而传统AI更多的是被动观测
LLM可以帮助机器人更好理解运用到高级语义知识，自动化地分析自己的任务并拆分成具体的动作，这样与人类、与物理环境的互动更加自然，机器人也就显得更加智能了。 举个例子，让机器人倒一杯水，人类自动就会绕开室内的障碍物，但传统方式下，机器人并不具备“遇到障碍物水会打翻”这样的常识，经常会做错事，而大模型驱动的具身智能，就可以更好地理解这些知识，自动分解任务，不再需要工程师或者主人一步步地指导。 端 多模态——更丰富的“小脑” “具身”所相对的概念是“离身”从中可以看到，具身智能的实现依赖于身体的感知，不能脱离身体而单独存在。人类具有眼耳鼻舌身意，说明对于物理世界的充分感知和理解，是意识和智慧的 欧洲手机号码列表 来源。，主要是“看”端计算机视觉）和“读”端文本NLP），这就使得智能体Agent缺乏对外部环境的通用感知能力。 以自动驾驶为例，无人车也是具身智能的载体，需要通过传感器、机器视觉、激光雷达等多种方式来感知物理世界的变化，成本昂贵，效果也不是很理想，至今依然没能实现L级别的自动驾驶量产。 多模态大模型，可以积累和分析D&D视觉、LiDAR激光、Voice声音等多维信息，基于真实交互，为具身大模型积累高质量数据数据，深度理解并转化为机器指令，来控制机器人的行为。
https://zh-cn.albdirectory.com/wp-content/uploads/2024/05/%E6%AC%A7%E6%B4%B2%E6%89%8B%E6%9C%BA%E5%8F%B7%E7%A0%81%E5%88%97%E8%A1%A8-1-1024x576.png
有了感知能力更丰富的“小脑”，具身智能自然也就能更好的理解物理世界。 端 精准决策——更灵活的躯干 试想一下，如果一辆无人车，行驶过程中道路上突然冲出一个物体，它只能等着人类来判断“当前是什么情况”，下达指令“应该干什么”，那黄花菜都凉了，万一冲出来的是人，那实在是太危险太不可靠了。 传统的机器人训练往往采取pffline离线模式，一旦遇到训练环境中没有出现过的问题，就可能掉链子，需要收集数据再重新迭代优化，这个过程的效率很低，也减慢了具身智能在现实中落地的速度。
頁:
[1]