基座模型技术背景下的具身智能体综述.pdfVIP

第

59

卷第

2

期浙

江

大

学

学

报(工学版)Vol.59

No.2

2025

年

2

月Journal

of

Zhejiang

University

(Engineering

Science)Feb.

2025

DOI:

10.3785/j.issn.1008-973X.2025.02.001

基座模型技术背景下的具身智能体综述

李颂元，朱祥维，李玺112

(1.

中山大学

电子与通信工程学院，广东

深圳

518107；2.

浙江大学

计算机科学与技术学院，浙江

杭州

310058)

摘

要：近年来，虽然自然语言处理、计算机视觉、多模态学习等领域的基座模型取得了突破性的进展，展现出了

通用人工智能的潜力，但它们在因果推理和物理常识理解方面的表现远不及人类或动物.

这是因为这些模型主

要依赖于大量的数据和计算能力，缺乏与现实世界的直接互动和经验积累.

许多研究者开始质疑，单纯通过增加

模型规模是否足以克服这些根本性的问题.

这促使学界重新审视智能的本质，认为智能不仅是计算能力的提升，

更是源于与环境的互动.

具身智能正逐渐受到人工智能领域的关注，因为它强调智能体通过与物理世界的直接

互动，学习和适应环境，展现出更接近生物智能的特性.

结合基座模型的技术背景，对具身人工智能进行全面的

调研.

讨论当前具身智能体背后的技术思想、测试基准及应用.

对未来具身人工智能的趋势和挑战进行前瞻性

的分析.

关键词：

具身智能；多模态学习；基座模型；强化学习

中图分类号：

TP

391

文献标志码：

A

文章编号：

1008−973X（2025）02−0213−14

Surveyofembodiedagentincontextoffoundationmodel

112

LI

Songyuan,

ZHU

Xiangwei,

LI

Xi

(1.

SchoolofElectronicsandCommunicationEngineering,SunYat-senUniversity,Shenzhen518107,China;

2.

CollegeofComputer

ScienceandTechnology,ZhejiangUniversity,Hangzhou310058,China)

Abstract:Foundational

models

in

natural

language

processing,

computer

vision

and

multimodal

learning

have

achieved

significant

breakthroughs

in

recent

years,

showcasing

the

potential

of

general

artificial

intelligence.

However,

these

models

still

fall

short

of

human

or

animal

intelligence

in

areas

such

as

causal

reasoning

and

understanding

physical

commonsense.

This

is

because

these

models

primarily

rely

on

vast

amounts

of

data

and

computational

power,

lacking

direct

interaction

wi