Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI
本综述通过弥合物理感知与符号推理这两条独立发展轨迹之间的鸿沟，对具身系统与生成模型中基于物理的方法进行了系统考察，从而全面概述了物理人工智能，并倡导构建能够真正理解物理定律的下一代世界模型，以实现更安全、更具可解释性的人工智能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试教一个机器人理解真实世界，而不仅仅是将其视为一系列图片的集合，而是一个物体具有重量、会弹跳、会碰撞并遵循重力等规则的地方。这篇论文《对齐感知、推理、建模与交互：物理人工智能综述》认为，当前的人工智能就像一名死记硬背了数学考试答案却并不真正理解数学为何如此运作的学生。
作者提出了一套四步“训练课程”，旨在将人工智能从被动的观察者转变为物理现实的大师。他们称之为“物理人工智能”。
以下是通过简单类比解释的旅程：
1. 物理感知：“眼睛与手”
问题： 当前的人工智能可以看着一张球的图片并说：“那是一个红色的球。”但如果你把球扔下去，它并不知道球会弹起。它看到的是“图像”，而非“物理”。
类比： 这就像一个孩子学习触摸的过程。首先，他们学习玩具长什么样（物体识别）。然后，他们学习它在房间中的位置（空间感知）。接着，他们学习橡胶球摸起来有弹性，而石头摸起来很硬（内在属性）。最后，他们学习如果你推球，它就会滚动（动态估计）。
目标： 从仅仅“看见”图片，转变为理解物体隐藏的规则，如它的重量、纹理以及它如何运动。
2. 物理推理：“大脑”
问题： 一旦人工智能看到了球，它就需要理解它为何会移动。当前的人工智能通常基于模式进行猜测（例如：“我以前见过球滚动，所以这个也会”）。它并不真正理解“原因”。
类比： 这就像从一个会掉落勺子的幼儿，转变为一个能解释勺子为何掉落的物理学家。
- 符号推理： 在纸上解决数学问题（例如：“如果一辆车以 25 米/秒的速度行驶……"）。
- 多模态推理： 看着桥梁的示意图并解释它为何可能坍塌。
- 因果推理： 询问“如果我不刹车会发生什么？”（反事实推理）。
目标： 停止猜测，转而利用“宇宙法则”（如重力或摩擦力）来解释正在发生的事情。
3. 世界建模：“想象力”
问题： 如果你要求人工智能预测未来，它可能会产生幻觉（编造事物）。它可能会画出一辆漂浮在空中的汽车，因为它看起来很酷，而不是因为它在物理上是可能的。
类比： 这是人工智能的“做梦”能力。一个好的世界模型就像一位在拍摄前能在脑海中模拟场景的电影导演。他们可以问：“如果我打碎这个花瓶，它会碎裂吗？”并运行心理模拟来寻找答案。
目标： 建立一个心理“沙盒”，让人工智能能够以完美的物理精度预测未来或重构过去，确保如果一辆车撞向墙壁，它会真实地粉碎，而不是神奇地消失。
4. 具身交互：“身体”
问题： 你可以拥有一个聪明的头脑和伟大的想象力，但如果机器人的手臂笨拙，或者它不知道如何抓握一个滑溜溜的杯子，它就会失败。
类比： 这是机器人真正“做”某事的时刻。这就像一位只能谈论棋步的国际象棋特级大师，与一位能真正与人类对弈的特级大师之间的区别。
- 机器人技术： 拿起物体而不将其压碎。
- 导航： 在拥挤的房间中行走而不撞到他人。
- 自动驾驶： 驾驶一辆能对突发暴雨或儿童跑入街道做出反应的汽车。
目标： 形成闭环。机器人感知世界，对其进行分析推理，模拟结果，然后安全地“行动”。
大局观：为何这很重要
该论文认为，我们不能直接跳到第 4 步（制造驾驶汽车的机器人）。我们需要像爬梯子一样按顺序构建这些技能：
- 感知为我们提供原始数据。
- 推理将这些数据转化为理解。
- 建模让我们能够预测接下来会发生什么。
- 交互让我们能够基于这些预测改变世界。
当前的现实检查：
作者承认，目前大多数人工智能都卡在梯子的底部。它非常擅长识别模式（如在照片中识别猫），但极不擅长理解“物理”（如知道猫无法穿墙而过）。
他们总结道，为了构建真正安全可靠的现实世界人工智能，我们需要停止仅仅向其投喂更多数据，转而教导它“游戏规则”（物理定律），以便它能够真正理解、预测并与周围的世界进行交互。
简而言之： 这篇论文是一份路线图，旨在教导人工智能停止做一个仅仅拍摄世界照片的“摄影师”，转而成为一个理解世界实际运作方式的“物理学家”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。