當(dāng)你結(jié)束一天的工作，期待AI能自主整理雜亂的桌面、按照需求烹飪簡單的餐食，甚至協(xié)助完成家電維修時，是否曾疑惑：為何現(xiàn)有AI多局限于屏幕交互，難以真正“走進(jìn)”物理世界？這一問題的核心，指向了AI領(lǐng)域的關(guān)鍵方向——具身智能體（Embodied AI Agent）。Meta超級智能實驗室的Jianwei Yang團(tuán)隊CVPR2025發(fā)布的教程系統(tǒng)梳理了多模態(tài)具身智能體從“感知環(huán)境”到“邏輯思考”再到“自主行動”的技術(shù)路徑，為我們揭示了多模態(tài)具身智能體領(lǐng)域的突破與未來可能。

第一章 具身智能體：定義與需求原點

1.1 為什么需要具身智能體？

人類對“自主助手”的需求從未停止，而具身智能體正是這一需求的技術(shù)載體。其應(yīng)用場景已覆蓋三大核心領(lǐng)域：

?自動駕駛：無需人類干預(yù)，自主感知路況、規(guī)避障礙、規(guī)劃路線；

?工業(yè)機器人：在工廠環(huán)境中完成精密組裝、物料搬運等重復(fù)性任務(wù)；

?家用機器人：處理清潔、收納、看護(hù)等日常繁瑣事務(wù)，降低人類生活負(fù)擔(dān)。

正如研究中指出的，人類長期夢想擁有能“融入生活”的自主AI智能體，而具身智能體正是實現(xiàn)這一夢想的關(guān)鍵技術(shù)形態(tài)。

1.2 什么是具身智能體？

根據(jù)Wikipedia定義，具身智能體是“能夠感知環(huán)境、自主采取行動以實現(xiàn)目標(biāo)，并可通過機器學(xué)習(xí)或知識獲取提升性能的實體”。微軟研究院進(jìn)一步將其核心能力拆解為兩大維度：

?多模態(tài)理解：接收視覺、觸覺等多感官輸入，構(gòu)建對環(huán)境的完整認(rèn)知（例如通過攝像頭識別物體位置，通過觸覺感知物體重量）；

?動作預(yù)測：基于環(huán)境認(rèn)知和目標(biāo)，生成與環(huán)境交互、操縱物體的行動指令（例如“將杯子放到餐桌上”的具體動作序列）。

簡言之，具身智能體的核心目標(biāo)是“像人類一樣，在物理世界中自主解決問題”。

第二章 多模態(tài)具身智能體的發(fā)展浪潮

2.1 技術(shù)演進(jìn)時間線：從基礎(chǔ)到突破

具身智能體的關(guān)鍵發(fā)展節(jié)點，呈現(xiàn)出清晰的技術(shù)迭代路徑：

?2023年前：基礎(chǔ)模型探索期，代表成果包括DroidBot-GPT（結(jié)合LLM的機器人控制）、WebAgent（網(wǎng)頁交互智能體），此時模型多聚焦單一模態(tài)或特定任務(wù)，泛化能力有限；

?2024年：多模態(tài)融合加速期，RT-2X（視覺-語言-動作跨模態(tài)模型）、AppAgent（應(yīng)用交互智能體）、TraceVLA（引入軌跡提示的VLA模型）、OpenVLA（開源視覺-語言-動作模型）等相繼出現(xiàn)，模型開始具備跨場景適應(yīng)能力；

?2025+：通用化探索期，方向集中于“更強的推理與規(guī)劃能力”，目標(biāo)是讓智能體在未知環(huán)境中自主拆解復(fù)雜任務(wù)（例如“清理廚房”分解為“整理臺面→清洗餐具→收納物品”）。

2.2 視覺語言預(yù)訓(xùn)練（VLP）：“看見”的基礎(chǔ)

要實現(xiàn)“感知環(huán)境”，視覺語言預(yù)訓(xùn)練（VLP）模型是核心支撐。這類模型通過大規(guī)模圖像-文本數(shù)據(jù)學(xué)習(xí)，具備兩大關(guān)鍵能力：

?開放詞匯（Open-vocabulary）：無需針對特定物體重新訓(xùn)練，即可識別未見過的類別（例如訓(xùn)練過“貓”“狗”后，能識別“兔子”）；

?空間接地（Spatially grounded）：精準(zhǔn)定位物體在空間中的位置（例如指出“杯子在桌子左上角”）。

代表性模型包括：

?CLIP（OpenAI）：通過對比學(xué)習(xí)將圖像與文本映射到同一特征空間，實現(xiàn)零樣本物體識別；

?Florence（Microsoft Research）：構(gòu)建“統(tǒng)一視覺?！?，支持分類、檢測、分割等44項視覺任務(wù)，在多個基準(zhǔn)測試中達(dá)到state-of-the-art（SOTA）；

?GLIP、Grounding DINO：進(jìn)一步強化“文本-空間定位”關(guān)聯(lián)，例如輸入“黑色小狗”，可直接輸出小狗的邊界框。

第三章 “思考”的核心：多模態(tài)大語言模型（MLLM）

具身智能體僅“看見”還不夠，還需具備“理解指令、邏輯推理”的能力——這一功能由多模態(tài)大語言模型（MLLM）實現(xiàn)。

3.1 MLLM的視覺理解能力

MLLM通過融合視覺編碼器與語言模型，實現(xiàn)“圖像輸入+語言輸出”的跨模態(tài)交互。以GPT-4V（OpenAI，2023）為例：

?極端熨燙場景：輸入“人在移動的出租車頂熨衣服”的圖像，GPT-4V能準(zhǔn)確指出“異常點在于熨燙行為發(fā)生在移動車輛頂部，而非固定的室內(nèi)環(huán)境”；

?雞塊地圖 meme：輸入“用雞塊擺成世界地圖”的圖像，GPT-4V可解讀出“文本暗示‘太空看地球的美景’，但圖像實際是雞塊，幽默源于預(yù)期與現(xiàn)實的反差”。

3.2 視覺指令調(diào)優(yōu)：讓MLLM“聽懂需求”

LLaVA（Large Language and Vision Assistant）的研究提出了兩階段訓(xùn)練方法，大幅降低MLLM的落地成本：

? 對齊階段：僅訓(xùn)練“視覺編碼器與語言模型之間的投影權(quán)重（W）”，使用圖像-文本對讓兩者“理解同一語義”，8×A100 GPU僅需數(shù)小時；

? 指令跟隨階段：用指令數(shù)據(jù)（如“描述這張圖”“這張圖里有什么異常”）微調(diào)投影權(quán)重與語言模型，8×A100 GPU不到1天即可完成。

這種方法實現(xiàn)了“低成本復(fù)現(xiàn)GPT-4V級視覺理解”，例如LLaVA對“車頂熨燙”場景的解讀，與GPT-4V的一致性超過90%。

3.3 空間推理的突破：Set-of-Marks（SoM）技術(shù)

傳統(tǒng)MLLM在“精準(zhǔn)空間定位”上存在短板，而SoM技術(shù)通過“圖像標(biāo)注+語言關(guān)聯(lián)”解決了這一問題。其核心是在圖像中添加數(shù)字標(biāo)記，讓模型將標(biāo)記與空間位置綁定：

?物體計數(shù)：在水果籃圖像中標(biāo)記蘋果（1、2、5等）和橙子（3、4、6等），GPT-4V可準(zhǔn)確統(tǒng)計“6個蘋果、4個橙子”，錯誤率從傳統(tǒng)方法的20%降至5%以下；

?控制器操作指導(dǎo)：在游戲手柄圖像中標(biāo)記按鍵（1為方向鍵、2為左搖桿等），模型可詳細(xì)說明“左搖桿（2）控制角色移動，右搖桿（3）控制鏡頭方向”，大幅提升操作指導(dǎo)的精準(zhǔn)度。

第四章 “行動”的關(guān)鍵：視覺-語言-動作（VLA）模型

具身智能體的最終目標(biāo)是“行動”，而視覺-語言-動作（VLA）模型是連接“思考”與“行動”的橋梁。Jianwei Yang團(tuán)隊的研究重點分析了VLA模型的演進(jìn)——從OpenVLA的基礎(chǔ)探索，到TraceVLA、LAPA的技術(shù)補全，再到Magma的統(tǒng)一突破。

4.1 OpenVLA：開源VLA的基礎(chǔ)探索

OpenVLA是首個開源的通用VLA模型，其架構(gòu)核心是“多模態(tài)輸入→動作輸出”的端到端流程：

?輸入層：接收圖像（物體狀態(tài)）與語言指令（如“把茄子放進(jìn)碗里”）；

?特征融合：通過DinoV2（視覺編碼器）、SigLIP（圖像-文本對齊）提取特征，經(jīng)MLP投影后輸入Llama 2（7B參數(shù)語言模型）；

?輸出層：通過“動作解令牌器”生成機器人可執(zhí)行的動作指令（如Δx=5cm、旋轉(zhuǎn)角度=10°）。

OpenVLA在“視覺泛化”“運動泛化”等任務(wù)上表現(xiàn)優(yōu)異，例如在“拿起茄子”“翻轉(zhuǎn)鍋具”等未見場景中，成功率超過傳統(tǒng)模型30%。但它存在三大短板：

? 僅依賴單張圖像，無法捕捉歷史動作（如“機器人之前移動了多少距離”）；

? 動作預(yù)測短視，無法規(guī)劃多步動作；

? 僅用機器人數(shù)據(jù)訓(xùn)練，易過擬合，丟失多模態(tài)理解能力。

4.2 TraceVLA：用“軌跡提示”補全歷史信息

為解決“歷史信息缺失”問題，TraceVLA提出“視覺軌跡提示”技術(shù)：

?軌跡提取：用CoTracker算法跟蹤視頻序列中“機器人末端執(zhí)行器”與“移動物體”的關(guān)鍵點，生成運動軌跡；

?軌跡疊加：將軌跡疊加到當(dāng)前圖像上（例如用虛線標(biāo)記機器人之前的移動路徑），形成“原始圖像+軌跡圖像”的雙輸入；

?指令融合：結(jié)合語言指令（如“把海綿移到藍(lán)色瓶子旁”），讓模型基于歷史軌跡預(yù)測下一步動作。

在Google Robot的SimplerEnv環(huán)境中，TraceVLA的表現(xiàn)顯著優(yōu)于OpenVLA：面對“背景變化”場景，成功率從41.2%提升至52.3%；面對“干擾物增加”場景，成功率從54.3%提升至66.7%。在真實WidowX機器人上，“折疊布料”“拿起刀具”等任務(wù)的成功率也提升了40%以上。

4.3 LAPA：從人類視頻中學(xué)習(xí)“潛在動作”

機器人數(shù)據(jù)采集成本高、場景有限，而LAPA（Latent Pretraining from Videos）提出“從人類視頻中學(xué)習(xí)動作”的思路，大幅降低數(shù)據(jù)依賴：

? 潛在動作量化：用C-ViViT（視頻編碼器）+VQ-VAE（向量量化）將人類動作（如“拿起杯子”）轉(zhuǎn)化為“潛在動作令牌”；

?預(yù)訓(xùn)練：用Large World Model（LWM-7B）學(xué)習(xí)“視頻幀→潛在動作”的映射關(guān)系；

?微調(diào)：用少量機器人數(shù)據(jù)微調(diào)，將人類動作轉(zhuǎn)化為機器人可執(zhí)行的指令。

LAPA在“真實桌面操作”任務(wù)中，僅用人類視頻預(yù)訓(xùn)練，成功率就超過“從頭訓(xùn)練”模型2倍；若結(jié)合少量機器人數(shù)據(jù)，成功率與“用全量機器人數(shù)據(jù)訓(xùn)練的OpenVLA”持平。

4.4 Magma：多模態(tài)統(tǒng)一的“終極突破”

Magma是當(dāng)前最全面的具身智能體模型，其核心是“同時具備多模態(tài)理解與動作預(yù)測能力”，而非構(gòu)建單一功能的專用模型。

4.4.1 技術(shù)架構(gòu)

?輸入層：支持圖像、視頻、語言指令、UI界面等多模態(tài)輸入；

?特征編碼器：用ConvNeXt-XXLarge（視覺）+Llama-3-8B（語言）提取跨模態(tài)特征；

?任務(wù)適配：通過SoM（Set-of-Marks）處理空間定位任務(wù)，通過ToM（Trace-of-Mark）處理時序動作任務(wù)。

4.4.2 訓(xùn)練數(shù)據(jù)

Magma使用3900萬條多源數(shù)據(jù)，覆蓋四大類型：

? instructional視頻（如人類做飯、維修的視頻）；

? 機器人操作數(shù)據(jù)（如Open-X-Embodiment的940萬條軌跡）；

? UI導(dǎo)航數(shù)據(jù)（如網(wǎng)頁點擊、APP操作）；

? 多模態(tài)理解數(shù)據(jù)（如圖像描述、視覺問答）。

4.4.3 性能表現(xiàn)

Magma是目前唯一能覆蓋“多模態(tài)理解→UI接地→機器人操作”全任務(wù)譜的模型：

? 在“UI導(dǎo)航”任務(wù)中，“點擊指定按鈕”的成功率達(dá)96.3%，遠(yuǎn)超GPT-4V的67.5%；

? 在真實WidowX機器人上，“放置蘑菇到鍋中”“推動布料”等任務(wù)的平均成功率達(dá)67.5%，是OpenVLA（25.0%）的2.7倍；

? 在“空間推理”任務(wù)中，“網(wǎng)格定位”“迷宮導(dǎo)航”的準(zhǔn)確率超過LLaVA-1.5、Qwen-VL等模型20%以上。

第五章 挑戰(zhàn)與未來：走向“會思考”的具身智能體

盡管技術(shù)已取得突破，當(dāng)前具身智能體仍存在兩大核心短板：

5.1 多模態(tài)推理能力不足

現(xiàn)有模型缺乏“系統(tǒng)2思考”（即深度邏輯推理）能力。例如面對“如何修理故障的微波爐”，模型無法像人類一樣拆解“檢查電源→打開外殼→更換零件”的邏輯鏈。雖有LMM-R1等模型嘗試引入“思維鏈（Chain-of-Thought）”，但在多模態(tài)場景下的推理精度仍需提升。

5.2 多模態(tài)規(guī)劃能力欠缺

復(fù)雜任務(wù)需“多步規(guī)劃+自我修正”，而現(xiàn)有模型多局限于“單步動作”。例如“清理桌子”需分解為“收起餐具→擦拭臺面→收納雜物”，但模型難以自主規(guī)劃步驟，也無法在“擦拭臺面后發(fā)現(xiàn)殘留污漬”時進(jìn)行修正。Pi 0.5等模型雖嘗試解決這一問題，但在開放場景中的泛化能力仍有限。

5.3 未來方向：進(jìn)入“體驗時代”

正如DeepMind創(chuàng)始人David Silver提出的“AI發(fā)展三階段”（模擬時代→人類數(shù)據(jù)時代→體驗時代），具身智能體的終極目標(biāo)是“在真實環(huán)境中通過自主體驗學(xué)習(xí)”。未來技術(shù)將聚焦三大方向：

?融合多智能：整合“語言智能”（理解指令）、“視覺智能”（感知環(huán)境）、“時空智能”（捕捉物體位置與運動）；

?低成本數(shù)據(jù)：進(jìn)一步利用人類視頻、仿真環(huán)境數(shù)據(jù)，降低機器人數(shù)據(jù)依賴；

?長程規(guī)劃：提升“多步任務(wù)拆解+動態(tài)修正”能力，讓智能體在未知環(huán)境中自主解決復(fù)雜問題。

參考資料

? 標(biāo)題：Towards Multimodal AI Agent That Can See, Think and Act

? 作者：Jianwei Yang

? 單位：Meta AGI

? 鏈接：https://vlp-tutorial.github.io/slides/tutorial/vision_foundation_models_2025/Jianwei.pdf

本文轉(zhuǎn)載自????旺知識??，作者：旺知識