具身智能（Embodied AI）

是什么

具身智能（Embodied AI）指的是通过与环境的互动来学习的人工智能体，而不只是从互联网上收集来的图像、视频或文本数据集里学习^[1]。区别在于学习信号从哪里来：前者面对的是已经整理好的材料，后者必须先行动、观察行动的后果，再据此调整自己。在这一领域的表述里，智能体使用类似人类的自我中心感知（egocentric perception）从互动中学习，也就是从自己所处的位置去看世界，而不是作为一个旁观者去读一份现成的数据集^[1]。

这并不是说数据集没有用，而是说智能体从行动中得到的东西，与它从一堆固定样例中得到的东西性质不同：它自己做的选择，会决定它接下来遇到什么。

模拟器作为虚拟试验台

让智能体在物理世界里反复试错很慢，出错也可能代价很高。因此这项综述把模拟器看作虚拟试验台：研究者可以在其中训练和测试具身智能框架，然后再把它们部署到真实世界^[2]。模拟还解决了一个数据问题：模拟环境让基于任务的数据集收集变得可行，因为要在真实世界里复现同样的设置需要大量人工^[2]。一个任务只要在模拟器里定义一次，就能在相同条件下反复运行，基于任务的数据才有可能被积累起来。

为了比较手头可用的工具，该综述用它自己提出的 7 项特征，评估了 9 个当时最先进的具身智能模拟器，以便比较它们各自在多大程度上支持具身研究^[1]。这 7 项特征是综述自己定下的尺子，比较是围绕它们组织的，而不是给出一个单一的排名。

三类研究任务

综述把这一领域的工作归到三类主要任务上：视觉探索、视觉导航和具身问答，并分别梳理了其中最先进的方法、评测指标和数据集^[1]。这三个名字描述的是智能体要用感知去做的事——在一个场景里走动查看、抵达某个位置，或者回答一个答案必须到环境中去找的问题。它们的共同点是：表现取决于一连串的动作与观察，而不是对一份固定输入做一次处理。每类任务都有自己的指标和数据集，所以结果通常是按任务分别报告的，而不是放在同一个尺度上比较。

框架从哪来

Duan 等人于 2021 年 3 月发表了这项综述，把它描述为一次正在出现的范式转变：从他们所说的互联网人工智能（internet AI）转向具身智能^[1]。作者认为，对具身智能日益增长的兴趣有益于更广泛的人工通用智能（artificial general intelligence）探索^[1]。按照这种看法，必须应对环境的智能体是通往通用系统的一步，而不是与通用系统并列的一个孤立分支。

需要注意的地方

综述所做的比较受它自己选择的限制：9 个模拟器、7 项特征^[1]。又因为模拟器被摆在真实部署之前的阶段，模拟结果在多大程度上能迁移到真实环境，就直接决定了这类结果的价值有多大^[2]。这样看来，它更像是这一快速变化的领域在发表时的一张地图，同时提供了描述后续工作的词汇——互联网人工智能与具身智能之分、作为试验台的模拟器、任务与指标。