圖源：Pixabay

撰文｜劉少山、唐潔

具身智能（Embodied Artificial Intelligence，EAI）是指將人工智能系統(tǒng)嵌入具有物理形態(tài)的實體之中，使其能夠感知環(huán)境、從經(jīng)驗中學(xué)習(xí)，并在與真實世界的持續(xù)交互中形成認(rèn)知、決策與行動能力[1]。與以符號推理或純計算為中心的傳統(tǒng)人工智能不同，具身智能強(qiáng)調(diào)智能并非脫離物理世界而存在，而是必須通過身體進(jìn)入環(huán)境，在行動與反饋的循環(huán)中不斷演化。

當(dāng)這一思想被系統(tǒng)性地引入科學(xué)發(fā)現(xiàn)過程時，便形成了面向科學(xué)研究的具身智能（Embodied AI for Science，EAI4S）。在這一新范式下，自主智能體直接置身于實驗室等真實科研環(huán)境中，能夠感知實驗狀態(tài)，執(zhí)行實驗操作，并在實踐中學(xué)習(xí)和積累實驗技能；同時，智能體并非只是機(jī)械地執(zhí)行流程，而是通過與物理世界的持續(xù)交互，不斷調(diào)整其科學(xué)推理、實驗設(shè)計與決策策略。面向科學(xué)研究的具身智能的核心潛力，在于從根本上重塑科學(xué)發(fā)現(xiàn)的方式，通過更快的實驗迭代、更穩(wěn)健的實驗執(zhí)行，以及對因果關(guān)系和機(jī)理結(jié)構(gòu)的持續(xù)探索，突破當(dāng)前科研活動在效率、可重復(fù)性和知識積累方式上的結(jié)構(gòu)性瓶頸。

本文將系統(tǒng)回顧機(jī)器人實驗室的發(fā)展歷程，分析現(xiàn)有技術(shù)體系的內(nèi)在局限，并討論邁向真正具身化科學(xué)智能所需的關(guān)鍵突破方向。

01 機(jī)器人實驗室的發(fā)展脈絡(luò)

機(jī)器人實驗室最早的標(biāo)志性進(jìn)展，來自在物理系統(tǒng)中首次實現(xiàn)端到端自治的科學(xué)發(fā)現(xiàn)閉環(huán)。2004年，Ross D. King 團(tuán)隊在功能基因組學(xué)領(lǐng)域展示了一套機(jī)器人科學(xué)家系統(tǒng)，該系統(tǒng)能夠在真實實驗環(huán)境中自動生成科學(xué)假設(shè)，并通過實驗加以驗證[2]。這一工作首次證明，提出假設(shè)、設(shè)計實驗、執(zhí)行實驗和分析結(jié)果這一完整的科學(xué)方法流程，可以被形式化并交由機(jī)器在物理世界中閉環(huán)運(yùn)行。

在此基礎(chǔ)上，2009年提出的 Adam 系統(tǒng)對機(jī)器人科學(xué)家的思想進(jìn)行了進(jìn)一步的系統(tǒng)化和工程化實現(xiàn)[3]。Adam 系統(tǒng)明確編碼了假設(shè)生成與實驗驗證相結(jié)合的科學(xué)推理循環(huán)，并強(qiáng)調(diào)實驗過程的機(jī)器可讀表示、實驗數(shù)據(jù)與流程的完整記錄，以及結(jié)果的可追溯性和可重復(fù)性。圍繞這些系統(tǒng)，相關(guān)研究逐步總結(jié)出機(jī)器人科學(xué)家的通用技術(shù)架構(gòu)，包括科學(xué)知識表示、假設(shè)生成、實驗設(shè)計、機(jī)器人執(zhí)行以及基于實驗結(jié)果的迭代學(xué)習(xí)等關(guān)鍵模塊。

機(jī)器人實驗室發(fā)展的第二個重要階段，是從以科學(xué)假設(shè)為中心的系統(tǒng)，轉(zhuǎn)向以閉環(huán)優(yōu)化為核心的自驅(qū)動實驗室（self-driving laboratories）。隨著實驗自動化平臺的成熟以及機(jī)器學(xué)習(xí)方法在實驗設(shè)計中的廣泛應(yīng)用，研究重心逐漸轉(zhuǎn)向如何在資源受限的條件下，高效探索復(fù)雜、高維的實驗空間。這一階段通常采用主動學(xué)習(xí)和貝葉斯優(yōu)化等方法，使系統(tǒng)能夠根據(jù)實驗反饋動態(tài)調(diào)整實驗策略，從而提高探索效率[4]。

2020年提出的移動機(jī)器人化學(xué)家系統(tǒng)，是這一范式的重要里程碑[5]。該系統(tǒng)在真實的人類實驗室環(huán)境中連續(xù)多天自主運(yùn)行，能夠獨(dú)立選擇實驗條件、執(zhí)行實驗并根據(jù)結(jié)果調(diào)整后續(xù)決策，展示了自驅(qū)動實驗室在長期穩(wěn)定運(yùn)行和復(fù)雜決策方面的可行性。進(jìn)入2020年代初，綜述性研究對這一范式進(jìn)行了系統(tǒng)總結(jié)，并普遍指出，系統(tǒng)集成的可靠性、自動化執(zhí)行的穩(wěn)健性以及實驗數(shù)據(jù)與流程的標(biāo)準(zhǔn)化溯源，是制約自驅(qū)動實驗室進(jìn)一步擴(kuò)展的主要工程瓶頸。

最近，隨著大語言模型和工具增強(qiáng)智能體架構(gòu)的快速發(fā)展，機(jī)器人實驗室開始引入語言模型作為科研工作流的高層組織與編排機(jī)制[6,7]。這類系統(tǒng)能夠?qū)⒀芯磕繕?biāo)轉(zhuǎn)化為具體的實驗計劃，協(xié)調(diào)軟件工具與物理儀器，并對端到端實驗流程進(jìn)行統(tǒng)一管理。已有研究表明，這種以語言模型為核心的系統(tǒng)在任務(wù)靈活性、跨領(lǐng)域泛化能力以及流程重組方面，顯著優(yōu)于早期針對單一任務(wù)設(shè)計的機(jī)器人系統(tǒng)。

02 邁向面向科學(xué)研究的具身智能

盡管機(jī)器人科學(xué)家、自驅(qū)動實驗室以及基于語言模型的實驗室系統(tǒng)取得了顯著進(jìn)展，但從本質(zhì)上看，這些系統(tǒng)仍主要依賴自動化執(zhí)行和數(shù)值優(yōu)化，而尚未形成真正意義上的科學(xué)智能。它們在執(zhí)行預(yù)定義實驗流程、在參數(shù)空間內(nèi)高效搜索以及組織復(fù)雜實驗操作方面表現(xiàn)突出，但通常仍受限于人類預(yù)先設(shè)定的表示體系，在面對真實實驗環(huán)境中的物理不確定性、概念抽象以及科學(xué)機(jī)理理解時能力不足。

彌合這一差距，正是邁向面向科學(xué)研究的具身智能的關(guān)鍵所在。在這一新階段，自主智能體不僅能夠運(yùn)行實驗，更能夠?qū)嶒炇乙暈橐粋€持續(xù)變化的物理世界，通過不斷的感知、推理與行動，實現(xiàn)對實驗過程的深度理解和主動適應(yīng)。實現(xiàn)這一轉(zhuǎn)變，需要在三個彼此耦合的方向上取得突破。

首先是具身世界模型與實驗技能學(xué)習(xí)。需要構(gòu)建多模態(tài)的感知與動作模型，用以刻畫實驗環(huán)境的動力學(xué)特征，并支持實驗操作技能的學(xué)習(xí)、復(fù)用與組合，使系統(tǒng)能夠在復(fù)雜環(huán)境中實現(xiàn)超越人工腳本的穩(wěn)健操作。

其次是因果關(guān)系與科學(xué)機(jī)理層面的推理能力。系統(tǒng)應(yīng)從單純追求實驗結(jié)果優(yōu)化，轉(zhuǎn)向?qū)σ蚬Y(jié)構(gòu)和機(jī)理解釋的發(fā)現(xiàn)，通過具有可識別性的實驗設(shè)計和理論約束，形成具有解釋力和遷移能力的科學(xué)知識。

第三是可驗證的自主運(yùn)行與科學(xué)操作系統(tǒng)。這要求構(gòu)建具備安全約束和審計能力的智能體架構(gòu)，并通過對實驗動作、數(shù)據(jù)與溯源信息的統(tǒng)一規(guī)范，使具身化的科學(xué)智能體能夠在不同實驗室、不同學(xué)科之間可靠擴(kuò)展，同時保持科研結(jié)果的可信性與可重復(fù)性。

03為何面向科學(xué)研究的具身智能具有現(xiàn)實緊迫性，以及開放為何關(guān)鍵

當(dāng)前全球科學(xué)發(fā)現(xiàn)能力呈現(xiàn)出顯著的不均衡分布。這種不均衡并非主要源于科學(xué)思想或人才儲備的差異，而是深植于實驗基礎(chǔ)設(shè)施獲取能力的結(jié)構(gòu)性差距之中。從統(tǒng)計結(jié)果看，全球被主要數(shù)據(jù)庫收錄的科學(xué)論文中，超過85%來自高收入和中高收入國家，而低收入地區(qū)在全球科研產(chǎn)出中所占比例極低[8]。這一事實表明，當(dāng)代科學(xué)研究越來越受到實驗條件、設(shè)備成本以及系統(tǒng)可靠性的制約。

面向科學(xué)研究的具身智能為緩解這一結(jié)構(gòu)性問題提供了一條現(xiàn)實可行的路徑。通過將隱性的實驗經(jīng)驗轉(zhuǎn)化為可復(fù)用的具身技能，并借助穩(wěn)定的閉環(huán)運(yùn)行機(jī)制和標(biāo)準(zhǔn)化的實驗流程，相關(guān)系統(tǒng)有望在有限投入條件下顯著提升科研產(chǎn)出效率。如果這一技術(shù)體系在設(shè)計之初就堅持開放和可負(fù)擔(dān)原則，科研基礎(chǔ)相對薄弱的地區(qū)便有可能跨越傳統(tǒng)重資產(chǎn)實驗室建設(shè)路徑，更有效地參與前沿科學(xué)研究。這一理念與聯(lián)合國教科文組織提出的開放科學(xué)原則高度一致，其核心目標(biāo)正是通過共享和互操作的科研基礎(chǔ)設(shè)施，縮小全球知識生產(chǎn)的結(jié)構(gòu)性差距[9]。

04 開源、標(biāo)準(zhǔn)化與可負(fù)擔(dān)的技術(shù)路徑，以及中國的角色

面向科學(xué)研究的具身智能標(biāo)志著機(jī)器人實驗室從自動化工具，邁向具備學(xué)習(xí)、推理和決策能力的科研主體。要使這一轉(zhuǎn)變真正產(chǎn)生廣泛而持久的影響，必須在技術(shù)路線和制度設(shè)計上堅持三項基本原則。

第一，堅持開源導(dǎo)向。通過開放核心系統(tǒng)、模型和實驗技能，科研群體才能在共享與協(xié)作中持續(xù)積累能力，避免基礎(chǔ)技術(shù)重復(fù)建設(shè)，從而加快整體創(chuàng)新節(jié)奏。

第二，系統(tǒng)推進(jìn)標(biāo)準(zhǔn)化建設(shè)。實驗動作、硬件接口、數(shù)據(jù)格式以及實驗溯源機(jī)制的統(tǒng)一，是實現(xiàn)跨平臺協(xié)作、跨實驗室遷移和跨領(lǐng)域擴(kuò)展的前提條件，也是科學(xué)結(jié)果可驗證性和可復(fù)現(xiàn)性的制度基礎(chǔ)。

第三，將可負(fù)擔(dān)性作為核心設(shè)計目標(biāo)。面向科學(xué)研究的具身智能不應(yīng)僅服務(wù)于少數(shù)頂尖實驗室，而應(yīng)成為更多科研機(jī)構(gòu)可以部署、維護(hù)并持續(xù)演進(jìn)的公共技術(shù)能力。

在這一關(guān)鍵窗口期，中國具備在該領(lǐng)域發(fā)揮更大作用的現(xiàn)實基礎(chǔ)。完善的制造體系、突出的工程化能力以及豐富的科研應(yīng)用場景，使中國有條件將面向科學(xué)研究的具身智能從實驗室原型推進(jìn)為可規(guī)?；募夹g(shù)體系。

未來，中國應(yīng)在國家科研基礎(chǔ)設(shè)施布局中明確支持相關(guān)平臺建設(shè)，積極參與并引領(lǐng)國際標(biāo)準(zhǔn)制定，并通過開源技術(shù)與國際合作，將成熟的系統(tǒng)和經(jīng)驗向全球，尤其是科研資源相對不足的地區(qū)輸出。通過這一方式，中國不僅能夠加快自身科學(xué)發(fā)現(xiàn)進(jìn)程，也有望在新一輪科研范式變革中，成為面向科學(xué)研究的具身智能技術(shù)與公共能力的重要全球供給者。

論文鏈接：

• [1] Fan, W., Liu, S. Putting the smarts into robot bodies. Communications of the ACM, 2025, 68(3): 6–8.
• [2] King, R. D. et al. Functional genomic hypothesis generation and experimentation by a robot scientist. Nature, 2004, 427(6971): 247–252.
• [3] King, R. D. et al. The automation of science. Science, 2009, 324(5923): 85–89.
• [4] H?se, F., Roch, L. M., Aspuru-Guzik, A. Next-generation experimentation with self-driving laboratories. Trends in Chemistry, 2019, 1(3): 282–291.
• [5] Burger, B. et al. A mobile robotic chemist. Nature, 2020, 583(7815): 237–241.
• [6] Boiko, D. A. et al. Autonomous chemical research with large language models. Nature, 2023, 624(7992): 570–578.
• [7] Bran, A. M. et al. Augmenting large language models with chemistry tools. Nature Machine Intelligence, 2024, 6: 525–535.
• [8] National Science Board. Publications Output: U.S. Trends and International Comparisons. NSB-2023-33, 2023.
• [9] UNESCO. UNESCO Recommendation on Open Science. 2021.

作者介紹：

劉少山，深圳人工智能與機(jī)器人研究院（AIRS）具身智能中心主任， 國際計算機(jī)學(xué)會（ACM）技術(shù)政策委員會成員。

唐潔，華南理工大學(xué)副教授，研究方向包括空間智能，機(jī)器人，計算系統(tǒng)等。