当前，具身智能已经被纳入国家“十五五”规划纲要明确的六大未来产业之一。不久前，清华大学具身智能与机器人研究院院长张涛教授在“人文清华”讲坛上为我们深度解读了具身智能的技术内涵、发展现状以及未来挑战。以下是演讲主要内容。
清华大学具身智能与机器人研究院院长张涛。（资料图片）
『中国机器人足球队夺冠』
最近，大家都很关注美加墨世界杯。但是，在大家熟悉的世界杯之外，还有另一个“世界杯”——机器人世界杯。
首届机器人世界杯于1997年在日本举行。当时该赛事就提出了一个具有想象力的宏伟目标：到2050年，一支由机器人组成的足球队战胜人类足球世界杯冠军。
在2025年巴西举行的机器人世界杯比赛中，清华大学火神足球队首次获得类人组世界冠军。当这个成绩公布时，大家都感到非常高兴。
2024年和2025年，清华大学火神机器人足球队都参加了比赛。从比赛现场来看，虽然仅相隔一年，但机器人足球队呈现出的技术状态已经发生了显著变化。2024年时，机器人的移动还非常缓慢，踢球动作显得比较僵硬，场边还需要有人跟随，因为担心机器人会摔倒。根据比赛规则，一旦机器人摔倒，工作人员必须立即将它移出场外，重新整顿，再让它入场参加比赛。到了2025年，机器人足球赛真正成为机器人与机器人之间的对抗，赛场上不再允许有人跟随，完全由机器人自主移动、配合、射门，并最终分出胜负。
一台人形机器人在表演踢足球。 （新华社发）
这种巨大变化，体现了机器人的跨代式跃迁。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，由人帮助它识别足球场、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、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，能够自己理解场上的情况，自己决定如何前进、后退、踢球，并思考如何赢得比赛。这就是机器人2.0时代。
另一个让大家印象深刻的例子是春节联欢晚会上的人形机器人表演。2025年春晚，观众看到机器人表演转手绢；到了2026年春晚，仅仅一年时间，机器人发生了很大的变化，无论是行为还是动作都越来越接近人的状态。
这，就是我们今天要讨论的主题——具身智能。
『具身智能不是一个新概念』
具身智能到底是什么？我们先从定义说起。
具身智能并不是一个新概念，早在1950年，美国科学家图灵就对具身智能作出过相关描述：未来的机器人或者依托于物理身体的智能系统，能够对环境进行感知和交互，并具备自主规划、自主决策和行动执行的能力。当年图灵提出这一设想时，只是一种面向未来的期待。
要理解具身智能，我们常常会把它与人进行对照。具身智能的定义也是以人的能力为参照的。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；脑干则与能量供给、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。而具身智能的目标就是拥有像人一样感知、学习和与环境动态交互的能力。
今天，随着科学技术的发展，很多与具身智能相关的研究方向都取得了巨大进步。正因为如此，我们才有可能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。
按照字面解释，具身智能就是具有“身体”的人工智能。目前，已有大量平台可以作为具身智能的“身体”，人形机器人只是其中的一种形态。在具身智能领域，“身体”并不局限于人形，而可以具有多种不同的形式。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”。
在2026世界人工智能大会（WAIC）上，非夕科技的自适应机器人以其通用智能平台形态，展现了具身智能技术从模型到真实场景应用的加速落地。 （海沙尔摄）
『新一代的具身智能机器人』
在具身智能相关理论和关键技术不断取得突破之后，科学家进一步提出了一个目标——研制具身智能机器人。
机器人不是一个新事物。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。它们是一些类似人类手臂的机械臂，可以在工厂里工作。到了20世纪六七十年代，出现了第二代机器人，即有感知的机器人。它们被安装上传感器，能够感知周围的工作环境，从而发挥更大的作用。又过了大约十年，机器人进入第三代，即智能机器人，它们能够自主完成一些任务。此后，智能机器人不断发展、不断进步，到今天又进入了一个新的阶段，即具身智能机器人阶段。
这里需要指出的是，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。但进入具身智能机器人阶段之后，机器人开始具备学习能力。通过训练，机器人能够自主工作，其能力也得到显著提升。
具身智能机器人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。
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执行。
由此可见，一旦具身智能机器人被研制、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。
『打造强健的“身体”』
那么，具身智能机器人究竟是什么样子的呢？
对于一个具身智能机器人而言，其核心构造主要包括两个方面：一是打造强健的“身体”，二是构建智慧的“大脑”。
先来说说如何打造强健的“身体”。
过去一年，很多公司都推出了自己的人形机器人，并突出各自的特点：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。但是，当前机器人的“身体”制造领域仍存在着诸多技术难点。
其一是轻量化，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。
其二，从“肌肉”和“关节”来看，机器人需要依靠驱动系统实现运动和力量输出，在这方面面临很大挑战。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。
比如，灵巧手就是一个很有挑战性的环节。最近一年，很多企业都研制出了机器人的灵巧手。有的机器人可以拿鸡蛋，有的机器人可以冲咖啡，也有的机器人可以玩魔方。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。
再比如高性能腿足。今年在北京亦庄举行的人形机器人半程马拉松比赛中，荣耀研发的“闪电”机器人以50分26秒的成绩夺冠，并打破了人类男子半马世界纪录。这说明机器人在速度上已经展现出非常强的能力。高性能腿足技术的核心，一是高速步态，这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，这种平衡不仅是腿足本身的平衡，还包括整个身体的平衡。
其三，需要优化机器人的“心脏”，也就是电池的性能。对人形机器人来说，电池相当于能量输出系统。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。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，当前很多研究都在探索如何制造更加轻量、高密度的电池。
『构建智慧的“大脑”』
接着再来讲如何构建智慧的“大脑”。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。我们把人工智能领域的重大技术突破运用到机器人上，为机器人构建了一个智慧大模型，我们将其称为“具身智能多模态世界模型”。
这里需要说明的是，具身智能模型不同于ChatGPT之类的语言大模型。语言大模型技术赋能机器人，不只是简单地把原有大模型直接装在机器人上，因为机器人有着非常特殊的需求：它需要与真实的物理世界发生互动。因此，只有“具身智能多模态世界模型”才能帮助机器人完成与环境交互、感知并执行任务。目前，世界各地的许多科学家都在从事相关研究，希望构建出一个通用的具身智能世界模型。
同时，机器人还有一个非常特殊的需求：这个具身智能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“大脑”中。因此，需要构建一个高智能、低算力、低能耗的端到端的世界模型。这些关键词本身就说明，要构建这样的具身智能世界模型难度非常大。
尽管目前具身智能世界模型的水平还没有达到很高要求，但2.0时代机器人的核心能力已经出现，那就是学习。现在不少公司在做数据采集的工作，就是让机器人通过模仿人的行为进行训练和学习，从而不断提升能力。比如，在汽车装配车间里，把工人钻孔、搬运、装配等操作过程采集下来，并整理成一个个动作序列，再用这些序列训练机器人。最终，机器人就可以独自完成钻孔、搬运、装配等一系列工作。
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。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。
其次，为了构建智慧“大脑”，机器人还需要具备感知周围世界的能力。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的感知能力。
比如定位。人到一个地方，通常会知道自己在哪里，这就是定位。在这一点上机器人可能比人更强，除了定位外，它还能建立一张非常精准的地图。此外，机器人还可以完成识别、分类、检测、测量等任务，这些都依赖于它的感知能力。
未来的机器人感知会逐步接近人类水平，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。机器人也会把这些感知能力集成在一起，构成机器人的多模态感知，而且它们的某些感知能力可能比人更强。
再次，机器人需要实现可靠稳定的动态规划与控制。所谓控制，就是让机器人实现对自身各种行为的调控。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。人类的很多行为都发生在动态过程中，因此机器人同样需要具备动态规划和动态控制能力，并且做到可靠、稳定。
最后，智慧“大脑”还有一个重要的方面是交互。所谓交互，就是人和机器人之间如何协同、如何交流。
大模型使语言交互成为可能。同时，现在又出现了一些新的交互方式。比如脑机接口，就是通过提取人的大脑信号，让机器人对脑信号进行识别，从而判断人在想什么、想表达什么，并据此与人进行交流。
此外，还有一个有意思的方向，叫情绪理解，就是让机器人知道人的心情，判断一个人是高兴还是烦恼。这听起来似乎不可思议，但相关技术已经在研究中。未来这如果真的成为现实，人和机器之间的交互就会变得更加自然、准确。
『具身智能与人类社会』
那么，未来具身智能将有哪些应用场景呢？
工业制造是具身智能非常重要的应用场景。工业场景中有很多任务适合由机器人完成，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。比如3C制造，也就是计算机、通信和消费类电子产品制造，其中消费类电子产品包括相机、手表等，其生产过程中有很多工序都可以由机器人完成。再比如，汽车生产过程中的大量操作也完全可以由机器人承担。
养老育儿也是具身智能机器人重要的应用场景。中国已经进入老龄化社会，老人需要陪伴和护理，孩子也需要看护，机器人在协助养老育儿方面无疑具有非常广阔的前景。
再比如娱乐和教育。在娱乐方面，机器人可以打乒乓球、下围棋，也可以跳舞、打拳、踢足球等。在教育领域，未来世界上可能会出现“机器人学校”，学校里有很多机器人参与授课、陪学生一起玩耍。
未来，具身智能还能让许多原本不可能的事情变成可能。比如，中国要在月球上建设科研基地，很多事情可以依靠具身智能机器人去完成，从而推动人类走向跨星球发展。
谈到具身智能和人类社会的关系，还要进一步讨论这样一个问题：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，人类发展具身智能的目标是什么。用一句话概括，就是为了提高人类的生活质量，让人类的生活更加美好。未来具身智能的发展必须以这一目标为出发点。
我们可以预测，随着具身智能的发展，未来人类社会将出现一系列新问题。比如，大量工作将由机器人完成，很多人会面临失业。此外，还有很多工作将由人和机器协作完成。由此，人机之间会产生许多新的关系，包括法律关系、经济关系、安全关系甚至伦理关系。具身智能带来的这些变化，必将对人类社会产生深远影响。
如何面对具身智能给人类社会带来的巨大挑战？我在这里引用科幻小说家阿西莫夫提出的“机器人三定律”：第一，机器人不得伤害人类个体，也不能看着人类遇到危险不管。第二，机器人必须服从人类的命令，除非命令和第一定律冲突。第三，机器人要保护自己，只要不违反前两条定律。这些原则在今天仍有现实意义。
最后我想说，具身智能不仅要解决技术问题、应用问题，更蕴含着许多深层次的人文内涵。我们研究具身智能、制造具身智能机器人，正是为了促进人类社会的发展，让机器人成为人类的工具和伙伴，从而更好地服务人类。
原标题：《2050年具身智能机器人足球队战胜人类足球世界杯冠军，这个目标能实现吗》