“我们希望机器人能直接理解真实世界，这首先来源于它对传感信息的获取，以及参照人类认知过程，建构的与其外部世界的映射关系。其中，理解的核心是‘识别’，这种能力让机器人能够举一反三且区分更具体的差异。”

　　还是以“那杯水”为例。吴易明希望，具有“理解”能力的具身智能，不需要通过认识一万个杯子，只要看到一个新杯子，就能知道它是杯子；在知道它们都是杯子的基础上，还能分辨出哪个是你的杯子，哪个是我的杯子。

　　“机器人拥有了像人类一样的理解能力，就能理解空间关系、远近关系以及一些最基本的物理常识，例如物体为什么会掉落、为什么会反弹……而这些都是人类成长过程中天然具备的能力，也是机器人真正具备智能的重要基础。”吴易明进一步解释。

　　“遗憾的是，到目前为止，我们还缺乏一个关于真实世界的动作模型，缺乏一个对时间、空间、物理规律乃至多模态、全模态进行理解、推理、规划、决策的模型。”智源研究院院长王仲远坦言，以语言为主导的基础模型，并不是高效编码三维空间、物理因果与动作信息的架构。

　　数据与算法之间，“融通”很难

　　5月31日起，极佳视界研发的第一代家庭通用人形机器人“拾光S1”正式进入武汉光谷之寓社区，开始进行真实家庭场景测试。它已经能在真实家庭里分拣叠放衣物、取放餐具、整理厨房、桌面归位、跨房间取送物品，还能做一些陪伴交互的长程任务。

　　但从一个社区“跑通”几项任务，到适配千家万户，中间的路还很长。也就是说，具身智能机器人进入家庭面对“千变万化”的情况时，能否真正完成细致而微的任务？