《具身智能，智赋万物》——人文清华张涛演讲实录
具身智能正推动人工智能从“数字世界的思考者”进化为“物理世界的行动者”，AI发展正经历从信息处理到物理交互的深刻范式转变。6月24日晚，清华大学具身智能与机器人研究院院长、自动化系系主任张涛教授，在“人文清华”讲坛发表题为《具身智能：智赋万物》的演讲，指出，具身智能将让机器人深度进入人类生活的物理空间——这不仅是技术的跃迁，更意味着人机关系将走向“共处共融”。中国在具身智能领域走在世界前列，国家已经把具身智能定为六大产业之一。张涛认为，交叉研究是具身智能与机器人领域创新的基础，产学研用是发展的动力，而与人文相融合则是持续发展的灵魂。
线上线下超过275万观众跟随张涛教授领略具身智能带来的变革，思考如何迎接“人机共生”的时代。
张涛，工学博士，长聘教授，博士生导师，清华大学自动化系主任，信息科学技术学院副院长，清华大学具身智能与机器人研究院院长，具身智能系统北京市重点实验室主任。IEEE Fellow，IET Fellow，中国自动化学会会士，工信部电子信息科技委委员，中国自动化学会理事，中国仿真学会常务理事。
张涛教授主要从事智能机器人、人工智能技术、控制理论等领域研究。曾获得国家级教学成果奖、教育部自然科学奖、北京市科技进步奖、中国航空学会科学技术奖、中国自动化学会自然科学奖和中国电子学会电子信息科学技术奖等。
以下为演讲实录整理稿，约1.5万字。（全文读完约15分钟）
尊敬的各位嘉宾，各位老师，亲爱的同学们，大家好！
今天，我非常荣幸能够来到人文清华，与各位分享关于具身智能的一些思考和体会。
从去年的政府工作报告开始，“具身智能”这一概念逐渐进入公众视野。当时，很多人对这个词感到好奇，也并不清楚它究竟意味着什么。此后，具身智能受到越来越广泛的关注。今年的政府工作报告再次提到具身智能，国家也将其列为未来六大产业之一。因此，围绕具身智能，大家自然会提出两个问题：究竟什么是具身智能？它又为什么会成为未来产业的重要方向？今天，我想围绕这两个问题，结合自己的理解和研究体会，与各位作一些交流。
最近，各位可能和我一样，都在关注美加墨世界杯。世界杯期间出现了许多值得关注的事情。比如，近几天大家反复谈到梅西成为世界杯历史上进球最多的球员，也十分关注8支亚洲球队的表现。我还专门查了一下，世界杯足球赛始于1930年，首届比赛在乌拉圭举行。这个时间也提醒我，下一届世界杯将迎来百年。
之所以从世界杯讲起，是因为在大家熟悉的人类足球世界杯之外，还有另一个“世界杯”——机器人足球赛，也就是RoboCup。机器人足球赛同样有自己的发展历史。首届机器人足球赛于1997年在日本举行，当时人类就提出了一个具有想象力的目标：到2050年，能否让一支由机器人组成的足球队战胜人类足球世界杯冠军。
因此，今天我想从机器人足球赛这个例子切入，谈一谈什么是具身智能。下面，我们先看一段视频。
刚才看到的视频，分别展示了2024年和2025年清华火神机器人足球队的比赛场面。两段视频仅仅相隔一年，但呈现出的技术状态已经发生了显著变化。尤其是在2025年的RoboCup机器人世界杯比赛中，清华火神足球队首次获得人形组世界冠军。这个成绩公布时，许多人都非常高兴，因为中国男足、女足尚未获得世界冠军，而我们的机器人率先拿到了世界冠军。
从视频中可以直观感受到，两年的比赛状态形成了强烈反差。2024年的机器人足球赛，机器人移动仍然非常缓慢，踢球动作也显得比较僵硬，场边还需要有人跟随。之所以需要人跟着，是因为担心机器人摔倒；按照比赛规则，一旦机器人摔倒，工作人员就必须立即将它移出场外，再让它重新入场参加比赛。
到了2025年，机器人足球赛的面貌已经完全不同。首先，比赛完全由机器人自主进行；其次，比赛场上不再允许人参与；最后，比赛真正成为机器人与机器人之间的对抗，由机器人自主移动、配合、射门，并最终决定胜负。这样的变化并不是科幻电影中的情节，而是现实中具身智能发挥作用的结果。可以说，具身智能正在为机器人赋能，机器人足球赛正是一个非常有代表性的例子。
这种巨大变化的背后，是机器人发展出现了跨代式跃迁。2024年机器人的整体运动、操作和控制方式，可以被看作机器人1.0时代。这个阶段的机器人主要依赖人类编程：人要帮助它识别足球场、足球和球门，并通过程序告诉它如何前进、如何射门。
2025年的情况则完全不同。机器人不再只是被人一步步编程和指令控制，它的行为、对周围环境的感知，以及机器人之间的配合和射门，都是通过训练获得的。训练之后，机器人具备了自主判断和执行任务的能力，能够自己理解场上情况，自己决定如何前进、后退、踢球，并思考如何赢得比赛。这是一个非常巨大的变化。
因此，通过这段视频可以看到，具身智能让机器人发生了质的变化，使机器人进入了2.0时代。类似的变化并不只出现在机器人足球赛中。另一个大家印象很深的例子，是春节联欢晚会上的人形机器人表演。2025年春晚中，观众看到机器人表演转手绢；到了2026年春晚，机器人表演又呈现出新的面貌。
可以明显感受到两次春晚机器人表演之间的强烈对比。甚至有人在看完2026年春晚后会产生疑问：那究竟是机器人，还是人在表演？但仔细观察就会发现，它确实是机器人，因为它的头部显然不是人的头部。也就是说，仅仅一年时间，机器人已经发生了很大变化。尤其是2026年春晚中的机器人，无论行为还是动作，都越来越接近人的状态。
这些案例共同指向一个问题：究竟发生了什么？这正是今天要讨论的主题——具身智能。
01
什么是具身智能？
那么，具身智能到底是什么？我们可以先从定义说起。
或许很多人对这个概念还不太熟悉，但具身智能并不是一个全新的概念。早在1950年，图灵就曾对具身智能作出过相关描述。严格来说，那还不能算是一个完整定义，但从他的描述中可以概括出一种关于具身智能的基本设想：未来的机器人，或者虚拟环境中的仿真人，应当能够与环境进行交互和感知，并具备自主规划、自主决策和行动执行的能力。
这些能力听起来并不陌生，因为它们几乎正是在描述人所具备的多方面能力。图灵在1950年提出这一设想时，它更多还只是一种面向未来的期待：希望有一天，机器人或仿真人能够像人一样，自主规划、自主行动，并完成多种复杂任务。以当时的技术条件来看，这显然还难以实现，因为这些能力原本都属于人类自身的智能范畴。
看到这一定义之后，我们还需要进一步追问：为什么具身智能在今天有可能成为现实？为什么当下的科技发展，使我们能够重新提出具身智能这一概念，并使其成为整个社会关注的热点？它又如何推动机器人进入一个新的时代？
理解具身智能时，我们常常会把它与人进行对照。刚才关于具身智能的定义，实际上也是以人的能力为参照。人主要由两大部分组成：一是脑部，二是身体。进一步来看，脑部又可以分为大脑、小脑和脑干，不同部位承担着不同功能。
如果用技术语言来描述，大脑主要对应认知、理解、推理和决策等能力；小脑主要对应导航、控制、操作和协作等能力；脑干则与能源供给、感知和计算等基础功能相关。也就是说，人类智能的实现，依赖于这些系统之间的共同作用。
而今天，随着科学技术的发展，这些相关方向都取得了巨大进步。正因为如此，我们才有可能在今天真正回应图灵当年提出的设想，把具身智能从一种面向未来的想象，逐步转化为现实中的技术路径和产业方向。
如果进一步对标人的身体，就会发现，今天已经有大量平台可以作为具身智能的“身体”。前面看到的人形机器人只是其中一种形态。在具身智能领域，“身体”并不局限于人形机器人，而可以具有多种不同形式。例如，自动驾驶汽车、移动操作机器人等，都可以被视为具身智能的身体。通过这一对照可以理解，为什么今天我们能够谈论并尝试实现具身智能，也能够理解具身智能为什么会成为未来产业之一。
总体来看，具身智能涉及一系列理论和关键技术。这些问题正是研究人员持续思考和攻关的重点。具体而言，实现具身智能，需要突破几个重要方向。
第一，是智慧通用的多模态具身大模型。关于这一部分，后面还会进一步展开，这里先作简要说明。具身智能在很大程度上，就是将当前人工智能领域取得的重要成果赋能到机器人之上。近年来，人工智能取得了许多重大进展，大家印象较深的可能包括机器学习、强化学习，以及由此发展出来的大模型和智能体等。这一系列成果推动了人工智能的快速突破，甚至使AI相关研究获得了诺贝尔物理学奖和化学奖。
如果将这些技术进一步赋能给机器人，就需要开发智慧通用的多模态具身大模型，并以此构建机器人的“大脑”。因此，多模态具身大模型是具身智能发展中非常关键的研究方向。
第二，是高效精准的环境感知与理解。环境感知和环境理解本身就是非常困难的问题，而“高效精准”则进一步提出了更高要求。未来的机器人在许多方面可能会强于人类，其中，高效、精准地感知和理解环境，就有可能达到甚至超越人类水平。这也是具身智能发展的重要突破方向。
第三，是可靠稳定的动态规划与控制。人类的很多行为都发生在动态过程中，也需要完成大量动态任务。具身智能同样需要让机器人具备动态规划和动态控制能力，并且做到可靠、稳定。
第四，是强健灵巧的机器人本体与操作。也就是说，我们不仅要为机器人构建“大脑”，还要思考究竟要造出什么样的机器人本体，使其能够具备足够强健、灵巧的运动和操作能力。
因此，可以把这些方向概括为当前具身智能面临的关键理论与核心技术：智慧通用的多模态具身大模型，高效精准的环境感知与理解，可靠稳定的动态规划与控制，以及强健灵巧的机器人本体与操作。
02
具身智能机器人
在具身智能相关理论和关键技术不断取得突破之后，我们就可以进一步提出一个目标：研制具身智能机器人。
在给学生讲授机器人课程时，我常常会提到，机器人并不是一个新事物。早在20世纪50年代，人类就已经开始制造机器人。从发展历程来看，机器人大体已经经历了三代。
第一代机器人始于20世纪50年代，主要是工业机器人。当时，人们希望制造出类似人类手臂的机械臂，让它们在工厂里帮助人类工作。因此，在这一阶段，机器人的发展重点是各种工业机器人。到了20世纪六七十年代，人们开始进一步设想：如果在这些机械臂上安装传感器，使它们能够感知自己的工作环境，机器人将发挥更大作用。由此，机器人进入第二代，即有感知的机器人。又过了大约十年，人们发现，机器人既然已经能够工作，也能够感知环境，为什么不能让它自主地完成一些任务？于是，机器人进入第三代，即智能机器人。此后，智能机器人不断发展、不断进步。到了今天，我们甚至可以说，机器人又进入了一个新的阶段，即具身智能机器人阶段。
需要注意的是，即使是智能机器人，在很大程度上仍然依赖人的编程和指令来完成任务。但进入机器人2.0时代，也就是具身智能机器人时代之后，机器人开始具备学习能力。通过训练，机器人能够自主工作，其能力也由此得到显著提升。
因此，当前的具身智能机器人将具备三个非常典型的特征：通用、交互和自主。与此同时，机器人已经能够在动态任务和动态环境中实现主动感知、深度推理、自主规划和灵活执行。
所谓“主动感知”，是指机器人不再完全依赖人的输入，而是能够通过自身的感知系统，即传感器、算法和相关技术支持，主动了解外部世界。“深度推理”则意味着机器人开始具备类似人类思维的能力。推理原本是人类的重要能力，而具身智能的发展目标，就是让机器人也能够实现深度推理。“自主规划”意味着任务安排和行为决策不再由人预先设定，而是由机器人根据环境和目标自行决定。最后，机器人还需要把这些判断和规划转化为灵活、有效的执行。
由此可见，一旦具身智能机器人被研制出来、生产出来，并真正应用到实际场景中，它将展现出非常强大的能力和特征。
那么，具身智能机器人究竟是什么样子？可以通过这张图作一个整体说明。
对于一个具身智能机器人而言，核心任务主要包括两个方面：一是打造强健的本体，二是构建智慧的大脑。换句话说，具身智能机器人既需要有能够支撑行动和操作的“身体”，也需要有能够进行感知、理解、推理和决策的“大脑”。
如果与人进行对照，人的本体包括骨骼、肌肉、手脚、心脏等结构，这些共同支撑人的运动、操作和生命活动。与之相对应，机器人也需要具备自己的本体系统，包括支撑结构、驱动系统、操作部件和能源系统等。与此同时，机器人还需要智慧大脑。对于人而言，大脑承担着各种复杂功能，包括思维、判断、决策，以及对外部环境的感知和理解。对于机器人而言，所谓“智慧大脑”具体指什么？它如何实现感知、理解、规划和行动？下面我将进一步展开介绍。
首先看“强健本体”。过去一年多，很多公司都推出了自己的人形机器人，并突出各自特点：有的强调灵活性，能够完成特定动作；有的强调逼真度，外形和动作都更接近人。
如果将机器人本体与人的身体对照，骨骼是最基础的部分。但机器人所谓的“骨骼”，实际上是我们看到的整体结构框架，包括它如何像人一样具备脊柱、胸腔等部位。当前这一领域的难点之一是轻量化，因为机器人使用的多是刚性材料，要在保证强度的同时减轻重量并不容易。
其次是“肌肉”。机器人中的肌肉并不是人体意义上的肌肉，而对应爆发式高功率密度驱动技术，核心是高功率密度电驱动关节。也就是说，人的肌肉依靠生物组织输出力量，而机器人的“肌肉”依靠驱动系统实现运动和力量输出。因此，机器人和人虽然可以对照理解，但本质上是完全不同的系统。
单从“肌肉”和关节来看，机器人就面临很大挑战。这里列出了它需要解决的几个问题，包括一体化设计、大力矩、小减速比、高力矩密度电机以及主动热管理等。
所谓大力矩，是指关节要能够输出足够大的力矩；所谓小减速比，则是指机器人不仅要能完成快速动作，也要能像人一样完成一些缓慢、细致的动作。对机器而言，既要输出大力矩，又要实现缓慢、平稳的运动，是一件很困难的事情。
此外，关节研究还需要解决高力矩密度电机的问题，也就是如何在有限体积和重量下实现更强的力矩输出。同时，还要考虑主动热管理。这些都是真正从事人形机器人关节研究的人总结出的关键难题。
右侧展示的是机器人关节所能达到的性能。以力量输出为例，图中标注为500—10000N。牛顿是力的计量单位，可能不够直观。普通人的最大输出力大约为1000多N，而10000N大约相当于人的10倍。这意味着，如果机器人能够达到这样的输出水平，它在力量上就已经明显超越人类。
例如，举重是人类力量比赛中最具代表性的项目，但人的举重能力始终有上限。如果机器人能够实现如此强大的输出力矩，许多人类感到费力的事情，对机器人来说就会容易得多。由此可见，仅仅关节这一部分，就包含大量需要研究和突破的问题。
再如，灵巧手也是一个很有代表性的方向。最近一年多，很多企业都在推出自己的灵巧手。人的手非常强大，不仅能够拿取各种物品，还能灵活完成很多复杂动作，比如穿针引线、操纵驾驶、搬运物品等。人类双手能够完成的事情非常多，但如果要把这些能力都转化到机器人的手上，就会非常困难。
从两个中可以看出灵巧手的难度。左边的展示的是机器人拿鸡蛋。对人来说，这是一件很容易的事，但对机器人来说并不简单。鸡蛋壳很薄，机器人需要判断用多大的力拿起鸡蛋、用多大的力敲开鸡蛋，并把蛋黄和蛋清倒出来，这些操作都很难。
另一个展示的是机器人玩魔方。人要完成这一动作尚且需要学习和练习，而机器人能够用一只手很好地转动魔方，更能体现灵巧手的技术难度。从专业角度看，人的手具有非常多的自由度。如果要让机器人的手实现10—20个自由度，每一个自由度都可能对应一个驱动电机，也需要配备相应的感知系统，并对所有信息进行实时处理和控制，使不同自由度之间实现协作。手可以形成多种姿态，猜丁壳也是一种姿态。此外，前沿研究还在探索手指触觉传感器。有的研究能够在一个手指上布置约2000个触觉传感器，其难度非常大。近年来，灵巧手相关技术取得了很大突破，这些突破也有力推动了具身智能机器人的发展。
再看高性能腿足。这个场景各位应该也很有印象，就是今年的亦庄马拉松。各位可能还记得，去年的亦庄马拉松是第一届，当时一个机器人在前面跑，后面跟着两三个人走，大家觉得很有趣，甚至有人开玩笑说，这到底是在训练前面的机器人，还是在训练后面的人。那时机器人不仅速度慢，中途还经常出现摔倒等情况。
仅仅过了一年，情况已经发生明显变化。今年已经看不到有人跟着机器人跑了，换句话说，人已经跟不上了。更重要的是，机器人在一年时间里实现了速度上的突破。今年跑的是半马，最快的机器人已经达到50多分钟，而人类半马最好成绩也只是进入1小时以内。这说明机器人在速度上已经展现出非常强的能力。
关键就在于腿足技术。腿足的核心，一是高速步态，也就是要求机器人能够以很快的速度运动；二是动态平衡，也就是机器人在奔跑过程中要保持平衡，而且这种平衡不仅是腿足本身的平衡，还包括整个身体的平衡。马拉松又是在自然环境中进行，机器人在奔跑过程中还要不断识别路线、感知周围环境，这些都带来了很大困难。仅仅一年时间，这些变化已经在今年的亦庄马拉松中得到体现。
还有一个重要问题是电池。对标人形机器人，电池相当于它的能量输出系统，或者说是它的“心脏”。在具身智能机器人领域，电池有其特殊需求，主要包括轻量、高倍率和高能量密度。
这一点可能不太容易直观感知。人类在完成一些特殊动作或特殊工作时，对瞬时能量输出有很高要求。例如，运动员跳高时，需要在一瞬间输出巨大能量来支撑身体跃起；搬运重物或举重时，也需要在短时间内完成强力输出。对机器人来说，问题就在于如何在瞬间产生这么大的能量，而这种能量只能依靠电池提供。因此，电池成为一个非常大的挑战。
现在新能源汽车主要依靠电池，但新能源汽车使用的电池并不能直接支撑人形机器人的需求。所以，当前很多研究都在探索如何制造更加轻量、高密度的电池。
以上介绍的就是“强健本体”。可以看到，这一部分的技术难度非常高。
接下来再看“智慧大脑”。强健本体是机器人领域几十年来一直努力的方向，但这种发展更多是一点一点积累起来的，并没有给人一种突然发生跨越式变化的感觉。具身智能机器人最大的跨越式发展，主要体现在智慧大脑上。
首先是具身智能“大脑”的构建。这是本轮具身智能爆发、具身智能机器人不断涌现的关键。它实际上是把人工智能领域的重大技术突破运用到机器人上，为机器人构建一个智慧大模型。因此，我们现在也将其称为具身智能多模态世界模型。
这里需要说明的是，具身智能的大模型不同于前几年大家常说的大模型。为了强调这种区别，我们专门使用“世界模型”这一概念。大模型技术赋能机器人，不能只是简单地把原有大模型直接装到机器人上，因为机器人有非常特殊的需求：它要与真实的物理世界发生多种关系。
因此，机器人的大模型必须帮助机器人理解物理世界。现在还有一个很热的概念叫“物理智能”，讨论的正是物理世界究竟需要什么样的智能。物理世界中存在大量规律，这些规律都需要融入机器人的世界模型之中。
回顾前几年大模型的发展可以看到，过去的大模型主要基于知识和语言形成，能够与人交流、回答问题，也能帮助人完成许多过去难以想象的事情，比如写文章、做PPT等。但是，这些能力还不足以支撑机器人完成多种复杂任务。因此，世界模型才是具身智能机器人真正需要的关键技术。
在智慧大脑中，具身智能多模态世界模型是一项非常关键的技术，目前也在不断发展。世界各地的许多科学家都在从事相关研究，希望实现突破，构建出一个通用的世界模型。当然，到今天为止，这一目标仍在探索之中，还没有形成最终答案。
同时，机器人还有一个非常特殊的需求：这个世界模型不能运行在遥远的算力中心，也不能完全依赖云端，而必须放在机器人的身体里，放在机器人的大脑中。因此，这又提出了更高要求，即构建高智能、低算力、低能耗的端到端世界模型。这些关键词本身就说明，构建这样的世界模型难度非常大。
我们经常把机器人和人进行比较。现在的大模型通常运行在超级算力中心，依靠海量数据提供服务和完成任务；但人并不是这样。人仅仅依靠自己的大脑，就能够完成许多复杂事情。因此，我们现在希望为机器人构建一个像人一样的大脑。至于如何实现，这是一个更困难的问题。但有问题是好事，因为它为未来研究提供了明确目标。
因此，具身智能未来发展的核心关键之一就在于“大脑”：机器人的大脑到底还能进化到什么程度。现在我们关注的不只是人类智能的认知和进化，也越来越关注具身智能机器人认知的演化。所谓认知演化，就是机器人的大脑如何发展、如何进化。
在具身智能中，有了世界模型之后，尽管目前水平还没有达到很高要求，但机器人2.0的核心能力已经出现，那就是学习。前面讲到，机器人2.0时代的机器人行为是通过学习实现的。各位可能会问，机器人为什么能够学习，又是怎样学习的？现在可以说，机器人的训练和学习，正是在世界模型的驱动下实现的。
各位可能也关注到，现在不少公司在做“数采”，也就是数据采集。它的目的，是让机器人不断模仿人的行为，通过采集人的行为数据，让机器人进行训练和学习，从而不断提升能力。这个过程就像培养孩子。孩子很小的时候什么都不会，但会逐渐通过向大人学习，通过上学、读书、听课，不断增长自己的能力。机器人训练的过程，与人的学习过程非常相似。
因此，机器人训练实际上是在模仿人的学习过程，这是一个非常大的变化。我们现在采集的大量数据，就相当于学生学习的课本和知识。一个机器人本体被研制出来后，可能只具备基本功能，但如果通过这种方式持续训练和学习，它就会逐步具备更强大的能力。这是理解具身智能非常关键的一点。
有了世界模型，机器人就能够实现技能学习，从而被赋予更多能力。可以通过一个对比来理解：左边展示的是人类操作技能的学习过程。一个新员工进入企业、来到工厂后，需要学习许多基本技能。因为要在车间中工作、在特定环境中完成任务，就必须掌握相应操作。例如，在汽车装配车间里，人需要学习钻孔、搬运、装配等技能。
现在，机器人也在经历类似过程。我们通过生成人形机器人的操作序列，把人的操作过程采集下来，并整理成一个个动作序列，再用这些序列训练机器人。最终，钻孔可以由机器人完成，搬运也不再需要人工承担。这正是具身智能带来的变化，也说明具身智能时代正在推动世界发生改变。
有了大脑和学习能力之后，还需要把这些能力装入机器人的身体，并由一系列硬件支撑，其中最重要的就是芯片。这也是机器人非常特殊的地方。有人说，人类属于碳基世界，而机器人属于硅基世界，原因就在于机器人身上装有大量芯片。
因此，机器人领域也提出了一个重要研究方向和产业问题：如何研制一系列面向机器人的芯片，例如类脑芯片、感-算-控一体化芯片等。这些芯片的目标，是进一步提升机器人的计算与控制能力，使我们设计的世界模型和训练方法，能够真正装入芯片之中，或者装入由芯片构成的机器人“大脑”之中。
为了构成智慧大脑，机器人还需要具备感知能力。我们希望机器人也能像人一样感知周围世界。目前，相关技术已经发展得很快，也相对成熟。例如，借助计算机视觉技术、各种视觉传感器和激光雷达，机器人已经能够在现实环境中实现许多人类感知能力。
首先是定位。人到一个地方，通常会知道自己在哪里，这就是定位。但这里还包括一个词，叫“建图”。在这一点上，机器人可能比人更强。人看到一个环境时，知道自己大致处在什么位置，也能判断周围环境的大致情况，但很难为这个环境建立一张非常精准的地图，而机器人可以做到。所以，我们有时在国外科幻大片中看到，机器人眼睛扫描出的世界是带有数据的。这是因为它能够以三维方式刻画世界。由此可以看到，未来机器人在很多方面可能会强于人类。此外，机器人还可以完成识别、分类、检测、测量等任务，这些都依赖感知能力实现。未来的机器人感知也要逐步接近人类水平，这就是多模态感知融合。
所谓多模态感知融合，是指人对世界的认知依靠多种感官共同实现。比如，人的五官会综合感知外部环境，帮助我们了解世界、认识他人。机器人也要走这条路，而且它们的某些感知能力将来可能比人更强。这里对标了触觉、听觉、嗅觉和味觉等能力。例如，机器人的触觉有可能比人更灵敏，听觉也可能超越人类，嗅觉和味觉也会逐步具备。把这些感知能力集成在一起，就构成了机器人的多模态感知。
再看“控制”。所谓控制，就是让机器人实现对自身各种行为的调控，因此它非常关键。控制本身往往不容易被直接感知，却在机器人运行的内核中发挥着重要作用。例如，视频中的机器人能够在复杂环境中自主运动，这背后依靠的是高自由度、高协调的运动控制。因此，谈到机器人时，经常会谈到运动控制。再如，另一个视频中，机器人拿着杠铃运动，这涉及全身高动态平衡控制。对人来说，完成这些动作时通常不会主动思考如何控制身体；但对机器人而言，必须明确解决如何控制自身运动的问题。因此，控制是机器人实现复杂行为的重要环节。
智慧大脑中还有一个重要方面是“交互”。所谓交互，就是人和机器人之间如何协同、如何交流。人和人之间可以依靠语言、眼神、听觉等方式交流，那么人和机器之间又该如何交互？
首先，大模型使自然语言交互成为可能。同时，现在也出现了许多新的交互方式。比如脑机接口，就是通过提取人的大脑信号，并对脑信号进行识别，从而判断人在想什么、想表达什么。这也是一种交互方式，因为机器可以识别人的脑信号，并据此与人进行交流。
此外，还有意图识别，即通过多种数据判断人的意图。还有一个更有意思的方向，叫情绪理解。让机器知道人的心情，判断一个人是高兴还是烦恼，听起来似乎不可思议，但相关技术已经在发展中，未来有可能成为现实。
我曾经提出，能不能做一项研究，让一台机器或一台电脑能够知道使用者的心情。当人在使用电脑或工作时，机器能够感知人的情绪状态。我用了一个词，叫“察言观色”。这实际上体现了人机交互的一种更高境界。这样的事情并非不可能，如果能够实现，人和机器之间的交互就会变得更加自然、准确。
甚至将来人与机器交流时，机器能够根据人的语言和情绪作出判断，再决定如何回答问题。这是一件很有挑战性、但也很有意思的事情。最后，还需要一个操作系统或软件平台，把这些能力集成在一起。现在，这方面也有很多研究正在推进。
03
具身智能的应用场景与清华布局
讲到这里，具身智能在人形机器人或具身智能机器人中涉及的主要内容已经基本介绍清楚，也就是强健本体与智慧大脑。而所有这些技术，最终都要走向“赋能万物”。这也是今天演讲的另一个重要内容。它也解释了为什么具身智能会成为未来产业之一。如果具身智能只是一个很窄的领域，就不会上升为国家战略。正因为具身智能及具身智能机器人的发展将影响整个社会，并进一步赋能万物，它才具有如此重要的战略意义。
例如，在工业领域，第一代机器人就是工业机器人，最早被用于工业生产。现在的具身智能机器人，实际上是在让工业机器人获得具身智能能力，从而在工业场景中承担更多任务。
工业场景中有很多任务适合由机器人替代，比如目标明确、任务重复、工具充足、环境可控的工作。如果机器人具备更高智能，能够自主感知、自主规划任务，并最终自主执行，就可以显著提升工业机器人的能力。
这里可以举几个例子。比如3C制造，也就是计算机、通信和消费类电子产品制造，其中消费类电子包括相机、手表等产品，这些生产过程中有很多工序都可以由机器人完成。再如汽车生产，其中大量操作也完全可以由机器人承担。因此，工业制造是具身智能非常重要的应用场景。
还有一个必须面对的重要领域，也是我国当前面临的社会问题，就是育儿养老。中国已经进入老龄化社会，老人需要陪伴和护理，孩子也需要教育和陪伴，但随着老龄化加深，劳动力已经不如过去充足。因此，能否用机器人帮助我们完成这些事情，是一个很重要的问题。
我有时会跟同事开玩笑说，我不发愁养老，做具身智能机器人研究也有一点“私心”，希望将来能研制出多种具身智能机器人来帮我养老。当然，这只是玩笑，实际上也是为了回应整个社会的需求。
再比如教育和娱乐。娱乐方面，各位已经看到，机器人可以打乒乓球，也可以跳舞、打拳、踢足球等。教育同样可以引入具身智能机器人。所以我有时会说，未来世界上可能会出现“机器人学校”。它有两层含义：一是这所学校用来制造高智能机器人；二是学校仍然在培养人、教育人，但其中有很多机器人参与并帮助实现未来教育。这些都是具身智能赋能万物的重要场景。
具身智能是国家战略，也是清华的重要战略布局。去年初，学校开始进行相关规划，并经过了较长时间的论证，思考清华大学在这一领域应该做什么。去年9月30日，清华大学具身智能与机器人研究院成立。研究院把清华在这一领域从事相关研究的老师集中起来，整合自动化系、机械系、电子系、计算机系等与具身智能机器人相关的力量，共同开展这一方向的研究。
我们提出的研究方向主要有四个，前面也都已经谈到。围绕这四个方向，我们进一步提炼出了其中最核心的问题。
例如，在“大脑”方面，我们要研究世界模型的创新。这个问题非常难，但必须实现创新，才能推动具身智能技术快速发展。同时，我们还要研究认知范式的演进。这里所说的认知范式演进，主要是针对具身智能机器人而言的。
在感知、理解、控制和决策方面，我们要面向复杂环境和动态行为开展研究。同时，还要进行各类关键零部件设计，最终制造出性能优良的人形机器人。最后，我们还要实现具身智能机器人的安全，以及机器人与社会的协作。安全是具身智能机器人发展中非常重要的问题。机器人如果只是用于工厂，安全问题相对可控；但如果未来要进入家庭，参与养老，甚至照顾孩子，它是否安全就变得非常关键。因此，我们必须在这一方向持续深耕，最终让具身智能机器人成为真正令人放心的机器人。
这就是研究院的使命。我们希望在相关方向上实现重大突破。
04
具身智能与人类社会
谈到具身智能，还需要进一步讨论它与人类社会之间的关系。
我曾经看过一部电影，可能在座不少人也看过，就是斯皮尔伯格导演的《AI》。其中有一个非常经典的场景，我一直印象深刻：一位教授正在教室里讲课，讲到一半时，他走到一位女同学身边，轻轻拍了一下她的头。令人震惊的是，这位女同学的头竟然打开了，直到这一刻，所有在场的人才知道她原来是一个机器人。
这个镜头给我留下了很深的印象，也带来一种很直观的感受：未来，我们的生活中可能真的会有机器人与我们共同存在。由此也引出了一个重要问题：当机器人和真人共同生活在一个社会中，未来的社会是什么样子？
这部电影虽然是一部老电影，当时是科幻，今天看也仍然带有科幻色彩，但它实际上讨论了很多深刻的社会问题。没有看过的各位，也可以去看看。
具身智能将给人类社会带来怎样的变化？首先需要明确的是，我们发展具身智能的目标是什么。用一句话概括，发展具身智能，是为了提高人类生活质量，让人类生活更加美好。这是我们的初衷。因此，未来具身智能的发展，或者更准确地说，已经发生在眼前的具身智能发展，都必须以这一目标为出发点。
与此同时，我们也可以预判，未来人类社会将出现一些新的情景。例如，大量工作将由机器人完成。如果在几十年前谈论这件事，很多人可能不会相信，但今天它正越来越接近现实。因此，现在已经有人开始讨论：哪些人会下岗，哪些职业会消失，这是否会带来新的社会问题。这些都是具身智能机器人可能给人类社会带来的变化。
此外，未来还有很多工作将由人和机器协作完成。由此，人机协作之间会产生许多新的关联关系，包括法律关系、经济关系、安全关系，甚至伦理关系。
所谓法律关系，例如，如果我在家中使用机器人搀扶老人，但机器人出现问题，对老人造成伤害，这是否类似于自动驾驶汽车发生交通事故？其中应如何认定责任？这就涉及法律问题。所谓经济关系，例如，未来我们购买机器人帮助工作，就会产生新的经济关系。进一步说，如果机器人为人工作，是否也会产生某种“工资”或收益安排？这些都可能引发新的经济问题。
安全问题前面已经谈到，它非常尖锐。伦理问题同样不可回避。尤其当机器人具备情感理解能力之后，相关伦理问题也会随之出现。因此，具身智能带来的这些变化，都需要我们提前思考，也必将对人类社会产生深远影响。
还有一个更重要的问题：如果具身智能是未来产业，它将对许多社会形态和我们熟悉的生活场景产生巨大改变。例如娱乐领域，过去我们观看的是人的表演，现在已经开始看到机器人表演，未来还可能出现更多类似场景。许多场合中，我们看到的可能都是机器人，甚至就像斯皮尔伯格电影中呈现的那样，你可能没有意识到坐在身边的是一个机器人。社会因此会发生很多变化。
面对这些可以预判的变化，我们应当如何思考？具身智能会不会给人类社会带来巨大挑战？因此，我在这里引用了科幻小说家提出的“机器人三原则”。这些原则虽然出自很多年前的科幻作品，但直到今天听起来仍然很有道理，值得深思。比如，机器人不得伤害人，机器人必须服从人，除非违反前两条原则，机器人才能保护自己。这些原则很朴素，但今天仍有现实意义。
面对未来挑战，我也总结了三句话。第一，具身智能机器人的发展一定要成为人类社会不断发展的动力。人类社会在不断进步，我们研究具身智能、制造具身智能机器人，应该是为了促进人类社会发展，并让许多原本不可能的事情变成可能。例如，中国未来要在月球上建设科研基地，而月球基地不可能完全依靠人类完成，很多事情必然要依靠机器人。发展这样的具身智能机器人，就是在推动人类社会的发展与进步，推动地球上的人类走向跨星球发展。
第二，要让机器人更好地服务人类。机器人最终应当成为人类的工具或伙伴，更好地服务人类。
第三，绝不能让机器人颠覆人类社会。我认为，这几条是发展具身智能机器人时必须遵循的原则。
当然，这些原则说起来容易，真正落实时还有许多问题需要思考和解决。因此，我有时也会与人文社科领域的老师交流。比如，一位哲学领域的老师就谈到，过去哲学主要面对的是人类社会，而现在也需要认真思考“机器社会”。所谓机器社会，就是未来机器可能制造机器，机器可能自我进化，并形成某种社会形态。这样的社会会是什么样？人与机器社会又将如何共处？这里面还有许多深刻问题需要继续思考。
最后，我用几句话作为今天演讲的总结。
第一，对研究者而言，交叉研究是具身智能与机器人领域创新的基础。前面讲到的技术、应用场景和相关问题，没有哪一个是独立、狭窄的领域，而是涉及许多方面。因此，必须开展交叉研究，推动交叉学科发展。
第二，产学研用是具身智能与机器人领域发展的动力。我也经常说，具身智能领域的研究不可能只在实验室里完成，它必须进入具体场景，并转化为现实生产力。因此，需要产学研用共同努力。与此同时，通过“用”，也能够反过来发现更多需要解决的问题，甚至进一步调整研究方向。
第三，与人文相融合，是具身智能与机器人领域持续发展的灵魂。也就是说，在发展具身智能和机器人技术的同时，必须思考它与人类社会、与人文精神之间的关系。这是一个非常关键的方向性问题。
今天，我与各位分享了关于具身智能的一些体会。这里不仅有技术问题，也不仅有应用问题，还包含着许多更深层次的人文意义。
以上就是我今天演讲的全部内容，谢谢各位。
本次讲坛通过人民日报、人民日报视界、新华网、央视频、中新网、澎湃新闻、凤凰网、腾讯新闻、搜狐教育、百度新闻、 抖音、B站、西瓜视频、今日头条、微博、快手、视频号、小红书等媒体和平台在线同步直播。
“人文清华”讲坛是清华大学发起的大型思想传播活动，推动建设更创新、更国际、更人文的清华新百年。讲坛定期邀请优秀人文学者，在标志性建筑新清华学堂发表公众演讲，阐述其经典学说、独特思考和重大发现。
【公益支持：清华大学教育基金会】
评论排行