-
具身智能是一种将人工智能深度融入物理实体（如机器人）中的颠覆性技术，使它们能够自主感知、学习并与环境进行动态互动。与以往为特定功能设计的传统机器人技术不同，具身智能赋予了机器人更广泛的任务执行能力。这种多功能性使具身智能机器人能够适应各种新环境和挑战，展现出更强的灵活性和适应性。
具身智能的出现和整合将带来深远的社会影响，既有积极的也有消极的。在政府和法律方面，具身智能的快速发展超越了现有的法律和政策框架，导致了监管不确定性和问责制的挑战。各国政府仍在努力制定负责任地推动具身智能发展的政策。在经济方面，预计具身智能将显著提高生产率和经济增长，但也可能导致工作岗位流失并加剧收入不平等。在社区方面，获取具身智能技术可能成为一种特权，恶化社会公平问题，而对具身智能系统的过度依赖可能会扰乱人际互动并导致社会孤立。最重要的是，教育系统的转型是必要的，以确保人类继续发展与机器互补的技能，而不是与机器竞争——这是在先进AI时代维持人类优势的核心挑战。
具身智能会提升社会福利还是加深现有的分歧？我们是否准备好负责任地塑造这一未来，还是将被迫应对其后果？
具身智能是把双刃剑
2024-08-28
-
近日，AIRS联合中科院计算所、美国乔治亚理工大学、美国罗切斯特大学在Communications of the ACM 上发表了过去三年合作研究的成果，解答如何提升机器人计算系统可靠性问题，这是世界上首个系统性研究支持不同机器人形态的计算系统可靠性的研究工作，为AIRS后续在具身智能机器人标准体系的工作打下了坚实的技术基础。
2024-08-16
-
具身智能（EAI）是指将人工智能嵌入机器人等有形实体，使其具备感知、学习和动态参与周围环境的能力。在本文中，我们将深入探讨为 EAI 系统构建基础模型的技术方向选择。相对于预训练好的世界模型系统，我们认为元学习 + GPICL（通用上下文学习）方法为具身智能系统提供更好的学习能力，具有更好的长期适应性和泛化能力，因此有可能是最适合具身智能系统基础模型技术路线。
背景知识
元学习
元学习（Meta-Learning）是一种机器学习方法，其目标是使模型能够快速适应新任务并提高学习效率。元学习的核心思想是通过学习如何学习，从而在面对新任务时能够迅速进行调整和适应。与传统的机器学习方法不同，元学习不仅关注模型在单一任务上的表现，还关注模型在多个任务上的泛化能力。
在元学习中，模型通常通过在多个任务上的训练来学习共享知识。每个任务可以被视为一个独立的学习过程，模型通过这些任务来提高其元学习能力。这种训练方式使得模型能够捕捉到任务之间的共性，从而在遇到新任务时能够利用这些共性进行快速学习和调整。
2024-07-22
-
在具身智能机器人领域，数据采集面临着诸多严峻的挑战。
首先，大规模真实数据的采集成本高昂，获取大量真实有效的数据需投入大量人力、物力与时间，比如在复杂环境中布置众多传感器和监测设备，这不仅设备采购费用高，还涉及安装、维护和更新成本。
其次，真实世界场景丰富多样，几乎不可能穷尽所有可能，机器人可能在不同气候条件、地形地貌、社会环境中工作，全面采集这些场景数据是几乎无法完成的任务。
再者，物理世界现象和规律复杂，采集的数据难以完整涵盖所有相关物理知识，如机器人在复杂力学环境中的运动，可能无法精准捕捉所有力学变化和影响因素。
另外，不同传感器采样频率、响应时间和精度存在差异，导致时空对齐困难，像视觉传感器和力传感器同时采集数据时可能出现时间偏差，影响数据准确性和可用性。合成数据虽能补充真实数据不足，但因其基于模型和假设生成，与真实世界数据有差异，在真实场景中的泛化能力存疑，例如模拟生成的机器人行走数据，可能无法准确反映实际地形中的意外情况。不同构型的机器人结构、功能和运动方式不同，数据难以复用，人形机器人和轮式机器人的数据因其运动和交互方式差异，通用性较低。
2024-07-05
