“具身智能体的大脑里应该是什么？”8月2日，“2025第三届人工智能大模型技术高峰论坛”召开，CAAI（中国人工智能学会）具身智能专委会主任、中国科学院大学特聘教授、国家杰青获得者蒋树强围绕智能体的“大脑”构成、大模型在具身智能中的作用、世界模型与记忆等作核心报告。
蒋树强指出，具身智能离不开三个关键词：身体、环境、智能。它们之间存在深层次、复杂的关系，智能的实现依赖于身体的结构、感知能力与环境的交互。
“具身智能可以理解为在身体上融入智能，本体和智能同样重要。智能不仅存在于大脑，还与感知、认知、行为密切相关。”蒋树强表示，身体的结构、形态、感知器与行为能力共同构成智能的一部分，对智能的实现具有重要影响。例如，身高、肢体结构、感官分布等决定了智能体如何感知和理解世界。
关于具身大模型，蒋树强认为，具身大模型一般需融合视觉、语言和行为数据进行训练。训练具身大模型需要数据、算力、算法三者统一。数据不再只是文本或视频，而是包含行为、物理参数、触觉等多模态信息，复杂度更高。
“我觉得在特定场景下，只用一种类型的本体去训练，相对务实一点。但如果是各种各样的机器形态一起训练，事情的复杂度会很高。”因此，蒋树强表示，具身大模型在真实物理空间中的泛化能力、数据复杂度、传感器差异等问题仍是挑战。
蒋树强还提到，世界模型是对真实世界的抽象表示，包括三维空间、动态变化、对象关系、记忆与知识等。其目标是对环境状态进行理解和预测，是智能体进行决策的重要依据。NIPS 2018的一篇文章指出，世界模型相当于是推理和角色相关模型系统。然而世界模型和大模型的关系以及世界模型和三维空间的关系，都是值得去思考和挖掘的。
“我们现在有单臂的机器人，让它去自动导航到一个地方，把桌面收拾干净。实际上，这个是偏工程实现的，没有太多理论的方法，我们主要做研究还是在导航这一块。”蒋树强介绍，目前研究中大量使用模拟器生成数据，但虚拟环境的物理参数可能不够真实，如何将虚拟与真实环境对齐仍是难题。
