2024具身智能新基建场景深度解析：何斌谈物理AI发展路径与机遇

同济大学教授、自主智能无人系统全国重点实验室副主任何斌在大会上发表主题演讲。孙宁摄

人工智能的发展脉络正逐步显现。从早期的判别式模型，到如今主导潮流的生成式AI，下一轮技术突破的方向何在？在“2026人民网数据智能伙伴大会”上，同济大学何斌教授提出了他的洞见：继智能体之后，产业将迈向物理AI，即自主智能的新纪元。其核心在于，具身智能必须超越实验室的局限，实现与复杂社会环境的深度融合与协作，最终成为人类创造价值的伙伴。

这一判断直面一个核心矛盾：尽管机器人在运动控制等基础能力上进展迅速，但能真正规模化融入社会生产生活体系的案例依然稀缺。瓶颈究竟在哪里？何斌教授指出了关键所在：现实世界的复杂性与不确定性远超受控环境，完整数据闭环的构建面临挑战，而仿真与现实之间的性能衰减问题——即“Sim-to-Real鸿沟”——仍是主要障碍。

机器人要融入社会，仅具备物理行动能力是远远不够的，它必须习得社会性智能。何斌教授强调了“社会训练”这一核心范式。训练目标需从单一的技能习得，拓展至包含情感交互、陪护支持、助老助残等社会价值行为的综合培养。最终，是构建一个融合物理过程、社会关系与正向价值反馈的统一训练闭环。换言之，未来的机器人既需要精准的“躯体”，更需要具备协作意识与共情能力的“心智”。

如何实施这种社会训练？何斌教授阐明，训练的本质是交互训练，而不仅限于动作训练。训练对象应是一个由人类、机器、环境及社会规则共同构成的多智能体系统。因此，数据采集必须超越传统的动作指令，全面纳入交互意图、社会性反馈、失败案例、关系网络与社会规则等多元信息，并将其整合进统一的训练框架。评估智能体的标准也将更为综合：它是否增强了人类的安全感与工作效率？是否建立了可信赖的交互关系？能否灵活适应多样化场景？其价值取向与社会行动能力是否符合预期？

愿景宏大，但实现路径挑战重重。何斌教授剖析了三大核心难点：其一，资源分散，缺乏对真实物理过程的高保真模拟；其二，即前述的“仿真到现实”迁移难题；其三，高质量数据稀缺，尤其是人、机、环境深度共融的复杂交互数据。克服这些障碍，或许需要一场基础设施层面的革新——构建新一代开源物理智能训练场。这要求建立统一的数据接口与训练描述语言，实现全域数据采集，并打造开放协同的生态体系，为具身智能的社会化落地铺平道路。

更进一步，需要构建一个覆盖全生态、全技术栈的闭环系统。何斌教授勾勒的蓝图是：将学科知识、网络数据、多模态信息、人类意图数据与真实物理世界采集的数据，整合到一个统一的交互仿真环境中。这不仅能够实现全栈真实的数据交互闭环，还将驱动高保真物理仿真引擎的研发，并持续提升智能体在复杂环境中的在线学习与自适应优化能力。

展望应用前景，潜力巨大。从工业制造到社会服务，机器人的应用场景将全面拓展。这要求形成从物理场景数据采集，到物理闭环验证，再到能力闭环迭代的完整技术链条。工业场景因其环境结构化、任务可重复的特点，将成为机器人能力训练与验证的理想“试验田”。同时，必须建设安全、可信的多智能体协同决策训练环境，用以精确建模真实的人机社会交互，模拟涉及意图理解、价值对齐、安全性与可信度评估的复杂场景。

推动机器人从实验室走向真实社会，是下一阶段的明确目标。通过打造面向具身智能的新型基础设施场景，构建开源、标准化、模块化的产业技术底座，才能系统性地推进具身智能的社会化应用，真正开启物理AI发展的新阶段。前路虽长，但方向已清晰，关键在于扎实推进，协同突破。