于较窄的运行条件。流畅的解释或一次成功演示,都不足以单独证明广泛的物理任务能力。实验细节和适用边界仍应回到原论文核查。