数字人工智能的实体化对应版本实体人工智能（PAI）介绍

近些年人工智能领域已经取得了突飞猛进的进步，但这些进步大都集中于数字人工智能领域，对于能和我们这种生物体一样执行日常任务的实体人工智能（physical artificial intelligence，PAI）来说，进展却相对小得多。

这主要是因为实体人工智能涉及复杂的跨学科研究，而科研社区目前又非常欠缺能系统性整合这些知识的人才和技能。

着眼于未来几十年实体人工智能的发展，两位学者——瑞士联邦材料科学与技术的实验室Aslan Miriyev 和伦敦帝国理工学院Mirko Kovač 教授近日在 Nature MachineIntelligence 上发表了一篇评论文章，不仅定义了PAI，还提议建立一套激励实体人工智能跨学科研究的技能培训体系，强调教育下一代 PAI 研究者的重要性。

人们预期，下一代机器人会像生物体一样，能够在真实世界的非结构化环境中自动采取行动，能通过控制器自适应和学习来自我维持，具有应对物理破坏的韧性，并能与集体系统进行整合。

这些未来的机器人将在导航、运输和其它机械作业中得到应用，这需要实时的决策和适应能力，其中涉及到处理从其「机体」上的传感器发送到「大脑」的多种信号的组合。

此外，这些机器人还需要具备自我功能性预测能力、自主修复和自动按需成长能力以及在各种场景中维持稳态（homeostasis）的能力，这样才能确保任务性能（task performance）与自我存续（self-preservation）方面的和谐平衡。

为了让机器人具备如此智能的行为，需要大脑结构、机体形态和环境交互之间的密切相互作用。过去几十年里，基于数据的数字人工智能迅猛发展，计算、算法和认知的学习能力都增长显著，而机器人的机体、形态和材料发展却相对落后很多。

本文将介绍数字人工智能的实体化对应版本，即实体人工智能（PAI），并为未来的 PAI 研究者的技能教育提出一种方法论。

实体人工智能（PAI）

近几十年，人类的生活方式发生了非常重大的变化，这凸显了对远程和自动化过程的需求。但是，现如今的机器人还不够成熟，还不足以执行日常任务，比如操控物体或在不可预测的复杂环境中移动。另外，如今的机器人也还不能足够安全地与人类和室外环境进行交互。

大脑与机体的适当平衡是创造行为更自然和全集成的智能机器人的先决条件。机器人设计通过使用软件已经实现了相当成功的自动化，但设计新材料和开发机器人学方法需要人类参与其中，因为这涉及到范围更广的技能组合。

举个例子，在新兴的软体机器人学领域，为了得到所需的机器人功能，仍旧没有与结构设计和控制器设计组合使用的材料选取与合成方法。

因此，未来十年内，机器人学领域的一大主要缺口是：为机器人机体以及机体形态与智能控制系统和基于学习的方法的共同进化开发新材料和新结构。为了填补这一缺口，机器人学社区的一大重要发展趋势是实现机体、控制、形态、动作执行和感知的协同进化。这里将其称为实体人工智能（PAI）。

PAI 是指能够执行通常与智能生物体相关的任务的实体系统，该领域包含理论和实践。PAI 方法论原本就自带对材料、设计和生产制造的考虑。使用 PAI 开发的机器人可以利用自身机体的物理和计算特征，再加上它们大脑的计算能力，有望在非结构化环境中自动执行任务和维持稳态。类似于生物体，PAI 机器人既可以替代数字 AI，也能通过连接大脑来为数字 AI 提供协同辅助。很多小型机器人（计算能力有限的机器人）没有专用的中心大脑，它们的性能由机体的计算引导。

类似于自然多样性原理，PAI 合成（synthesis）是指具有任意功能、形状、大小和适宜场景（habitat）的机器人系统，其中尤其注重对基于化学、生物和材料的功能的整合。因此，PAI与机体变化方法无关，并且有别于具身智能（embodiedintelligence）。PAI 合成的要义在于从材料层面到形态层面再到机器人系统层面将多种不同的功能特性成功地组合到一起。

图1：PAI是合成类似自然的智能机器人系统的理论和实践。为了进化出功能完备的机器人，需要使用多个学科领域的技能，包括材料科学、机械工程、计算机科学、化学和生物学。这里用一只机器蜜蜂进行说明，其开发过程需考虑材料、结构、自我感知和动作执行，最终综合起来造就一个完全自动化的多功能机器人系统。这些学科能为每个进化步骤提供知识和工具。

将 PAI 和数字人工智能组合起来的范式是机器人开发领域最突出的领域之一，能提供无数研究机会。特别是将实体机器人和计算机器人整合为单一 PAI 方法的研究，这有望创造出人类-机器人共生的生态系统，从而重新定义人类与机器人的交互。目前而言，这一方向上最主要的障碍是缺乏开发 PAI 的技能，还没有人提出清晰连贯的教育结构和培训方式。

在创造 PAI 的雄心勃勃的征程中，许多学科都会紧密地交织在一起。其中主要有材料科学、机械工程、计算机科学、化学和生物学（图 2）。要将机器人的范式从组装的硬件设备转换成 PAI 组成的机器人，需要将这些学科领域的技能组合到一起。

图 2 中给出的每个学科都包含大量且多样的所需技能，甚至还有更多没囊括进来。但是，对现如今的单个个人而言，范围如此之广的技能树很难点满，而且也还没有培训这些技能的系统性教育方法。

图 2：PAI 的五大学科：材料科学、机械工程、计算机科学、化学和生物学

推动 PAI 技能发展

作者设想，为了掌握多学科的 PAI 技能，需要一种系统性的教育方法，而且机构层面和社区层面都要有。作者也为这套潜在方法提出了一些建议，其中包括营造良好的机构和社区氛围来发展学生的技能并为导师提供支持。

接下来可以提出多层级的方法论，以在当前的高等教育计划中实施PAI 培训。作者提议该方法论需包含以下三大组成部分：（1）机构支持；（2）理解跨学科研究的复杂性和挑战性；（3）创造认可和传播研究成果的场所。

首先，如果要为 PAI 技能培训打下坚实的基础，机构层面的支持是至关重要的。作者认为，在机构层面上，主要努力方向是显式地鼓励不同科系和学院的研究者积极合作研究 PAI。共同研究 PAI 的机构集群可以创造一个教育平台，比如提供多学科选修课程和实验室培训，并允许内部科研合作和互相使用设备。其重点在于，正常运作的机构集群能确保在选择正确的技能组合时提供专业的指导，从而适应每位学生的兴趣范围和研究需求。这种方法也能促进不同机构中心之间的外部合作，并推进国内和国际的交流与课外活动。

由于 PAI 本质上是跨学科研究，因此相关研究成果的受众范围更广，有发表在更高影响力期刊上的潜力。但是，由于多学科研究涉及到广泛的专业知识，风险会更高，情况也会更复杂。多学科之间和之中的研究工作需要有走出舒适区的勇气，去面对自己并不熟悉专业术语和人际网络，而且还必需持续不断的学习以及坚持不懈的内在动力。此外，职业发展步骤也需要鼓励和奖励跨学科研究工作。举个例子，现如今雇佣教职人员时，往往会根据范围狭窄的特定目标领域执行，而不会从多学科角度考虑。通过雇佣在串联 PAI 相关学科方面有专长的教职人员并提供合适的机构支持，能为跨学科 PAI 研究提供至关重要的激励。这些步骤能直接推进 PAI 研究，同时还能通过高影响力的成果发布、专利和吸引的投资为机构的声誉带来许多倍的回报。

此外，创造认可和传播多学科研究的场所也非常重要。如果将 PAI 研究划分到传统的科研社区，比如材料科学、力学、有机化学等，则可能收窄一个科学问题的展示空间，即只能展示该特定社区能够理解的部分。这种方式缺乏整体视野，也不能理解该问题的整体复杂性。尤其是机器人学和人工智能领域，需要一种更广泛的多学科认证模式，并且要使其注重学科和专业知识之间的复杂交互关系。作者提出创建和支持以 PAI 的复杂多学科挑战为目标的研究者社区、会议和期刊。他们也建议通过不同学科共同组织设立竞争性的奖学金、奖励和奖金，以支持社区层面的参与。

总结

在这篇文章中，作者提出通过创造 PAI 来研发用于共生式人类-机器人生态系统的机器人，进而引领未来数十年的机器人研究。目前而言，社区还缺乏创造PAI 所需的多学科技能，而大多数机构仍还没有为这一挑战性的多学科研究方向建立基础设施。作者提出了几点推进PAI 技能教育的途径：通过创建激励性的机构和社区环境来同时培训学生的多学科技能和支持导师的活动。需要说明，本文的目标是强调教育下一代 PAI 研究者的重要性，而不是给出详细确切的最终行动纲领。希望科学和研究社区能就这一主题展开更广泛的讨论，互相交流不同的意见和方法。

责任编辑：PSY