机器人也有身体吗？——认识具身智能

机器人也有身体吗？——认识具身智能

你有没有想过，当机器人跳舞、跑步、捡东西的时候，它们是怎么做到的？它们有身体吗？如果有，它们的身体和我们人类的身体有什么不一样？

要回答这些问题，我们需要认识一个重要的概念——具身智能。这个听起来有点奇怪的名字，其实说的是一个很简单的道理：机器人想要变聪明，光有一个会思考的“大脑”是不够的，它们还需要一个能干的“身体”，用身体去感受世界、去做事情。

在这本书里，我们要一起探索机器人是如何感知周围的环境、是如何思考该做什么、又是如何让自己的身体动起来的。让我们从最基本的问题开始：什么是具身智能？

什么是具身智能？

让我们先来做一个小实验。请你闭上眼睛，用一只手去摸自己的鼻子。你能轻松做到吗？当然能！即使看不见，你也知道自己的鼻子在哪里，知道手该往哪个方向伸。

但是，如果让你闭上眼睛去摸一个从未见过的玩具熊的鼻子呢？你可能就需要摸索一会儿才能找到。这说明了一个重要的道理：我们的身体从小就学会了和周围的世界打交道。我们对自己身体的每一个部分都了如指掌，对我们熟悉的物品也知道该怎么去触碰它们。

现在我们来想象一个机器人。一个没有身体、只有“大脑”（也就是计算机）的程序，能不能学会摸鼻子或者找玩具熊呢？答案是：很难。因为它从来没有真正“摸”过任何东西，从来没有体验过物理世界是什么样的。

具身智能就是研究如何让机器人像我们一样，通过一个真实的身体，与真实的世界进行互动，从而变得越来越聪明。具身智能的核心观点是：智能不仅仅发生在大脑里，更是在身体与环境的不断互动中产生的。

我们可以把这个道理说得更清楚一些。假设你是一个从来没有见过苹果的人。别人告诉你“苹果是圆的、红的、甜甜的”，你能完全理解吗？可能可以记住这些词语，但你真的知道苹果摸起来是什么感觉吗？咬一口是什么声音吗？闻起来是什么香味吗？

现在想象你手里真的拿着一个苹果。你可以看着它的颜色，转动它看它的形状，摸摸它的表面是光滑的还是粗糙的，闻一闻它的香气，最后咬一口尝尝味道。通过这些真实的体验，你对苹果的理解就完全不一样了。

机器人学习也是同样的道理。科学家们发现，如果让机器人真的用摄像头去看、用手去摸、用各种传感器去感受，它们的“理解”就会更加深刻，行为也会更加自然。这就是具身智能要解决的问题：如何给机器人一个好用的身体，让它能够像我们一样，通过真实的体验来学习。

人类的身体和机器人的身体

要理解具身智能，最好的办法就是把我们自己的身体和机器人的身体做一个对比。我们都有哪些重要的身体部件呢？

首先是眼睛。我们的眼睛能看见东西，可以看到颜色、形状、远近。眼睛把这些信息传给大脑，大脑告诉我们前面有一个杯子，还是一本书，还是一只小猫咪。

机器人也有“眼睛”。最常见的就是摄像头。摄像头就像机器人的眼睛，能够拍下周围的画面。现在的机器人通常不只装一个摄像头，而是装好几个，就像蜻蜓有两只大眼睛加上三个单眼一样。多个摄像头可以帮助机器人判断物体离自己有多远，看到的画面也更全面。

我们的耳朵能听见声音，听到音乐声、说话声、敲门声。机器人的“耳朵”是麦克风。现在的麦克风技术非常先进，有的麦克风可以识别声音是从哪个方向传来的，有的可以在一片嘈杂中分辨出某一个人的说话声。

我们的嘴巴可以说话，也可以吃东西。机器人的“嘴巴”可能是扬声器，用来说话或者发出提示音。有的机器人还有“手”或者机械臂，可以真正地去抓握东西。机器人的手和我们人类的手很不一样。人类的手有灵活的手指，每个手指都能独立弯曲。机器人的手通常叫做机械手或者末端执行器，可以是爪子形状的，可以是吸盘形状的，也可以是专门设计用来抓握特定物品的形状。

我们的腿和脚让我们能够走路、跑步、跳跃。机器人的腿和脚叫做机械腿或者足式机构。有的机器人用轮子代替腿，轮子在平坦的地面上移动效率很高。但如果你想让机器人爬楼梯、走在草地上、甚至翻越障碍物，那就需要像人或者动物一样的腿了。机器人腿上的关节处安装着电机或者液压驱动器，这些部件就像我们腿上的肌肉一样，提供力量让腿能够弯曲和伸直。

我们的皮肤能感觉到冷热、疼痛、触碰。机器人也有类似的东西，叫做触觉传感器。有的机器人全身覆盖着很多小小的触觉传感器，就像我们的皮肤一样敏感。有的机器人只在手指尖装上传感器，因为手指尖是最需要精确感知的地方。

最后，我们的身体有一个总指挥部——大脑。大脑协调我们的所有行为，让我们思考、学习、做决定。机器人也有自己的“大脑”，那就是计算机处理器和运行在上面的人工智能程序。不过，机器人的大脑和人类的大脑工作方式很不一样。我们的大脑有数以亿计的神经元，能够同时处理很多事情，能够学习新的东西，能够发挥创造力。机器人的“大脑”是由硅芯片和代码组成的，在某些特定的任务上可能比人类做得更快更准，但在灵活性、创造力等方面还有很长的路要走。

下面这张图展示了人类身体和机器人身体的对应关系：

```mermaid flowchart LR subgraph Human[人类身体] H1[眼睛] H2[耳朵] H3[手] H4[脚] H5[皮肤] end

subgraph Robot[机器人身体] R1[摄像头] R2[麦克风] R3[机械手] R4[机械腿] R5[触觉传感器] end

H1 --> R1 H2 --> R2 H3 --> R3 H4 --> R4 H5 --> R5 ```

看，我们人类身体的每一个部分，在机器人身上都有对应的部件。不过，机器人身体的每一个部分，都还有各自需要解决的难题。比如，人类的眼睛能够自动调节远近，无论看近处的书还是远处的山，都不需要我们“手动调节”。但机器人的摄像头要实现同样的功能，就需要复杂的算法来计算距离。再比如，人类的手指极其灵活，我们可以轻松地系鞋带、弹钢琴、用筷子夹菜。机器人的机械手要达到这样的灵活度，还需要很多很多的改进。

从自动机到现代机器人：具身智能研究的历史

具身智能这个概念听起来很新，但人类制造有“身体”的智能机器的梦想，已经有好几百年了。让我们沿着历史的河流，慢慢走到今天。

最早的自动机

在很久很久以前，人类就梦想着能够造出会动的“人偶”。古希腊的发明家们就造过一些简单的自动装置，用水流或者重力来驱动。到了十七、十八世纪，欧洲的钟表匠们制造出了一种叫做自动机的东西。

最著名的自动机之一是“土耳其人”。1770年，一个叫沃尔夫冈·冯·肯佩伦的奥地利人制造了一台下棋机器。这个机器穿着土耳其长袍，坐在一个大型的木柜前面，看起来像是一个真正的土耳其棋手在和你对弈。机器甚至还会真的下棋，而且据说赢过拿破仑这样的名人。后来人们发现，“土耳其人”其实是一个骗局——柜子里藏着一个人类棋手在操控。但这说明了一个问题：人们当时就已经非常渴望能够制造出会思考、会行动的机器了。

还有一种叫“机械鸭子”的自动机。1738年，法国发明家雅克·德·沃康松制造了一只“消化鸭”。这只鸭子能够吃东西、喝水，看起来还能“消化”——虽然实际上只是把食物从嘴里掉到一个袋子里。鸭子本身不会真正地消化，但在当时已经是非常神奇的表演了。

这些自动机虽然不能真正地思考和行动，但它们展示了人类对于“制造会动的机器”这件事的执着追求。

工业革命和第一台机器人

时间来到20世纪，科学技术飞速发展。1921年，捷克作家卡雷尔·恰佩克写了一个叫《罗素姆万能机器人》的剧本。在这部戏剧里，机器人第一次有了名字——“Robot”，这个词来自捷克语的“robota”，意思是“苦工”或者“强制劳动”。从此之后，“机器人”这个词就传遍了全世界。

1954年，美国发明家乔治·德沃尔申请了一个叫做“程序化物品处理机”的专利。这个名字听起来很无聊，但它是世界上第一台可编程的工业机器人的雏形。德沃尔的想法很简单：机器人应该按照程序来做事情，而且同一个机器人可以做完全不同的工作，只要改变程序就可以了。这和我们现在说的“软件定义机器”已经非常接近了。

1961年，通用汽车公司真正用上了工业机器人。这些机器人被安装在汽车生产线上，负责焊接、喷漆等重复性的工作。机器人不会累，不会偷懒，而且做出来的东西质量很稳定——这对工厂老板来说简直是梦寐以求的事情。

两条不同的道路

在工业机器人蓬勃发展的时候，科学家们开始思考另一个问题：能不能造出更像人类的机器人呢？既能像人一样走路，又能像人一样感知环境？

人工智能的研究在20世纪50年代开始兴起。最早的人工智能研究者主要关注的是让计算机下棋、证明数学定理、处理文字信息。他们造出了很厉害的程序，计算机在国际象棋上甚至战胜了世界冠军。但这些程序只能运行在计算机里面，和真实的世界没有任何联系。它们不知道什么是棋盘，不知道什么是棋子，更不知道下棋的人在想什么。

这就是人工智能发展过程中出现的一个大问题：很多人工智能程序只是“缸中之脑”，被关在计算机里，和物理世界完全隔离。它们可以处理符号、处理数据，但无法真正理解什么是真实的物体、真实的空间、真实的动作。

慢慢地，一些研究者开始意识到这个问题。他们提出：智能可能不仅仅是大脑的事情，身体也很重要。这个想法在哲学上叫做“具身认知”，在机器人学里就是“具身智能”。

1986年，机器人学家罗德尼·布鲁克斯提出了一个著名的理论，叫做“无表示的智能”。他的观点很激进：机器人不需要在大脑里建立一个复杂的世界模型，只需要简单地对外界刺激做出反应就可以了。比如，遇到障碍物就躲开，看到东西就捡起来。

他造出了一个叫“艾伦”的机器人。这个机器人没有传统意义上的“大脑”，只有一些简单的行为规则。但奇怪的是，它能够在地上爬来爬去，躲避障碍物，看起来很像一个活生生的小动物。布鲁克斯后来还造出了更复杂的六足机器人，能够在不平整的地面上稳定行走。

这个时期，另一个重要的研究方向是仿生机器人。科学家们研究昆虫、鱼、蛇等动物的运动方式，然后把这些原理用到机器人上。为什么要研究动物呢？因为动物的身体是经过大自然亿万年的进化才形成的，每一个设计都有它的道理。比如，蟑螂为什么能跑得那么快？因为它的身体结构很轻，腿的设计很高效。蛇为什么能钻洞？因为它的身体细长，可以挤进很小的缝隙。模仿自然界的这些巧妙设计，科学家们能够造出更高效的机器人。

现代机器人时代

进入21世纪，机器人技术迎来了爆发式的进步。这主要得益于三个方面的突破：

第一个是传感器技术的进步。现在的摄像头越来越小、越来越便宜、越来越清晰。深度摄像头可以直接测量出物体离机器人有多远。激光雷达能够扫描出周围环境的三维地图。麦克风阵列可以精准地定位声音来源。陀螺仪和加速度计可以让机器人知道自己是站立着还是躺着。这些传感器就像给机器人装上了眼睛、耳朵和平衡感。

第二个是计算能力的飞跃。现在一块小小的芯片里就能包含数十亿个晶体管，能够以极快的速度处理海量的数据。GPU（图形处理器）的发明本来是为了让电脑游戏更流畅，但后来科学家们发现，GPU特别适合训练人工智能程序，因为它可以同时做很多很多简单的计算。云计算技术让机器人可以把复杂的计算任务发送到远程的服务器上，从而减轻自身的计算负担。

第三个是人工智能算法的突破。深度学习技术让机器人能够识别人脸、理解语言、分辨物体。强化学习技术让机器人能够通过尝试和错误来学习新技能。计算机视觉技术的进步让机器人能够看懂周围的世界，比如识别出一张桌子上放着什么东西、哪里有可以行走的路。

正是因为这些技术的进步，今天的机器人已经能够做出很多令人惊叹的事情。它们能够跑跳、翻滚、后空翻，能够在复杂的路况下保持平衡，能够识别人的表情和手势，能够听懂我们说的话并做出回应。

那些著名的机器人们

说了这么多历史，让我们来认识几个真正存在于这个世界上的机器人明星。

Atlas：会跑酷的机器人

Atlas是美国波士顿动力公司的明星产品。第一次看到Atlas的人，往往会有两种反应：要么惊喜得张大嘴巴，要么害怕得往后退两步。为什么？因为Atlas实在太像人了，但又和我们有一点点不一样。

Atlas身高约150厘米，体重约80公斤。它有两条腿、两条胳膊，还有一个方方的“脑袋”——里面装着各种传感器和计算机。它的设计目标是成为一个能够在复杂地形上行走的救援机器人，比如在地震后的废墟里搜寻幸存者。

Atlas最惊人的能力是它的平衡感和运动能力。2019年，波士顿动力发布了一段视频，Atlas做了一个完美的后空翻，稳稳地落在垫子上。2021年，Atlas又展示了跑酷的本领——它能够跳上跳下、翻越障碍、在不平衡的木箱上单脚站立。你知道做一个后空翻有多难吗？人的大脑需要在一瞬间完成几十个复杂的计算：身体在哪里、速度是多少、重心在哪里、应该用多大的力……Atlas的后空翻说明，机器人的“大脑”已经能够处理这样复杂的信息了。

Atlas是怎么做到这些的呢？它的秘密在于精细的控制和实时的调整。Atlas的全身装有陀螺仪、加速度计、关节角度传感器等几十个传感器，每时每刻都在告诉它的“大脑”：我现在什么姿势、速度是多少、各个关节的角度是多少。然后，大脑在每秒钟进行几百次计算，判断下一步应该怎么动、每个关节应该用多大力。

Atlas的视频在网上引发了热烈的讨论。有人觉得机器人发展得太快了，担心未来会出现像电影里那样的反派机器人。但也有人觉得，Atlas这样的技术可以帮助人类做很多危险的工作，比如救火、救援、探索外太空。技术本身没有好坏，关键在于我们怎么使用它。

Spot：四条腿的机器狗

如果说Atlas是一个运动员，那Spot就是一个工作犬。Spot也是波士顿动力公司的产品，但它有四条腿，看起来更像一只狗或者马。

Spot高约85厘米，重约30公斤。别看它个头不大，本事可不小。它的四条腿能够灵活地移动，能够在各种地形上行走，包括泥地、雪地、碎石堆，甚至是楼梯。有趣的是，Spot还会“跳舞”。波士顿动力发布过一段视频，Spot跟着音乐节奏跳舞，动作流畅得让人忍俊不禁。

Spot已经在很多领域开始工作了。在建筑工地上，Spot可以背着摄像头和传感器到处巡视，检查施工进度、监测安全问题。在发电厂和化工厂，Spot可以进入危险区域，检测有没有气体泄漏或者设备故障。在警察局和军队里，Spot可以代替人类进入可能有爆炸物的可疑地点。

2020年，美国马萨诸塞州的一个警察局甚至尝试用Spot来帮助处理突发事件。他们让Spot去探测可疑包裹、进入可疑建筑，警察们就可以站在安全的地方遥控指挥了。当然，这也引发了一些争议——有人担心机器人会被用来做一些不尊重人权的事情，比如监视或者攻击平民。

Optimus：马斯克的仿人机器人野心

如果你关注科技新闻，一定听说过埃隆·马斯克。这个创办了特斯拉汽车和SpaceX的传奇人物，也在2021年宣布要进军机器人领域——他要造一个仿人机器人，名字叫Optimus，也叫Tesla Bot。

Optimus身高约170厘米，体重约57公斤。2022年，特斯拉在人工智能日上展示了Optimus的原型机。一开始，它还需要两个人扶着才能走路，被很多网友嘲笑。但仅仅一年后的2023年，Optimus就能够自己走路、挥手、做手势，甚至能够捡起鸡蛋、浇花这样的精细动作了。

Optimus有什么特别之处呢？马斯克说，他想造一个通用的、双足的人形机器人，能够做人类能做的很多事情。特斯拉的自动驾驶技术被用在了Optimus身上——它用摄像头“看”周围的世界，用人工智能算法理解看到的东西，然后做出决策和行动。

马斯克的愿景很大胆：他说未来人们可以买一个Optimus回家，让它帮忙做家务、照顾老人孩子、甚至去工厂上班。如果这个愿景能够实现，那将是人类历史上最重要的技术变革之一。当然，现在Optimus还远远没有达到这个水平，它还只是一个会走路的“婴儿”，需要很长时间才能真正为人类服务。

中国的人形机器人

中国在人形机器人领域也在快速发展。2023年，宇树科技发布了一个人形机器人H1，身高约180厘米，体重约47公斤。H1走得很快，能够在不平的路面上保持平衡。它还可以和其他宇树四足机器人一起配合工作。

小米公司也发布了一个人形机器人CyberOne，身高约177厘米。它能够识别人脸、感知人类情绪，甚至可以和人类对话。小米把它定位为一个“智能管家”，希望它能够在未来走进千家万户。

北京理工大学、上海交通大学等高校也在研发人形机器人。这些机器人在双足行走、物体抓取、人机交互等方面各有特色。

人形机器人的发展才刚刚开始，未来还有很长的路要走。但我们有理由相信，随着技术的进步，这些“铁皮人”将越来越聪明、越来越能干。

感知、决策、行动：机器人怎样工作

好了，现在我们认识了具身智能的概念，也认识了几个著名的机器人。让我们来深入了解一下，机器人到底是怎么工作的？

机器人做任何事情，都遵循一个基本的循环，这个循环包括三个步骤：感知、决策、行动。我们可以用一个简单的例子来理解这个循环。

想象你正在客厅里看电视，突然听到厨房传来“咣当”一声响。你会怎么做？

首先，你会感知。你的耳朵听到了声音，你的眼睛可能会看向厨房的方向，你的大脑开始分析：这是什么声音？是从哪里传来的？可能是水壶掉在地上了，也可能是猫把什么东西碰翻了。

然后，你开始决策。你的大脑思考：要不要去看看？如果是水壶翻了，可能会漏水，也可能会吓到正在睡觉的猫。但如果是什么都没发生，那我去也是白去。大脑做出判断：还是去看看吧，比较放心。

最后，你行动。你站起来，走向厨房，看看发生了什么。如果真的有什么东西翻了，你就把它扶起来或者收拾一下。

机器人也是这样工作的。让我们用Atlas来举例。

当Atlas想要走过一堆障碍物时，它首先要用感知系统来了解周围的环境。它的摄像头拍下前方的画面，深度传感器测量出每个障碍物的距离，陀螺仪告诉它自己现在是什么姿势。这些信息都被传送到它的“大脑”里。

然后，Atlas的“大脑”进行决策。它分析眼前的画面：左边有一块石头，右边有一个坑，前面有几个木箱。我应该怎么走？它可能会思考：我能不能跳过去？还是要绕道？如果要绕道，应该往左还是往右？大脑做出决定：先往左避开石头，再往前跨过木箱，最后往右绕过坑。

最后，Atlas的身体开始行动。它的“大脑”把决定转化成具体的动作指令：左腿向左迈一步，右腿向前跨过第一个木箱，左腿再向前跨过第二个木箱，右腿向右迈一步绕过坑。在这个过程中，Atlas的平衡系统会不断调整自己的身体，确保不会摔倒。

这个“感知-