人工智能（AI）有多种形式，从模式识别系统到生成式AI。然而，还有另一种类型的人工智能几乎可以立即对真实数据做出反应：具体化人工智能。

但这种技术到底是什么？它是如何工作的？具身人工智能通常将传感器与机器学习相结合，以响应现实世界的数据。例子包括自主无人机、自动驾驶汽车和工厂自动化。机器人吸尘器和割草机使用简化形式的具身人工智能。

这些自主系统使用人工智能来学习在物理世界中导航障碍物。大多数具身人工智能使用算法编码的地图，在许多方面，它类似于伦敦出租车司机使用的迷宫般的道路和地标网络的心理地图。事实上，关于伦敦出租车司机如何确定路线的研究已经被用来为这种具身系统的发展提供信息。

其中一些系统还结合了在成群昆虫、成群鸟类或成群动物中发现的具身群体智能。这些群体下意识地同步他们的动作。模仿这种行为是开发由具身人工智能控制的无人机或仓库车辆网络的有用策略。具身人工智能的历史具身人工智能的发展始于20世纪50年代，由英国伯顿神经研究所的威廉·格雷·沃尔特创造了控制论乌龟。但是具身人工智能需要几十年的时间才能发挥作用。认知和生成人工智能从大型语言模型中学习，而具身人工智能从物理世界的经验中学习，就像人类对他们所看到和听到的做出反应一样。

然而，具身人工智能的感官输入与人类的感官有很大不同。具身人工智能可能会检测到X射线、紫外线和红外光、磁场或GPS数据。计算机视觉算法然后可以使用这些感官数据来识别物体并对其做出反应。构建世界模型具身人工智能的核心元素是它的世界模型，它是为其操作环境而设计的。这个世界模型类似于我们自己对周围环境的理解。

世界模型由不同的学习方法支持。一个例子是强化学习，它使用基于策略的方法来确定路线——例如，使用像“遇到Y时总是做X”这样的规则

另一个是主动推理，它以人脑的运作方式为模型。这些模型不断从环境中获取数据，并根据这一实时流更新世界模型——类似于我们根据所见所闻做出反应的方式。相比之下，其他一些人工智能模型不会实时进化。主动推理始于对环境的基本理解，但它可以快速发展。因此，任何依赖主动推理的自动驾驶汽车都需要大量培训才能安全地部署在道路上。

具身人工智能还可以通过读取客户的情绪状态并相应地调整其响应来帮助聊天机器人提供更好的客户体验。

尽管具身人工智能系统仍处于早期阶段，但研究正在迅速发展。生成人工智能的改进自然会为具身人工智能的发展提供信息。具身人工智能还将受益于它用来确定周围环境的传感器的准确性和可用性的提高。