具身智能：通向人类智慧的未来之路(5)

以旅游规划为例，传统的聊天智能可能仅能提供固定的行程建议，而不管雨雪风霜，甚至有可能在雷暴雨的天气，依然为用户安排露天温泉的行程。具身智能则能够根据用户的个人偏好、当地环境和天气状况等因素提供更加贴合实际的建议。它更像一位熟悉当地情况的私人旅行顾问乃至私人摄影师。它不仅知道你的目的地，还熟知周围的情境，了解环境变化；能够根据你的私人偏好和当地时令，带你去合适的小馆子就餐，并记录下你每个快乐时刻的印记。
目前已经存在大量逼真且公开泛用的3D场景，可以作为具身智能训练的模拟环境。针对具身导航的虚拟环境有iGibson、Habitat、MultiON、BEHAVIOR等；针对具身问答的有ALFRED；关注情景理解、物体状态和任务规划的环境有AI2-THOR、ThreeDWorld、Habitat 2.0等；关注物体操纵的有SAPIEN、RLBench、VLMbench、RFUniverse、ARNOLD等；物体抓取及操纵信息数据集包括GraspNet、SuctionNet、DexGraspNet、GAPartNet等。这些场景比以往研究模拟器所用的环境要真实得多，极大地促进了具身智能在情境性的初步开发。
此外，传感领域的技术进步，也为情境性的具身智能发展提供了可靠保障。例如，PaLM-E团队提出了具体化的语言模型，将真实世界的连续传感器模态直接结合到语言模型中，从而建立单词和感知之间的联系。这种模型的输入是多模态语句，它们将视觉、连续状态估计和文本输入编码交织在了一起。结合预训练的大型语言模型，对这些编码进行端到端训练，可用于多个具体任务，如顺序机器人操作规划、视觉问题解答和图像视频字幕描述，有效地构建了单词和感知之间的联系。
拟生物
较之一般的人工智能，具身智能需要应对复杂的环境，并被要求以更接近人类的认知方式来与现实世界共处，这就使得它体现出了更多的模仿生物的特征。
就像蜜蜂群体协同工作以建造蜂巢，具身智能中的多个智能体能够共同协作，产生超越单个智能体能力的集体效应。这种群体协作不仅超越了单个智能体的能力，还展示了复杂系统中的涌现现象。在这些系统中，个体智能体的简单行为和互动，可能导致整个系统出现复杂的行为模式和结构形态，使得系统能够适应新的环境和任务，而无需依赖预先设定的编程规则。
此外，具身智能系统中的自组织性是其拟生物特性的关键部分。智能体能够根据环境变化和相互作用动态地调整自己的行为和结构，形成更高级别的功能和结构，从而使系统具有更强的鲁棒性和适应性。