具身是具身，智能是智能

这几天的主题是“汽车”——“智能”汽车、“人形”汽车、“飞行”汽车。一样的配方，不一样的味道。

现阶段，谈论“具身智能”还为时尚早，机器人本体是具身，而实现端到端VLA的“大脑”才是终极的智能。如何实现，技术路线都还没有定论，都在摸着石头过河，这会是一个极其艰难的时期。

所有机器人本体厂商，都在不断强化专项动作的能力，但这个意义对于未来的真正的具身智能意义不大，只在于展示人形机器人本体的鲁棒性（虽然这也很重要）。汽车本身也是具身智能的一个载体，真正实现自动驾驶（Full-Self Drive）才算具身智能有真正的落地应用。有意思的是，Transformer（变形金刚）正好是车和人形机器人的复合体，而Transformer架构恰好又是端到端大模型的底层架构，这也许是冥冥中来自塞博坦星的暗示吧。

但是，自动驾驶过去十年的努力也证实了，依赖规则和策略设定的模式来实现自动驾驶，是突破不了L3这一层级的，端到端才是提升质变的希望。老黄也一直把物理AI挂在嘴边，这到底是个什么东西？要理解物理AI，我们必须要回头看看人工智能的发展史。虽然普遍认为1950年的图灵测试，是人工智能在学术界的开端，但真正让普罗大众接触到AI，也就短短15年的时间。

这15年的时间里，AI应用的落地经历了两个阶段，第一阶段是感知AI，也就是图像语音识别、自然语言语义识别，最普及的应用就是人脸识别，现在刷脸已经深入每个人的生活，对应的技术模型是卷积神经网络，比如AlexNet。

第二个阶段就是现在最熟悉的生成式AI，基础大模型带来的能力，比如大语言模型、多模态大模型，也就是AI生成文本、图片、视频，典型应用包括ChatGPT、Midjourney、Sora等，对应的技术模型就是Transformer基础架构。

第三个阶段就是大家正在积极围观的AI Agent，智能体，不再依赖prompt，能够自主规划，自主决策，从头到尾完成一项完整的任务，典型应用就是智能体，对应着推理大模型和多模态大模型，以及多种模型的通力合作，完成具体任务。

第四个阶段就是老黄所说的物理AI，是AGI的终极形态，不知道大家意识到一个问题没有，到目前没位置，还没有智能体能够实现和物理世界的交互，不管是感知、生成还是Agent，基本都局限于数字世界，没有智能体能够反作用于物理世界，智能汽车算是有这个苗头了，但是和机器人能够抓取放还是两个层面的物理世界交互。

随意未来跨域数字世界和物理世界这道鸿沟，机器人成为端到端大模型的载体，才算是真正进入到通用人工智能AGI时代。