近些年（nián）人工智能领域已（yǐ）经取得了（le）突飞猛进的进步，但这些进（jìn）步大（dà）都（dōu）集中于数字人（rén）工智能领域，对于能（néng）和（hé）我们这种生物体一样执行日常任（rèn）务的（de）实体人工智能（physical artificial intelligence，PAI）来说，进（jìn）展却相对小得多。

这主要是（shì）因为（wéi）实体人工智能涉及复杂的跨学（xué）科研究，而科研社区目前又非（fēi）常欠缺能（néng）系统（tǒng）性整合这些知识的人（rén）才（cái）和技能。

着眼于未来几十年实体人工智能（néng）的发展，两位学者——瑞士联邦材料科（kē）学（xué）与技术的实（shí）验室Aslan Miriyev 和伦敦帝国理工（gōng）学院Mirko Kovač 教授近（jìn）日在 Nature MachineIntelligence 上发表了一（yī）篇评（píng）论文（wén）章，不仅定（dìng）义了PAI，还提（tí）议建立一套激励实（shí）体人工智能跨（kuà）学科研（yán）究的技（jì）能培训体系，强（qiáng）调教育下一（yī）代（dài）PAI研究者的重要性（xìng）。

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

这（zhè）些（xiē）未来（lái）的机器人将在导航、运输和其它机（jī）械（xiè）作业（yè）中（zhōng）得（dé）到应用，这（zhè）需要实时的决策和适（shì）应能力，其中涉（shè）及（jí）到处理从其「机（jī）体（tǐ）」上的传感器发（fā）送到「大脑」的多种信（xìn）号（hào）的组合（hé）。 此外（wài），这些机器（qì）人还需要具备自我功能性预测能（néng）力、自主修复和自动按需成长能（néng）力以及在各种场景中维持（chí）稳态（homeostasis）的能力（lì），这样才（cái）能确保（bǎo）任务（wù）性能（task performance）与自我（wǒ）存续（self-preservation）方面的和谐平衡。 为了让机器人具备（bèi）如此（cǐ）智能的行为，需要大脑结（jié）构、机体形态和环境交互之间的密切（qiē）相互作用。过去几十年里，基于（yú）数据的数字人（rén）工智能迅猛发展，计算（suàn）、算法和认知的学习能力（lì）都增长显著，而（ér）机器（qì）人的机体、形态和材料发展却（què）相对落后很多。

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

实体人工智（zhì）能（PAI）

近几十（shí）年，人类的生活方式发生了非常重大的变化（huà），这凸显了对远程和自动化（huà）过程的（de）需（xū）求。但（dàn）是，现如今的机器人还（hái）不够成熟，还不足以执（zhí）行日常任务，比如操控物体或在不可预（yù）测（cè）的复杂环境中移（yí）动（dòng）。另外，如今的机器人也还不能（néng）足够安全地与人类和室外环境进行交互（hù）。

大脑（nǎo）与机体的适当（dāng）平衡（héng）是创造行为更自然和全集成的（de）智能机器人的先决条件。机（jī）器人设计通过使用软件已经实现了（le）相（xiàng）当成功的自动（dòng）化，但设（shè）计（jì）新（xīn）材料和开发（fā）机器（qì）人学方（fāng）法需（xū）要人（rén）类参与其中，因为这涉及到范围更（gèng）广的技能（néng）组合。

举个例子，在新兴的软体机器人学领（lǐng）域（yù），为了得到所需的机器人功能，仍旧没有与结构设计（jì）和控制器设计（jì）组（zǔ）合（hé）使用的材料选取与合成方（fāng）法。

因此，未来十年内，机器人学领（lǐng）域的一大主要（yào）缺（quē）口是：为机器人机（jī）体以（yǐ）及机体（tǐ）形态与（yǔ）智能控制（zhì）系统（tǒng）和（hé）基于学习的（de）方法的（de）共同进化开发新材料和新结构。为了填补这一缺（quē）口，机器人学社区的（de）一大重要（yào）发展趋势是实现机体、控制（zhì）、形（xíng）态（tài）、动作执行和感知的（de）协同（tóng）进（jìn）化。这里（lǐ）将其称为实体人工智能（PAI）。

PAI是指能够执行（háng）通常与（yǔ）智能生物体相关的任务（wù）的实体系（xì）统，该（gāi）领（lǐng）域（yù）包含理论和实践。PAI方法论原本（běn）就（jiù）自带对材料、设（shè）计和（hé）生（shēng）产制造的考虑。使用PAI开发的机器人可以（yǐ）利用自身机体的物理（lǐ）和计（jì）算（suàn）特征（zhēng），再加上它们大脑的计算（suàn）能（néng）力（lì），有望在（zài）非结（jié）构（gòu）化环境（jìng）中自动执行任务和（hé）维持稳态（tài）。类似于（yú）生（shēng）物体，PAI机器人既可以替代数字AI，也能通过（guò）连接大脑来为数字 AI提供协同辅助。很多小型机（jī）器人（计算能力（lì）有限的机器人（rén））没有专用（yòng）的中心大脑（nǎo），它们的性能由机体的计算（suàn）引（yǐn）导。

类似于自然多样性原（yuán）理，PAI合（hé）成（chéng）（synthesis）是指具有任意功能、形状、大小和（hé）适宜场景（habitat）的机器人系统，其中尤其注（zhù）重对（duì）基于化学、生物和材料的功能的（de）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（miàn）到形（xíng）态层面（miàn）再到机器人（rén）系统层面将多种不同的功（gōng）能特（tè）性成功地组合（hé）到一起（qǐ）。

将PAI和数字人工智能组合起来的范式（shì）是（shì）机（jī）器（qì）人开发领域最突出的领域之一，能提供（gòng）无数研究机会。特（tè）别（bié）是将实体机器人和计算（suàn）机（jī）器人整合为单一（yī） PAI 方法的研（yán）究，这有望创造出（chū）人类-机器人共生的（de）生态系（xì）统（tǒng），从而重新定义人类与机器人的交互。目前而言（yán），这一（yī）方向（xiàng）上最主（zhǔ）要的障（zhàng）碍是缺乏开（kāi）发 PAI 的技能（néng），还没有人提出清（qīng）晰（xī）连贯的教育结构和培训（xùn）方（fāng）式。

在创（chuàng）造PAI的雄（xióng）心勃勃的（de）征程中，许多学科都会紧密地交织在（zài）一起。其中主（zhǔ）要（yào）有材（cái）料科（kē）学、机械（xiè）工程（chéng）、计算机（jī）科学、化学和生物学（图 2）。要（yào）将机器人的（de）范式从组装（zhuāng）的硬件设备转换成（chéng）PAI组成的机器人，需（xū）要将这些（xiē）学科领域（yù）的技（jì）能（néng）组合（hé）到一起。

推动PAI技能发展

作者（zhě）设想，为了掌握多学（xué）科的（de） PAI 技能（néng），需要一种系统性的（de）教育方法（fǎ），而且机构层（céng）面（miàn）和（hé）社区（qū）层面都（dōu）要（yào）有。作者也为这（zhè）套潜在方法提出了一（yī）些建议（yì），其中（zhōng）包括（kuò）营（yíng）造良好的机构和社区氛围来发展学生的（de）技能并为导师提供支持。接下来可以提出多层级的（de）方法论（lùn），以（yǐ）在当前的高等教育计划中实施PAI 培训。作者（zhě）提议该方法论（lùn）需包含（hán）以下（xià）三大组成部分（fèn）：（1）机（jī）构支持；（2）理解跨学科研（yán）究的复杂性和挑战性；（3）创（chuàng）造认可和传播研究成果的场（chǎng）所。

首先（xiān），如果要为（wéi）PAI技能（néng）培训打下坚（jiān）实的基础（chǔ），机构（gòu）层面的支持是至关重要的。作者认为（wéi），在机构层面上，主要（yào）努力方（fāng）向（xiàng）是（shì）显（xiǎn）式地鼓励（lì）不（bú）同科系和学院的研究者积极合作研究PAI。共同研究PAI的（de）机（jī）构集群（qún）可（kě）以创（chuàng）造一个教育平台，比如提供多学科选修课程和实验室（shì）培训，并允（yǔn）许内部科研合作（zuò）和互相使用设备（bèi）。其（qí）重点在于，正常运作的机构集群能确保在选择正确的（de）技能组合时（shí）提供专业的指导，从（cóng）而适（shì）应每（měi）位学生的兴趣范围和研（yán）究需（xū）求。这种方法也能促进不（bú）同机构中心之间的外部（bù）合作，并推（tuī）进国内和国际的交流（liú）与课外活动（dòng）。

由（yóu）于PAI本（běn）质（zhì）上是（shì）跨学科研究，因此相关研究成（chéng）果的受众范围更广，有发表在（zài）更高影响力（lì）期刊上的潜（qián）力。但是，由于多学科研究涉及到（dào）广泛的（de）专业知识，风险会更高，情（qíng）况也（yě）会更复杂。多学科之间和之中的研究工作需要有（yǒu）走出舒适（shì）区的（de）勇气，去面对（duì）自己并不熟悉专业术语和（hé）人际网络（luò），而（ér）且（qiě）还必需持续不（bú）断（duàn）的学习以及（jí）坚持不懈的内在（zài）动力。此外，职（zhí）业发（fā）展步骤（zhòu）也（yě）需要鼓（gǔ）励和奖励跨学科研究工（gōng）作。举个例子，现如今（jīn）雇佣教职人员（yuán）时，往（wǎng）往会根据范围狭窄（zhǎi）的（de）特定目标领域执行（háng），而不会从多学科角（jiǎo）度（dù）考（kǎo）虑（lǜ）。通过雇佣在串联（lián）PAI相关（guān）学（xué）科方面有专长的教职（zhí）人员（yuán）并（bìng）提供合适的机构支持，能为跨学科（kē）PAI研究提供至关重要的（de）激励。这些步骤能（néng）直接（jiē）推（tuī）进PAI研（yán）究（jiū），同时还能通过高影响力的成果发布、专利和吸引的投资（zī）为机构的声誉带（dài）来（lái）许多倍的（de）回报。

此外（wài），创造认可（kě）和传播多学科研究的（de）场所也（yě）非常重要。如果将 PAI 研究（jiū）划分到传（chuán）统的科研社区，比（bǐ）如材（cái）料科学、力学、有机化学（xué）等，则可能收窄一个科（kē）学问题的（de）展示空（kōng）间，即只能展示该特定社区能够理（lǐ）解的部分。这种方（fāng）式（shì）缺乏整体视野，也不能（néng）理解该（gāi）问题（tí）的整体复杂性。尤（yóu）其（qí）是机器（qì）人学和人工智能领域，需要（yào）一种更广（guǎng）泛的多学科认（rèn）证模式，并且要（yào）使其注重学（xué）科和专业知识之（zhī）间的复杂交互关系。作者提出创建和（hé）支持以 PAI 的复（fù）杂多学科挑（tiāo）战为目（mù）标（biāo）的（de）研（yán）究（jiū）者社区、会议和期刊。他们也建议通过不同学（xué）科共同组织设（shè）立竞争（zhēng）性（xìng）的奖（jiǎng）学金、奖励和奖金（jīn），以支（zhī）持社区层面的（de）参（cān）与。

在（zài）这篇文章中，作者提出通（tōng）过创造 PAI 来研（yán）发用于共生式人类-机器人生态系统的机器人，进而引（yǐn）领未来（lái）数十年的机器人研究。目前而言，社（shè）区还（hái）缺乏创造PAI所（suǒ）需的多学（xué）科技能（néng），而大多数机构（gòu）仍还没有为这（zhè）一挑战（zhàn）性的多学科（kē）研究方向建立基础设（shè）施。作者提出了几点（diǎn）推进（jìn）PAI技能教育的途径：通过创建激励性的机构和（hé）社（shè）区环境来同时培训学生的多学科（kē）技能和（hé）支持导师的活动。需要说明（míng），本文的目标是强（qiáng）调教育（yù）下一代PAI研究者的重要性，而（ér）不是给出详细确切的最终行（háng）动纲领。希望（wàng）科学和研（yán）究社区能就这一主题展开更广泛的讨论，互相（xiàng）交流不同的意见和方法。