具身智能：突破物理瓶颈，迈向生物式进化

8月9日，在世界机器人大会的演讲台上，宇树科技创始人王兴兴就当前机器人运动控制领域存在的RL Scaling Law问题发表了见解，他认为目前的机器人在学习新技能时，往往需要从头开始研究与教学。

展望未来，我们更期待机器人能在原有基础上持续学习，实现更快速、更高效的学习效果。

当前，具身智能行业尚未有效解决强化学习的Scaling Law问题，即便在算力增长、数据堆积方面投入大量研究，也未能直接提升机械手臂的灵巧度或双足机器人的稳定性。

问题的核心并不在于硬件或数据的不足，而是机器人“大脑”的进化以及环境适应能力的欠缺。因此，我们不禁要问：面对具身智能Scaling Law的缺失，是否应借鉴婴儿学习的方式，让机器人通过不断尝试，获得真正的进化能力，从而推动机器人领域的“摩尔定律”诞生？

算力增长≠智能进化：具身智能的物理瓶颈

在人工智能领域，我们曾一度认为，只要提供足够的数据和算力，机器人就能拥有更智能的能力。

例如，ChatGPT的发展似乎验证了这一点——模型越大、训练文本越多，其文章撰写和问题解决能力就越强。

然而，在虚拟AI领域，数据和规则是明确的，增加算力和数据确实能提升性能。但将这一模式应用于机器人时，我们发现其在与真实世界交互时，会受到不同材质的摩擦、空气阻力、物体形变等随机性影响，导致运行中出现意外情况。

哈佛大学的“机器蚂蚁”实验生动展示了这一困境。研究人员为机器人增加了10倍运算能力，期待其能更好地适应复杂地形。然而，结果令人失望：其环境适应能力仅提升了微不足道的2%。问题不在于芯片不够强大，而在于蚂蚁的机械腿无法像真实昆虫那样灵敏地感知和适应地面变化。

现实世界中无数的物理特性使得机器人在运行中出现了无数个“意外状况”。

此外，机器人在学习新技能或适应新环境时，其芯片往往需要大量能耗。

这不是通过技术进化减少能耗消耗就能解决的问题，而是需要面对根本性缺陷：机器人仍在用“蛮力计算”对抗物理法则。

这一困境揭示了一个深刻的事实：在机器人领域，单纯的算力增长如同给汽车安装强劲引擎却忘了前行道路是崎岖的。我们更希望机器人能像人类的生物系统一样，在原有基础上不断进化，解决受物理世界制约的困境。

达尔文式进化：具身智能的身体适应智慧

真正智能的关键并不在于“大脑”学习了多少。自然界中，章鱼没有集中的大脑，其5亿神经元分布在触手中，却能让八条腕足各自独立抓取、探测甚至“思考”。

然而，这样的生物行为与机器人依赖数据驱动的“大脑”智能模式不同，而是将身体本身作为计算的一部分。

过去，机器人和AI的进步主要依赖算力和数据的堆砌，希望其变得更加聪明。但现实智能发展依赖于身体与环境的实时互动。

因此，机器人需要像人类肌肉一样在突发状况时主动产生行为。

然而，机器人需要适应的是未预设情况下根据指令和环境变化提供不同状态和行为。

正如王兴兴所提及的，当机器人处于新环境时，应能主动探索事物以满足指令需求，而非仅依赖具体数据照做。

未来突破点可能在于“身体”和“大脑”像自然生物一样共同进化。算法无需为每个细微环境状况进行训练，而是在互动中自然调整。

这条路虽艰难但自然界进化史已证明其可行性。从单细胞生物到人类，生命进化或许为机器人提供了更优方向。

未来机器人或许需向生物学习发展出与物理世界和谐共处的“身体智能”。

重塑衡量标准：具身智能需拥抱“生存力”

对于具身智能而言真正考验是变化中保持稳定而非重复完成固定任务。

当前机器人缺乏真正的抗干扰智慧——不是避免犯错而是犯错后快速修正的能力。

我们常笑谈机器人行为笨拙甚至称其为“老太行为”，但对于还需不断进化的具身智能来说应将“容错率”视为衡量智能的新尺度。毕竟在真实世界中稳定比精准更重要。

如孩童时期拿起保温杯我们无需重新学习“抓握”只需微调力度就能拿起。但今天机器人完美掌握马克杯后面对保温杯又要从零开始训练。问题不在于其不够“聪明”而在于缺乏对“杯子”概念的真正理解。

“泛化能力”的缺失暴露了当前机器人学习的核心缺陷：它们通过海量数据只能记住特定物体的抓取方式却无法抽象出通用规律。

真正的突破或许需要让机器人像孩子一样先理解“抓握”的本质（形状、重量、摩擦力之间的关系）而非死记硬背每个物体的数据。

当测评标准转向“生命力”而非“精准度”具身智能才能突破现有天花板迈向真正实用化。