以生成式 AI 为代表的新技术浪潮日新月异，正推动人类社会从信息社会向智能社会转变。为深入探讨人工智能带来的影响，《AI & Society 百人百问》研讨邀请到复旦大学计算与智能创新学院教授、博导肖仰华，分享他对具身智能的见解。
具身智能与认知智能的发展脉络
人工智能的发展呈现两条清晰脉络：
生成式人工智能（AIGC）：以 ChatGPT 为代表，目标是让机器具备人类大脑的认知能力，如语言生成、逻辑思考等，本质是在回答 “机器能否像人类一样思考” 这一问题。
具身智能：聚焦于让机器模仿人类身体的感知和行动能力，包括视觉、听觉、触觉等感知能力，以及与世界交互的行动能力。
这两条路线是机器智能通往通用人工智能（AGI）的关键阶段，未来还可能迈向 “身心协同” 的更高阶段 —— 身体与大脑双向塑造，就像人类身体舒适时心情愉悦，跑步时大脑分泌多巴胺，身体能力还决定了大脑的认知边界。
具身智能的革命性与局限性
判断技术是否具有革命性需从三方面考量：基础性、对生产效率的提升、对社会上层建筑的影响。
AIGC 符合技术革命的标准：作为基础性技术渗透到各领域，成百倍提升脑力工作效率，深刻影响社会各层面。
具身智能的影响力相对有限：其对生产力的提升可通过人口增长部分替代，且安全和伦理问题会限制应用场景（如机器人陪伴难以替代子女关怀）。唯有结合认知能力，具身智能才能形成真正的新质生产力。
具身智能的进化路径与核心规律
从预训练到后训练的范式转变
预训练阶段：类似人类发展知性能力，追求知识的渊博，依赖海量数据和大规模算力，遵循 “scaling law”（规模定律）。
后训练阶段：侧重发展理性能力，注重知识应用的智慧，数据质量和训练策略（如强化学习的试错探索）成为关键，数百条精选复杂思维指令即可显著提升模型水平。
具身智能同样适用这一规律，需经历基础模型预训练与场景任务适配的后训练阶段。
数据与模型的关系
模型算法决定下限，数据决定上限，行业大模型落地的关键在于整理好行业数据。
数据短板可通过模型优化（如数据采样策略）、经验知识植入缓解，但培育高质量数据集是根本。
具身智能的数据瓶颈
当前具身智能的训练数据量远未达到泛化能力涌现的临界点：
最大具身数据集的 token 量约百亿级，仅为语言模型（数万亿级）的 1/100，参数量也相差 2-3 个数量级，相当于语言大模型的 BERT 时代。
缓解数据饥渴的思路：结合真机数据、仿真数据、合成数据；增加机器人在现实或虚拟世界的试错训练量；借鉴人类的类比、归纳演绎能力提升泛化。
具身智能的泛化能力与突破方向
泛化能力是具身智能的核心难点，源于具身体验和环境的复杂性：
个体体验表达困难：如 “惬意地坐在椅子上” 需描述多维度的身体状态和心理状态，形成高维数据。
环境表达困难：世界模型建模复杂，环境多样且易变，个体与环境的交互更难刻画。
突破方向包括：
借鉴人类泛化机制：如类比能力（将锤子使用经验迁移到类似工具）、归纳演绎能力（从经验中总结模式并推广）。
融合三大人工智能范式：符号主义（用知识图谱解决数据不足问题）、连接主义（用深度神经网络处理海量数据）、行为主义（用强化学习实现场景适配）。
具身智能的产业逻辑与应用前景
发展路径：走场景化、任务化路线，而非追求 “万能机器人”。人类不会要求跳水冠军同时擅长乒乓球，机器人也应专注特定任务，如扫地机器人做好清洁即可。
集约化边界：需考虑身体结构的可行性，过度植入能力违背产业逻辑。例如机械臂在大模型加持下可拓展至实验场景，但无需让其具备与身体构造不符的功能。
具身智能的风险与治理
风险核心：有智商的 AI（认知智能）风险更大，可能通过错误决策等造成深远危害；具身智能的物理伤害更直观但可控。
防御策略：
做好风险评测，发展 “AI 风险监管师” 职业，及时干预失控风险。
加强 AI 对齐研究，确保 AI 与人类价值观一致，而人类社会价值观的对齐是前提。
可通过为 AI 配置身体，利用身体机能限制保障人类安全（如人类身体限制了物理边界）。
智能时代的人类价值与教育变革
AI 可能导致人类能力退化，尤其是心智能力退化会改变人之本质，需通过以下方式应对：
建立 AI 应用准则：防范滥用，如学生过度依赖 AI 解题会阻碍能力发展。
革新教育：在保留核心技能（如写作、绘画基础）的同时，培养高阶认知能力（鉴赏、批判、质疑等），破除教育内卷，呵护好奇心与创造力。
拓展认知边界：既要探索外部世界（如星际探索），也要探索内心世界，重建人类文明的价值体系。
总结
具身智能尚未迎来 “ChatGPT 时刻”，数据量和质量是主要瓶颈，但其发展遵循认知智能的进化规律，需融合多种 AI 范式突破泛化难题。产业层面应聚焦场景化应用，社会层面需平衡技术进步与人类价值守护。距离具身智能的 “涌现”，仍需在数据积累、算法创新、人类认知机制借鉴等方面持续突破。