“你看过《机械姬》吗？那个会骗人的艾娃，真的是AI吗？”
朋友突然的问题让我陷入思考。电影里，艾娃的每个眼神、每句对白都让人毛骨悚然——她太像人了，以至于观众理所当然地认为，这就是AI的终极形态。
但现实是，艾娃跟我们现在所说的AI，根本是两码事。她的能力寄身于一个叫具身智能的概念。
具身智能并非更高级的AI，而是一种完全不同的技术路径：它不依赖大语言模型的尺度定律，通过物理身体与环境互动，像婴儿一样学习世界。
但由于科幻片的兴起与传播，被误当成AI好多年。
今天，就让我们抛开刻板印象，聊一聊：
为什么具身智能和AI不一样？以及我们离真正的“艾娃”，还有几公里？
《机械姬》等影视作品中的机器人形象潜移默化中强化了“具身智能=AI”的认知。
但实际上，这是一种误读。
具身智能并不等同于AI。
要理解具身智能是什么，首先要分清具身和离身两个概念。
具身指存在或认知必须通过物理身体与环境的交互实现，强调身体经验的基础性作用，如人类；离身指存在或认知可以脱离物理载体独立存在，强调抽象形式的自主性，如软件、算法。
类似于ChatGPT一样的传统AI就是离身智能，可以脱离物理实体实现符号逻辑的抽象推理，能存在于任何终端。大语言模型通过海量文本训练建立词汇相关性网络，得出概率映射的最优解。然而，这种虚拟环境中研发出的智能缺乏对物理世界的感知。它难以理解拿起水杯需要怎样的力学控制，也不明白怎么避开突然出现的障碍物。
具身智能则强调与物理世界的交互，将智能体的认知能力锚定在特定身体上，相当于“灵肉合一”。这个身体必须拥有清晰的边界和自我认知：首先，它得是独一无二的，自己能移动操控的；其次，它要可以与环境交互，并从中累积经验、习得规律。这种身体化学习（Embodied Learning）机制，让具身智能的进化路径与纯数据驱动的AI截然不同。
而代表具身智能的人形机器人，更是与AI差了一万八千里。
首先，人形机器人必须拥有能与现实世界互动的物理身体。这不仅仅是加个外壳那么简单，而是要建立一套完整的感知－行动闭环。
其次，这个身体要能动。要让机器人的身体真正活起来，需要突破三大难关：精确的抓握控制，比如拿起筷子或者豌豆；动态平衡，在山坡、楼梯等不平坦道路行走；多任务协调，边走路边端盘子等。
并且，要给他与世界交互的多模态感官。具身智能需要构建比AI更丰富的感官体系，不仅要能看（计算机视觉），还要能听（声源定位）、触（力度反馈），甚至闻（化学传感）。
最后，要一个比大语言模型更聪明的大脑，基于尺度定律的脑子难解因果。人形机器人的大脑要走世界模型这条路，在与真实世界的交互中习得经验，超越概率，走向规律。
综上，人形机器人是多个顶尖级技术集成的复杂智能体。但这样一个复杂智能体，真的如网上营销的那般，离我们只有一步之遥吗？
哪怕翻遍所有最顶尖人形机器人公司的demo，我们也只能看到一个不停跳舞、翻跟头、有时连苹果也拿不稳的人形巨物。它的电池续航通常不够5h，常常电量告急；复杂的动作需要人工遥控，就跟小孩的遥控赛车一般。不过，小孩的赛车只要几百块，一款机器人需要几十万。
不得不说，这是一个炫技大于实用的概念。
因为我们想象中的人形机器人，那得是《机器人女友》里文武双全、长得像绫濑遥一样美、偶尔露出反差萌的完美“恋人”才行。
理想丰满，现实骨感，AI发展已陷入固有技术方法论的沼泽，我们热衷于大语言模型、热衷于强化学习，却忽略了它们只教会AI如何模仿，没教会AI如何理解真实而复杂的物理世界。
而这恰恰是人形机器人向强发展所需要克服的。
近日，图灵奖获得者杨立昆在巴黎AI峰会上发表观点，要研究人类级AI就要不破不立，做到三个放弃：放弃只会概率计算的大语言模型、放弃宛如拼图游戏的对比学习、放弃驯狗般奖惩AI的强化学习。
人形机器人的脑子需要的是世界模型、规划算法等能与环境交互的技术；人形机器人的身体需要支持运动的仿生关节、代表感官的传感器融合系统、类似小脑的运动控制算法以及作为心脏的高能量密度电池。
但这些技术恰如2020年之前的大语言模型一般，陷入了研究瓶颈。
一方面，是因为太难；另一方面，是成本太高。
举个例子，人类使用工具的能力建立在数百万年进化形成的本体感知系统上。人类使用螺丝刀时，能通过触觉实时调整握力，并预判旋转时的扭矩变化。而机器人要实现同等操作，需要突破三大难关：0.1牛顿级的力控精度、高灵敏的触觉解析，以及避免自碰撞的运动规划协同。
目前最先进的机器人，仍难在不同场景中拿起一个相同的苹果。所有科技公司放出的Demo几乎都是无杂物的光滑桌子或者空旷、光线充足的实验室环境，如果旁边多出一只梨子，或者苹果不小心滚落到地板，他们就可能束手无措。
另一方面，如波士顿动力Atlas的实验机人形机器人研发成本普遍超过200万美元。特斯莱自研“大脑”主控芯片每个3.2万，一个灵巧手1.2万元，作为感官的传感器系统合计11万元，支持运动的线性关节总成本约15万元，而即使实现量产，后期也要一大笔资金投入维修和保养，因为人形机器人有30个左右的关节，经过多次训练磨损后会出现不灵便、卡壳等情况。
不难看出，发展人形机器人就是为了造人而造人。但是从工业场景来讲，双足的效率是不稳定的，远远低于轮式底盘和机械臂的组合；且技术不够成熟，没有发展路径，实在称不上一门很划算的生意。
既然性价比如此低，人形机器人的说法到底从何而来，又为什么如此火热？
人形机器人是一个被资本炒熟的概念，也是一场为了融资而作秀的狂欢。
2024年1月至10月全球人形机器人行业共发生69起融资事件，总金额超过110亿元。其中，有56起发生在中国，总金额超过 50 亿元，不少头部企业一轮就融超10亿。
但是，当前融资热潮源于资本追捧而非技术成熟，部分公司估值虚高。为了吸引融资，企业持续在社交媒体上营销打拳、翻跟头等不实用的功能，同质化严重，价格高、能力差、落地难，本质是脱离技术谈未来。
清醒后的资本热开始退潮。
一些企业陨落了。曾估值30亿美元的达闼科技被曝欠薪、裁员、资金链断裂陷入停摆危机；而素有人形机器人第一股之称的优必选五年亏超五十亿，市值蒸发千亿港元。
一些投资方撤资了，朱啸虎批量撤出人形机器人，退出的公司包括星海图和松延动力。
这并非孤例，这个由资本催熟的概念，在历史上至少经过三次幻灭。
1970年代，早稻田WABOT-1首次双足站立但动作迟缓、能耗极高，仅实验室展示；
1990年，服务机器人泡沫，成本高达200万美元的本田ASIMO，仅能端茶倒水，2018年终止所有相关项目；
2010年代的社交机器人神话软银Pepper因对话机械、价格昂贵、故障率高，在2023年停产；
2020年代，AI的爆火又一次唤醒了资本对人形机器人的狂欢。但这仍掩盖不了波士顿动力多次易主谷歌、软银、现代的事实，另一家公司Atlas因炫技视频与实际落地脱节，融资越来越少。
回望历史，人形机器人的发展始终跳不出一个轮回怪圈：总是始于惊艳的实验室demo吸引资本追捧，继而催生估值泡沫，最终因商业化失败导致资金集体撤离。
无数企业和资方周而复始地演绎着从希望到幻灭的故事。而这个循环反复出现，主要有三个原因：
首先，烧钱太猛，但没有形成商业闭环，没有找到市场过度依赖投资。造一个人形机器人动辄上百万，比工厂里用的机械臂贵几十倍。投资人砸再多钱，也很难找到愿意买单的客户。就像当年本田花3亿美元研发的ASIMO，最后只能在科技馆里表演端茶倒水。
其次，现在的技术其实不足以支撑人形机器人的爆炸，还处于摸着石头过河的状态。当前VLA（视觉－语言－动作）模型在动态环境中的错误率仍高达40%，远未达到自主决策水平；高功耗导致多数人形机器人仅能连续工作不到5小时，远低于工业需求。
最后，方向跑偏了，娱乐属性强、工具属性弱。为了吸引投资而不停作秀跳舞、忽略实用性。无法在垂直场景减轻人类负担提升总体效益的机器人，催生了更大的泡沫。
脱离技术谈商业，只是镜花水月。几乎可以断定，即使此轮人形机器人不会破灭，也一定像历史一样走向沉寂。毕竟，没有人愿意花几十万去买一个只会跳舞的大型机械。但另一方面，值得庆幸的是，我们离那个会欺骗人类感情的“艾娃”还很远。
