从 1959 年笨拙示教到 2025 年仿生突破：北大「灵巧手」登顶刊，具身智能如何炼成「类人操作」？

原创于 2025-08-14 11:02:11 发布 · 1k 阅读

CC 4.0 BY-SA版权

文章标签：

01灵巧手新突破

2025 年 6 月 9 日，北京通用人工智能研究院与北京大学联合研发的仿生视触觉灵巧手 F-TAC Hand，登上了国际顶刊《自然・机器智能》。评审委员会评价：“F-TAC Hand 首次实现了机器人抓取能力与人类水平的量化对齐，在精密操作场景中展现出超越传统工业机器人 10 倍以上的适应性。” 这一成果无疑是具身智能发展历程中的一座耀眼里程碑。该灵巧手结合视觉摄像头与触觉传感器的多源数据，构建了 “感知 - 理解 - 执行” 的闭环系统。在抓取不规则形状的电路板时，它能通过视觉识别元件位置，再用触觉探索边缘轮廓，最终以最优化的姿态完成抓取，其智能程度令人惊叹。

F-TAC Hand 如此出色，那具身智能经历了哪些阶段才发展到如今的水平呢？

02具身智能的发展阶段

具身智能的发展源远流长，从萌芽之初到如今的蓬勃发展，大致历经了以下几个关键阶段：

1. 启蒙时代：机械式的示教

1959 年，Unimate 机器人诞生，开创具身智能领域先河。它采用示教再现技术，工人手动操作机械臂完成焊接、搬运等任务演示，磁鼓存储器同步记录动作数据，1961 年应用于通用汽车新泽西州工厂装配线，实现生产自动化，提升效率与精度。

Unimate机器人倒咖啡

20 世纪 70 年代初，人类首个自主移动机器人Shakey 在斯坦福实验室问世，通过打孔卡编程规划路径，但受限于符号主义 AI，其移动效率极低（每米耗时 15 分钟），且无法区分光影与实体障碍。

关键转折：1991 年 Rodney Brooks 提出：传统符号主义 AI 的缺陷在于将「智能」困于抽象符号运算（如 Shakey 依赖预编程地图），而具身智能的本质是「身体与环境的实时互动」——Unimate 的「示教再现」证明机械身体可存储动作经验，Shakey 的「笨拙移动」则暴露了脱离物理交互的智能局限性。

2. 行为革命：从中央控制到分布式智能

1986 年，罗德尼・布鲁克斯提出 “包容架构” 理论，主张智能可通过分层反应式系统涌现，建立 “感知 - 动作” 直连通道，推动 AI 行为主义诞生。

1989 年，Brooks 团队研发的六足机器人 Genghis 验证了 “包容架构”，其每条腿配备独立处理器，遇障碍时相邻腿自动协调步态，打破传统中央控制逻辑。

六足机器人 Genghis

2002 年，iRobot 推出 Roomba 吸尘器，采用随机碰撞策略，依靠底部传感器实时反馈形成螺旋清扫模式，虽无环境地图，却能深入狭窄空间清洁，适用于复杂家居环境。

2002版的Roomba

核心进步：分布式智能改变传统中央控制决策模式，使机器人各节点具备自主反应能力，提升对复杂环境的适应性。

3. 认知融合：身体是认知的延伸

哲学家莫里斯・梅洛－庞蒂提出身体是自我意识形成的重要基础。2004 年，意大利技术研究院启动 iCub 开源项目，2008 年首次发布，定位为 “认知发育类人机器人平台”。

iCub 的认知架构模拟儿童认知发育过程，通过感知系统处理多模态输入，结合内部状态表示、多种学习机制和行为生成模块，形成 “感知 - 行动 - 学习 - 认知” 闭环，使机器人在与物理世界互动中实现身体与认知的融合，突破传统 AI 局限。

核心进步：打破「缸中之脑」模式，让机器人通过身体与世界的互动「自主构建认知模型」，而非依赖人类预设的符号规则（如传统 AI 需提前输入「障碍 = 避开」的指令）。

4. 大模型革命：通用智能的黎明

2022年底，ChatGPT的横空出世，其智能涌现所带来的语言理解、内容生成、逻辑推理等类人智慧的出现以及模型性能显著提升，让我们看到了通向通用人工智能（AGI）的曙光。

然而大语言普遍缺乏关于物理世界交互、运动控制以及物体操控的知识，这使得让大语言模型的能力与真实的物理世界对齐就成了迫在眉睫的工作。

目前，在技术层面，大语言模型正进入多模态时代，能够统一处理包括语言、视觉、触觉、听觉在内的多种感官信息，大量的研究集中在多传感器数据的时空同步与校准技术，发展跨模态学习算法，以及交互式感知、主动感知等技术方向，以实现规模化多模态数据的高效自动对齐。

F-TAC Hand的突破在于它像人类一样，能实时感知接触变化并瞬间调整策略。它模拟人类皮肤布满传感器、大脑高效处理信息的机制，创新性地将17个高分辨率触觉传感器以6种不同配置集成于掌中。

视觉语言模型（VLM）作为具身智能模型发展的早期重要阶段，主要聚焦于让机器能够理解视觉信息与语言信息，并建立两者之间的关联。
视觉 - 语言 - 动作模型（VLA）的出现，是具身智能模型发展的重要突破，它将视觉感知、语言理解与动作执行有机结合起来。
与 VLA 相比，世界模型是一个真正理解世界3D结构、形状和组合性的 AI 模型，具有更强大的知识整合与推理能力，能够处理更复杂、更抽象的任务，对世界的运行规律有更深入的 “理解”。2024 年9月，李飞飞的初创公司 World Labs陆续发布了「世界生成」模型、Forge 渲染器等工作。