何斌：构建具身智能新基建 加速物理AI应用落地

同济大学教授、自主智能无人系统全国重点实验室副主任何斌作主题分享。孙宁摄

从生成式智能到物理AI：具身智能的社会化未来

人工智能的发展脉络日益清晰。从早期的判别式智能，到如今风靡全球的生成式智能，下一波浪潮将指向何处？在“2026人民网数据智能伙伴大会”上，同济大学何斌教授指出，智能体时代之后，我们将迈向物理AI或自主智能的新阶段。这意味着，具身智能必须走出实验室，学会与社会环境深度融合，最终实现与人类的协同价值创造。

现实瓶颈：为何机器人难融社会？

这一判断背后，存在一个亟待解决的现实矛盾。尽管机器人在运动与基础行动能力上进展迅速，但能大规模融入社会系统的案例仍寥寥无几。问题根源何在？何斌教授指出了几个关键瓶颈：真实世界的复杂性远超实验室，完整的数据闭环难以构建，而“从仿真到现实”的鸿沟依然显著。

核心突破：重新定义“社会训练”

要让机器人真正走入社会，仅具备“动手”能力远远不够，还需学会“做人”。何斌教授提出了“重新定义社会训练”的核心概念。这意味着训练内容不能局限于物理技能，还必须涵盖情感价值、陪护、助老助残等社会性行为。最终目标是构建一个融合物理过程、社会关系与正确价值反馈的统一训练闭环。简言之，未来的机器人既需灵活的“手脚”，更需懂得协作与关怀的“心智”。

训练路径：从动作到社会交互的多主体系统

那么，这种训练应如何具体实施？何斌教授强调，训练的本质不仅是动作训练，更是社会交互训练。训练对象应是一个由人、机器、环境和规则构成的多主体系统。因此，采集的数据不能仅是动作指令，还必须包含交互意图、社会反馈、失败案例、关系网络乃至社会规则等多元信息，并将其全部纳入训练体系。评价智能体的标准也将更综合：是否提升人类安全感与效率？是否赢得信任？能否适应多场景？其价值观与社会行动能力是否经得起考验？

三大挑战与基础设施变革

理想虽丰满，实现路径却充满挑战。何斌教授分析了三大难点：一是资源离散，缺乏对真实物理过程的模拟；二是著名的“Sim-to-Real”鸿沟，虚拟训练成果难以迁移至复杂现实；三是数据匮乏，尤其缺少人、机、环境共融的复杂交互数据。跨越这些障碍，或许需要一场基础设施级的变革——重新定义开源物理智能训练场。这要求建立统一的数据接口与训练描述语言，实现全域数据采集，并构建开放生态，为具身智能的社会化铺路。

构建全栈技术闭环与生态蓝图

更进一步，我们需要构建全生态、全栈的技术闭环。何斌教授描绘的蓝图是：将学科知识、网络数据、文本图像、人类意图数据与真实物理世界数据，整合至统一的交互环境中。这不仅可实现全栈真实的数据交互，还能推动建设高保真物理世界仿真引擎，并持续提升智能体的在线学习与优化能力。

应用前景：从工业练兵场到社会服务

展望实际应用，前景广阔。从工厂车间到社会服务，机器人的应用场景将不断拓展。这要求形成从物理场数据采集，到物理闭环，再到能力闭环的完整链条。工业场景因其规范性与可重复性，将成为机器人训练与应用的绝佳“练兵场”。同时，还需建设安全、可信的多体协同决策训练场，用以精准描述真实的人机社会交互，模拟涉及意图、价值、安全与可信度的复杂场景。

结语：迈向社会化应用的新篇章

总而言之，让机器人从实验室走向街头巷尾、千家万户，是下一阶段的关键目标。通过打造具身智能的新基建场景，建设开源、标准化、模块化的产业底座，才能稳步推动具身智能的社会化应用，真正开启物理AI发展的新篇章。这条路虽漫长，但方向已然明确，唯有脚踏实地，合力前行。