时光倒回几年前，当我们谈论“人工智能（AI）”时，心里浮现的或是科幻片里神秘难触的智能系统，或是科研论文里晦涩难懂的模型算法；而当我们谈论“机器人”时，想到的则是工厂里那些钢铁巨臂。在很长一段时间里，这两者像是生活在平行宇宙——一个是“缸中之脑”，拥有智慧却没有手脚；一个是“无脑巨人”，拥有力量却没有灵魂。

但现在，这堵墙正在被推倒。计算神经科学的独特视角为“智能与载体”“算法与机械”的深度融合提供了关键思路。

（图片由AI生成）

打破“虚拟大脑”的认知误区

“AI是软的、虚拟的，机器人是硬的、物理的”二元对立观点，长期主导着大众的思维。对此，邓志东表示：“智能不是虚拟的，智能也有物理载体。”

这一命题的合理性，可以从人类智能的生物学本源中得到印证。邓志东指出，人类的智能并非悬浮在空中的“幽灵”，而是严格对应着极其复杂的生物物理实体——大脑。从解剖学角度来看，负责视觉理解、状态预测、逻辑推理、决策规划等高级认知功能的区域是大脑皮层；而负责维持身体平衡、协调运动轨迹、控制肌肉收缩的区域则是小脑。大脑皮层与小脑，无一不是由数以亿计的神经元、突触和胶质细胞构成的实实在在的物质实体。

“智能的产生，本质上是物理实体在处理信息。”邓志东强调，同样的逻辑完全适用于机器人领域。如果将机器人比作人类的躯体，那么AI就是它的神经系统。机器人本体是AI发挥作用的物理边界，而AI算法则是机器人的神经中枢。没有物理载体，智能就无法与真实世界进行能量与信息的交换；而没有智能，物理载体不过是一堆冰冷的废铁。

这种“脑－体协同”的机制，在计算神经科学的研究中占据核心地位。邓志东进一步解释道，人类在面对现实世界中复杂、动态且信息不完整的场景时，往往不是依靠穷尽所有可能性的逻辑计算，而是依靠“经验”和“记忆”来快速完成决策与动作的生成。比如，一个守门员扑救点球时，他没有时间去计算空气动力学公式，而是大脑皮层与小脑瞬间调用长期训练积累的肌肉记忆，做出的下意识的反应。

对于机器人而言，要实现“100%的任务成功率”，单纯依靠云端的大模型逻辑推理是不够的。它必须像生物一样，建立起属于自己的“技能性持久记忆”。这意味着，未来的AI研究不能脱离硬件空谈算法，必须将深度学习模型植入机器人的人工智能芯片中，让机器人在与物理世界的反复碰撞、交互中，“生长”出智能。这种基于物理载体的智能进化，才是具身智能的发展方向。

深度学习如何赋能工业场景

AI技术，尤其是深度神经网络与深度强化学习，正在重构机器人“感知”“决策”“执行”三大核心环节。

邓志东以工业协作机器人为例，描绘了一个典型的应用场景：在高速流转的物流生产线上，机器人需要为不同规格的包装箱贴标签。

在传统自动化时代，这项任务对预设条件的依赖极强。工程师需要编写固定代码，明确箱子必须精准出现在指定X、Y坐标，且光线需保持恒定。可一旦传送带速度波动，或是箱子位置偏移几毫米，传统机器视觉就容易因特征点匹配失败而报错。

“现在的深度神经网络，特别是结合了大模型技术后，给机器人装上了一双慧眼。”邓志东指出。深度学习算法不再依赖人工设计的特征点，而是通过海量数据训练，学会了像人眼一样“理解”图像。

在贴标场景中，AI驱动的视觉系统可以实时捕捉传送带上快速移动的物体。它不仅能“看清”箱子的轮廓，还能“看懂”箱子的姿态——是正放、侧放还是歪斜。通过语义分割技术，机器人能精准识别出箱子表面的文字、图案区域，并推理出标签应该粘贴的最佳空白位置。即便遇到了训练中从未见过的异形包装，或者现场光照条件突然变暗，具备强大泛化能力的视觉大模型依然能锁定目标。这种从“像素匹配”到“语义理解”的跨越，是AI赋予机器人最核心的感知变革。

感知只是第一步，更关键的是决策。邓志东特别强调了“深度强化学习”在这一环节的价值。

在复杂的工厂环境中，不确定性无处不在：突然出现的人员、意外掉落的货物、设备自身的震动，等等。传统的决策算法是基于规则的，面对规则之外的突发状况，机器人往往只能选择急停，这会严重影响生产效率。

而深度强化学习允许机器人在虚拟仿真环境中进行数百万次的“试错”训练。通过设定奖励函数（例如：成功贴标得1分，碰撞扣10分，时间最短得5分），机器人会自动探索出最优的控制策略。邓志东举例说，在动态避障环节，经过强化学习训练的机器人，当检测到有人的手臂伸入工作区域时，它不再是简单地停机，而是能瞬间规划并生成一条平滑的绕行轨迹，既避开了障碍物，又不中断贴标动作。这种“自主决策”能力，使得机器人从只会执行命令的机器，进化成为具备一定“生存智慧”的智能体。

政策护航与协作机器人的崛起

执行层面，“工业协作机器人”凭借独特优势成为关注焦点。与传统被关在铁笼子里、体型庞大、动作刚猛的工业机器人不同，协作机器人更聚焦“安全性、柔顺性和交互性”。邓志东介绍，通常这类机器人的额定负载在25kg以内，设计轻巧，末端处配备了高灵敏度的触觉与力传感器。

“传统机器人更侧重于机电性能，强调刚度、精度和速度；而协作机器人更聚焦于安全性与智能化水平。”邓志东分析道。它们不需要物理围栏，可以安全地与人类工人肩并肩地工作。一旦在运行中触碰到人体，它们会瞬间感知到力矩的异常变化，并在毫秒级时间内自动停止或回撤，确保人员安全。这种“人机共融”的特性，彻底改变了工业生产的组织形态。

这一技术趋势与我国当前的产业政策高度契合。近年来，国家层面密集出台了多项政策，旨在推动机器人产业的高质量发展。

工信部等十七部门联合印发的《“机器人+”应用行动实施方案》明确提出，要聚焦制造业、农业、医疗等重点领域，推广机器人的深度应用，打造一批“机器人+”应用标杆企业。在此背景下，我国机器人产业正从“规模扩张”转向“质量跃升”。有行业学者认为，“十五五”将是我国迈向机器人强国的关键阶段，产业将进一步朝着智能化、绿色化、融合化方向发展，围绕细分场景需求加速产品创新迭代。

邓志东指出，在标准化的包装、码垛、精密装配等流程中，国产协作机器人已成为“机器换人”的主力军。它们部署更灵活，而且在AI视觉和力控算法的加持下，作业精度和稳定性已达到国际先进水平。

特别是在当前劳动力人口结构变化、制造业招工难的背景下，协作机器人的价值日益凸显。它不是要完全替代人类，而是接管那些重复、枯燥、繁重的劳动，让人类回归到更具创造性的管理与质检岗位上。

算力内嵌与集群化

尽管产业前景广阔，但算力不足仍是制约其进一步智能化的核心瓶颈。

“机器人需要大幅度增加本身的AI算力，才能实现复杂环境下的实时响应。”邓志东强调。目前，很多复杂的视觉大模型还需要依赖云端服务器进行处理，但这会带来不可避免的网络延迟。对于要求毫秒级响应的运动控制而言，这种延迟往往是致命的。因此，未来的趋势必然是高算力推断芯片的植入，把“超级大脑”装进机器人的身体里，实现真正的“端侧智能”。

展望未来5到10年，邓志东预判，工业场景将朝着集群化方向深度发展。在汽车制造等高端产线，机器人将不再是单打独斗，而是通过端云协同实现“集群化作业”，通过实时共享感知数据，协同完成复杂的装配任务。

家庭场景则将聚焦小型化与自主化升级。未来的家用机器人将具备更强的自主移动与操作能力。它们将不再局限于扫地，而是“一机多用”，能够完成叠衣服、收拾玩具等需要复杂机械手操作的家务，成为不可或缺的智能伙伴。

针对想进入该领域的青少年和年轻从业者，邓志东建议：“人工智能特别重要。就拿我们人类来说，少了大脑还能做什么？”他同时提醒，机器人是软硬结合的产物，光有算法不够。要打破学科壁垒，“学习机械结构设计”，掌握物理世界的运动规律。

算力内嵌、场景深耕、人机共融，AI与机器人的融合之路正越走越宽。依托计算神经科学的底层支撑，我们也期待着未来的智能机器人能够更懂世界、更贴需求，勾勒出科技服务于人的鲜活图景。

来源：北京科技报

采访专家：邓志东（清华大学计算机科学与技术系教授、人工智能研究院视觉智能研究中心主任）

撰文：记者 段大卫

来源: 北京科技报