图片来源@视觉中国

文 | 追问nextquestion，作者 | 王佳音、潘梓

回溯1950年，图灵在其开创性论文《计算机器与智能》中，奠定了人工智能的基础，还预见了两条可能的发展路径。一条侧重于抽象计算所需的智能，如下棋和数学问题解决；另一条赋予机器先进的传感器，让它们能够像婴儿一样通过感知和互动学习，与人类进行交流。如今，随着时间的流逝，图灵的这些构想已经分别演变成我们所熟知的非具身智能和具身智能。

今天，在大语言模型的普及和GPT-4等前沿模型的推动下，我们似乎见证了人工智能领域的一个新时代，人机交流也变得前所未有的流畅和无缝。据2023年5月GGII发布的报告预测，预计到2026年，人形机器人在全球服务机器人市场中的渗透率预计将达到3.5%，市场规模超过20亿美元。各大科技公司和学术界的顶尖学者也不断涌入这一领域的研究与产品开发当中。

然而，在繁荣热潮的背后，潜在的困境却也如影随形。尽管ChatGPT等模式革命性地变革了人工智能领域，但它们在理解力、联想力和交互能力等方面，仍然未能完全满足公众的期望。这促使我们对看似毫无阻碍的进步进行重新评估，同时希望经过不懈努力，人们能攻克实现真正的具身人工智能所面临的复杂挑战。

具身智能面临的挑战

综合来看，具身智能在其发展过程中面临着多项挑战，这些挑战源自于其发展过程中的复杂性和不断变化的需求。主要包括以下几个方面：

（1）适应非结构化真实环境

与预设规则和模式驱动的传统AI系统不同，具身智能必须在一个充满复杂性和不可预测性的非结构化环境中找到立足点。在这种环境中，信息的稀缺和场景的多变性，要求AI系统具备更加先进和灵活的计算能力，以便能够适应环境的不断变化和不确定性。这不仅是一个数据处理的问题，更是对AI系统感知和适应能力的全面考验。

（2）发展更高级的认知策略

在自然界中，生物体通过视觉、听觉和触觉等多种感觉途径获得复杂的感知信息，并在大脑中进行有效的多模态信息融合。具身智能同样需要模仿这种高效的多模态融合过程，以更全面地理解和适应其所处的环境。这包括但不限于对三维空间中物体的精确识别和定位，以及对环境变化和内在联系的动态捕捉。

此外，具身智能还需要超越传统的计算模型对静态数据处理，发展出对事物的动态变化和相互关系的深层次理解。这不仅关系到对时间和空间信息的处理，还涉及到理解其他生物（尤其是人类）的意图和行为动机，从而实现更自然、更智能的人机协同。

（3）与人类智能的显著差距

在具身智能的发展中，一个显著的挑战是弥补其与人类智能之间的差距。尽管具身智能在逻辑性、感知力、实时性、主动性和适应性方面取得了显著进步，但与人类大脑、身体和环境之间的动态、螺旋式上升的复杂认知过程相比，仍有很大的差距。特别是在元认知能力方面——即对信息处理过程本身的监控和反思能力——现代AI系统，特别是依赖于智能神经网络的系统，还未能达到这一层次。这种能力对于校验记忆的可靠性和所学内容的有效性至关重要，而智能体在这方面的幻觉和过度自信问题仍然是一个待解决的挑战，限制了它们在复杂情境中的自我成长和决策能力。

此外，要使具身智能达到与生物相当的学习和决策能力，需要在自适应学习和知识迁移方面取得显著进步。在自然界中，生物通过快速学习和自适应能力来应对新挑战和任务。目前的具身智能在灵活性和应变能力方面，尤其是在多变的实际应用环境中，仍处于初级探索阶段。要实现这一目标，具身智能不仅需要具备强大的决策和控制能力，还需对各种任务有深入的理解和精准的规划。

与生物体一样，具身智能也应追求终身学习的能力。当前的AI系统主要依赖于算法和数据驱动的学习方法，但在实时学习和处理大量数据方面存在局限。因此，为了更好地适应复杂环境，具身智能需要突破这些限制，向生物体那样的自然和连续学习模式迈进。

（4）技术成熟度和硬件发展的制约

具身智能的进步需要大量研发投入，包括硬件制造、软件开发和算法设计等多个领域。这些高成本的投入可能会阻碍创业公司或中小企业的参与，从而使市场主要由大型企业主导。同时，具身智能的发展牵涉到多学科领域，如机器视觉、自然语言理解、认知和推理、机器人学、博弈伦理、机器学习等。加强这些学科之间的紧密合作和交流，相互促进和互利共赢将是推动具身智能未来发展的关键。

此外，具身智能必须对外部环境保持敏感和开放，这就要求硬件设备的支持，以便能够与外界进行有效沟通。传感器、芯片、执行器、视觉图像处理、语音传输和仿真模拟等相关硬件的技术创新，将极大地促进具身智能的发展，特别是在高效和节能方面，具身智能硬件的潜力仍待进一步开发。

（5）涌现式创新与突破的缺乏

生物群体能够展现出令人惊叹的集体智慧，主要归功于其中个体之间的协同作用。对具身智能来说，一个重要的挑战是模仿这种分布式智能系统。这意味着需要将智能分散到多个实体中，并通过它们之间的协作，实现更高级别的认知和决策能力。生物群体所展现的自组织和适应性特征，允许它们根据环境的变化和个体之间的差异进行自我调整。具身智能需要发展类似的机制，以实现分工协作和动态任务分配，从而能够更灵活地应对多种情境。

然而，理解和模拟生物群体中的涌现现象，尤其是在计算模型中，仍是一个巨大的挑战。要发展出一个符合生物原理的计算模型，从而使具身智能能够真正实现群体间复杂的交互和创新，显然还有很长的路要走。

（6）伦理与安全的挑战

具身智能在与真实环境进行交互并充分学习时，势必会收集和处理大量数据。这就引出了一个关键问题：如何在实时交互中确保这些数据的安全性和隐私性。保障数据安全和用户隐私是具身智能发展中不可忽视的重要方面。

同时，具身智能在与物理世界互动时，必须确保不会对人类或环境造成伤害。在系统设计的初期，就必须考虑到这类行为约束和安全保障的问题。此外，具身智能在决策时还需要考虑伦理和道德问题。因此，未来的发展不仅需要技术创新，还需要建立更为健全和全面的伦理指南，以指导具身智能在复杂情境中的行为决策，确保其行为符合道德原则和社会价值观。

总结而言，具身智能的发展不仅是技术革新的过程，更是对人类理解、伦理道德和社会影响的深思。毕竟相关研究不仅将推动科技的边界，更将深刻影响人类社会的方方面面。

学科大融通，如何为具身智能带来突破？

面对这些挑战，我们的解决之道不仅在于技术的进步，更在于跨学科合作的智慧。人工智能学家们正在积极地从神经科学、认知科学以及其他相关领域中寻找灵感，以期打破现有技术的限制。通过学习大脑处理信息的方法，并理解人类的认知与交流机制，我们有望开发出更高效、智能且适应性强的AI系统。

（1）感知与决策

具身智能的核心挑战之一是创建能够在复杂、非结构化的环境中有效运作的系统，而这正是人类大脑所擅长的。神经科学，作为研究大脑和神经系统的学科，提供了关于如何处理信息、做出决策和适应环境的深刻启示，这对开发具有类似灵活性和适应性的AI系统至关重要。

在生物体中，感觉运动通路的几乎每个阶段的神经反应都会通过生物物理和突触过程、循环和反馈连接、学习以及许多其他内部和外部变量进行修改。这些过程强调了感知输入与运动输出在认知处理中的紧密联系。为了模拟这一机制，研究者们正在改进机器人的感官输入系统，模拟人类感官与运动的整合机制，并通过分层生成建模和多级规划方法来模仿人类运动控制的复杂时间结构。这项进步已经使得机器人能够自主地完成诸如捡起并搬运物品、开门、踢足球等复杂任务。

人类大脑在学习新技能时会产生特定的奖励信号，促进特定神经回路的形成，并在不确定和动态变化的环境中进行实践，进而做出合理决策。目前的机器学习系统还依赖于预设的数据集和奖励函数，而未能实现类似的自我迭代和超越数据分布的能力。模拟大脑的这种能力有望引导AI学家开发出更为复杂且能自我优化的认知处理算法。

此外，神经科学的发现不仅揭示了生物体如何有目的地与环境互动，还提供了模块化和分层架构方面的指导，帮助人工系统模仿这些能力。这些指导包括如何使系统的低层模块在缺乏高级模块输入时半自主运作，以及如何将运动规划从缓慢过程转换为快速反射系统。这些原理在AI系统中的高级运动规划和精细控制方面已经找到了应用。

新近发展的神经形态工程方法，利用超大规模集成电路，通过特殊排列，模拟人类神经系统的生物学结构与功能。在神经形态感知、动作规划和认知处理策略中，已通过概念应用得到验证。故而，借助神经形态工程用于构建高效、紧凑的智能机器人系统，也将帮助具身智能在充满挑战的现实环境中感知、行动和学习。

（2）社交互动与情绪智能

在具身智能的研究中，社交互动与情绪智能的地位举足轻重。这一部分专注于理解和模拟人类的社会认知过程，例如心智理论，即理解他人的信念、欲望和意图的能力。目前，AI系统通过模仿人类大脑处理社交信息的机制，已能更自然地解读和响应人类的社交行为。这包括分析语音、面部表情和身体语言等社会信号，并利用机器学习模型进行上下文感知学习，使AI能够根据不同的社交环境做出适应性反应。

情感计算的最新研究则集中在如何使AI系统精确地识别和模仿人类的情绪反应上。这一进展可以帮助具身智能更好地理解和适应人类的情感状态，提供更加人性化的交互体验。研究者利用生理信号（如心率和皮肤电反应）和行为数据（例如面部表情和语调）来帮助AI识别情绪状态，同时创建复杂的模型来理解情绪的多样性和动态变化。这一技术已在客户服务、教育和医疗辅助等领域得到了初步应用，展示了其广泛应用的可能。

（3）算法模型

在具身智能的算法模型领域，人工智能研究者们借鉴了大脑处理感官输入和执行复杂认知功能的方式，从而设计出更先进的神经网络模型。以卷积神经网络和递归神经网络为例，这些深度学习算法模仿了人类视觉皮层和时序数据处理的机制，使得它们在处理视觉和语言任务上展现出类似人类的效率和精确度。此外，通过模拟真实神经元的动力学进行信号处理和计算的方式，也为实现基于大脑启发的计算基元和大规模并行的内存计算模拟电路奠定了基础。

深入研究人类感知过程，AI学家能够设计出更有效地处理视觉、听觉和触觉信息的算法。这些算法进一步促进了具身智能系统的发展，使其能够综合处理不同类型的输入，如图像、声音、对话和运动。例如，通过模仿人类视觉处理机制，具身智能系统的物体识别和环境理解能力得到了显著提升。此外，借鉴人类的注意力机制，优化了信息筛选和重点关注区域，显著提高了处理效率和准确性。视觉导航系统的发展，则是模仿了人类大脑的空间定位功能，使得机器人能够在复杂环境中更加精准地导航。

然而，随着深度神经网络在人工智能中的应用日益复杂化，出现了所谓的“黑箱”问题，即难以解释模型具体如何做出决策。这一问题在模型决策对人类福祉产生重大影响时尤为重要。在这方面，认知心理学提供了一种宝贵的视角。研究者正努力将认知心理学的方法和严谨性融入AI研究中，以提高机器学习模型的可解释性、公平性和透明度。例如，可解释人工智能（XAI）领域的兴起，旨在揭示深度学习模型的决策过程，使这些模型变得更加透明和可信赖。

（4）生物与仿生

在具身智能的发展中，生物学和仿生学的研究起到了不可或缺的作用。通过深入探索自然界生物体的结构、功能和行为模式，这些研究为具身智能提供了源源不断的创新灵感。

传统的机器人，无论是刚性还是柔性，大多由工程构件和合成材料制成。然而，最新的研究开始将活细胞、生物组织、微生物甚至整个动物纳入机器人的设计中，开辟了机器人技术与生物学探索的新天地。这些生物混合体系的活体材料展现出生物可降解性、自愈性和天然顺应性，从而提供了自适应驱动和控制的新可能。比如，有研究者正在设计能够响应电脉冲的肌肉细胞薄片，使机器人能协调地执行游泳、行走或抓握等动作。同时，对植物的多样形态因素的研究也正在启发人工智能的新发展，甚至还有纳米级别的微型机器人正在模仿微生物的特征。

在自然界中，不同生物拥有各种独特的感知机制。例如，鸟类的导航能力、海洋生物的声纳定位系统。这些高度专业化的感知系统可以启发AI学家设计更为高效和精确的传感器和感知算法。这种模仿不仅限于生物的外部结构，还包括其内部控制和神经反馈机制，这对于提高具身智能的自主性和自适应性至关重要。然而，尽管如此，目前人工智能的视觉技术在自动化和智能化方面虽有进展，但与自然界中生物眼睛的灵巧和智能相比仍有较大差距。

此外，生物群体如蚂蚁群和蜜蜂群体能够涌现出惊人的集体智慧和协调能力。最近的研究显示，经过大规模数据训练的Transformer模型能够展现出类似于情境学习的能力，这种能力的出现与数据集中任务多样性的关系密切。例如，Evan Hubinger等研究者发现，当任务环境特征包含多样性、多分支，涉及新颖情境或任务实例时，模型更容易表现出元优化行为。这为模拟生物群体的多样性行为提供了重要指导，从而指引在多智能体环境中协同工作的具身智能的发展。

最后，与人工智能系统相比，生物系统如人脑在能量效率方面具有显著优势。生物神经元通过传输动作电位进行交互，展现出高效的能量管理。此外，生物网络即使在组件不可靠或存在噪音的情况下也能有效地进行计算。因此，模仿生物体的能量管理和自我修复机制，可以设计出更高效、更持久的能源系统和自我维护策略，从而延长具身智能设备的使用寿命并降低维护成本。

尽管具身智能的发展在神经科学、认知科学和生物学等多个领域获得了丰富的灵感和知识支持，但目前的理论和技术水平尚未能带来根本性的变革。关键问题在于，无论是传统的机器人技术还是目前流行的神经形态方法，它们的系统设计还远未达到深入借鉴这些原理的程度。

在感知决策方面，我们还未完全理解如何将各种感知和计算组件有效整合，形成一个既连贯又高效的系统，以实现真正有效的感知行为；在社交互动与情绪智能上，尽管我们已能识别情绪，但这与自然地与真人交互存在巨大的鸿沟；算法模型的发展也不仅仅局限于硬件组件的协调，更涉及到算法和数据处理的深层次优化，这不仅是一个技术问题，更是对生物系统复杂交互和整合机制理解的挑战。

具身智能的未来

展望未来，我们正站在一个充满潜力的新时代门槛上。虽然完全成熟的具身智能仍在远方，但它已在工业机器人、智能座舱、聊天机器人等领域已展现出其重塑传统产业和改变工作方式的潜能。特别是在进入生成式人工智能时代之后，大语言模型如GPT为具身智能赋予了新的“大脑”，结合视觉语言模型（VLM）和视觉导航模型（VNM），推动着机器人在不确定环境中的应变能力，从而为应用端开拓了前所未有的可能性。

或许随着大语言模型与具身智能的深度融合，我们可以预见一个充满活力的虚拟世界。在这个世界里，具身智能体不仅能自主决策和行动，而且将通过感官与环境互动，探索世界。可以想见，这些智能体将配备多种感知功能和多功能模块，如视觉处理、语言理解和记忆管理，它们通过全局工作空间机制灵活组合，实现与人类的有效沟通与协作。在某些情况下，这些智能体甚至能让人类难以区分虚拟与现实。更重要的是，这些智能体能够在虚拟世界中留下独特的印记，通过共识主动性机制直接互动，与人类合作解决复杂问题，超越单一智能体的能力范围。

虚拟世界，与现实世界形成鲜明对比，提供了一个更为精密和可控的环境，使得智能体能够进行更加大胆和创新的行为。这不仅仅是对人类智能的延伸，更是一个通用人工智能诞生和发展的舞台，为超越人类智能水平的AI提供了理想的试验场和成长空间。或许，这也是各大科技公司对具身智能与虚拟世界寄予厚望的深层次原因。

这预示着一个更加智能、更加互联的未来。

参考文献：

1.       “具身智能 | CCF专家谈术语”，作者：卢策吾、王鹤；https://www.ccf.org.cn/Media_list/gzwyh/jsjsysdwyh/2023-07-22/794317.shtml

2.       “稚晖君独家撰文：具身智能即将为通用机器人补全最后一块拼图”，作者：稚晖君、甲子光年；https://www.thepaper.cn/newsDetail_forward_24392857

3.       “李飞飞团队发布“具身智能”成果：机器人接入大模型直接听懂人话“，作者：福布斯中国，https://new.qq.com/rain/a/20230711A03ZV000

4.       “何为‘具身智能’？”作者：吴易明、梁晶；https://mp.weixin.qq.com/s/5alsxh4Vw15j_YrGMGfelQ

5.       “为什么说具身智能是通往AGI值得探索的方向？上海交大教授卢策吾深度解读”，作者：卢策吾、机器之心；https://mp.weixin.qq.com/s/MM_VLWmrrxev1zWuLKZZUQ

6.       “《综述：全新大语言模型驱动的Agent》——4.5万字详细解读复旦NLP和米哈游最新Agent Survey”，作者：兽族机枪兵；https://zhuanlan.zhihu.com/p/656676717；

7.       “The Rise and Potential of Large Language Model Based Agents: A Survey”，作者：Fudan NLP Group、miHoYo Inc；https://arxiv.org/pdf/2309.07864v1.pdf；

8.       “【渔夫关注】AI下一站——具身智能 正在走向现实”，作者：愚渔娱鱼；https://xueqiu.com/6253558369/250659786；

9.       “具身智能综述和应用（Embodied AI）”，作者：上杉翔二；https://blog.csdn.net/qq_39388410/article/details/128264098；

10.    “A Survey of Embodied AI: From Simulators to Research Tasks”，作者：Jiafei Duan, Samson Yu, Hui Li Tan, Hongyuan Zhu, Cheston Tan；https://arxiv.org/abs/2103.04918

11.    “LLM-Planner: Few-Shot Grounded Planning for Embodied Agents with Large Language Models”，作者：Chan Hee Song, Jiaman Wu, Clayton Washington, Brian M. Sadler, Wei-Lun Chao, Yu Su；https://arxiv.org/abs/2212.04088

12.    “QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation”，作者：Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine；https://arxiv.org/abs/1806.10293

13.    “Review of Deep Reinforcement Learning for Robot Manipulation”，作者：Hai Nguyen; Hung La等；https://ieeexplore.ieee.org/document/8675643

14.    “PaLM-E: An Embodied Multimodal Language Model”，作者：Danny Driess, Fei Xia, Mehdi S. M. Sajjadi, Corey Lynch, Aakanksha Chowdhery, Brian Ichter, Ayzaan Wahid, Jonathan Tompson, Quan Vuong, Tianhe Yu, Wenlong Huang, Yevgen Chebotar, Pierre Sermanet, Daniel Duckworth, Sergey Levine, Vincent Vanhoucke, Karol Hausman, Marc Toussaint, Klaus Greff, Andy Zeng, Igor Mordatch, Pete Florence；https://arxiv.org/abs/2303.03378

15.    “Embodied Artificial Intelligence: Trends and Challenges”，作者：Rolf Pfeifer, Fumiya Iida；https://www.semanticscholar.org/paper/Embodied-Artificial-Intelligence%3A-Trends-and-Pfeifer-Iida/4e3e2bbc38bbe239423c755d7682e647e8989358

16.    “Embodied intelligence via learning and evolution”，作者：Agrim Gupta, Silvio Savarese, Surya Ganguli & Li Fei-Fei；https://www.nature.com/articles/s41467-021-25874-z

17.    “Systems Challenges for Trustworthy Embodied Systems”，作者：Harald Rueß；https://arxiv.org/abs/2201.03413

18.    “Embodied neuromorphic intelligence”，作者：Chiara Bartolozzi, Giacomo Indiveri & Elisa Donati；https://www.nature.com/articles/s41467-022-28487-2

19.    “From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence”，作者：Nicholas Roy, Ingmar Posner, Tim Barfoot, Philippe Beaudoin, Yoshua Bengio, Jeannette Bohg, Oliver Brock, Isabelle Depatie, Dieter Fox, Dan Koditschek, Tomas Lozano-Perez, Vikash Mansinghka, Christopher Pal, Blake Richards, Dorsa Sadigh, Stefan Schaal, Gaurav Sukhatme, Denis Therien, Marc Toussaint, Michiel Van de Panne；https://arxiv.org/abs/2110.15245

20.    “Embodied Intelligence in Physical, Social and Technological Environments”，作者：Ilona Straub，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012024/meta

21.    “Embodied Artificial Intelligence: Enabling the Next Intelligence Revolution”，作者：Josie Hughes1, Arsen Abdulali, Ryman Hashem and Fumiya Iida，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012001

22.    “A concise guide to modelling the physics of embodied intelligence in soft robotics”，作者：Gianmarco Mengaldo, Federico Renda, Steven L Brunton, Moritz Bächer, Marcello Calisti, Christian Duriez, Gregory S Chirikjian, Cecilia Laschi；https://www.nature.com/articles/s42254-022-00481-z

23.    “Catalyzing next-generation Artificial Intelligence through NeuroAI”，作者：Anthony Zador, Sean Escola, Blake Richards, Bence Ölveczky, Yoshua Bengio, Kwabena Boahen等；https://www.nature.com/articles/s41467-023-37180-x

24.    “Embodied intelligence weaves a better future”，作者：Dongdong Jin & Li Zhang；https://www.nature.com/articles/s42256-020-00250-6

25.     “Embodied Intelligence: Driving the digital transformation 2.0”，作者：Volkmar Doericht，Markus Duchon, Cornel Klein & Ioana Olaru；https://www.researchgate.net/publication/371418945_Embodied_Intelligence_Driving_the_digital_transformation_20

26.    “Human-in-the-loop Embodied Intelligence with Interactive Simulation Environment for Surgical Robot Learning”，作者：Yonghao Long, Wang Wei, Tao Huang, Yuehao Wang, Qi Dou；https://arxiv.org/abs/2301.00452

27.    “A Survey of Embodied AI: From Simulators to Research Tasks”，作者：Jiafei Duan, Samson Yu, Hui Li Tan, Hongyuan Zhu, Cheston Tan；https://arxiv.org/abs/2103.04918

28.    “Swarm Intelligence and Cyber-Physical Systems: Concepts, Challenges and Future Trends”，作者：Melanie Schranz, Gianni A. Di Caro, Thomas Schmickl，Wilfried Elmenreich等；https://www.sciencedirect.com/science/article/abs/pii/S2210650220304156

29.    “Embodied Intelligence & Morphological Computation in Soft Robotics Community: Collaborations, Coordination, and Perspective”，作者：S.M. Hadi Sadati, Marwa ElDiwiny, Surya Nurzaman, Fumiya Iida and Thrishantha Nanayakkara，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012005

30.    “Embodied AI beyond Embodied Cognition and Enactivism”，作者：Riccardo Manzotti，https://www.researchgate.net/publication/334515423_Embodied_AI_beyond_Embodied_Cognition_and_Enactivism

31.    “Artificial Pain May Induce Empathy, Morality, and Ethics in the Conscious Mind of Robots”，作者：Minoru Asada，https://www.semanticscholar.org/paper/Artificial-Pain-May-Induce-Empathy%2C-Morality%2C-and-Asada/8d7af638f1ee26744c0a52e054692b9e5840eed5

32.    “Interaction Histories and Short-Term Memory: Enactive Development of Turn-Taking Behaviours in a Childlike Humanoid Robot”，作者：Frank Broz，Chrystopher L. Nehaniv，Hatice Kose & Kerstin Dautenhahn；https://arxiv.org/abs/1202.5600

33.    “Nonconscious Cognitive Suffering: Considering Suffering Risks of Embodied Artificial Intelligence”，作者：Steven Umbrello & Stefan Lorenz Sorgner；https://www.sciencegate.app/document/10.3390/philosophies4020024

34.    “Rilkean Memories and the Self of a Robot”，作者：Antonio Chella；https://www.researchgate.net/publication/332654686_Rilkean_Memories_and_the_Self_of_a_Robot

35.    “Embodiment: The Ecology of Mind”，作者：Paul Dumouchel；https://www.mdpi.com/2409-9287/4/2/12

36.    “Enactivism and Robotic Language Acquisition: A Report from the Frontier”，作者：Frank Förster，https://www.researchgate.net/publication/331619829_Enactivism_and_Robotic_Language_Acquisition_A_Report_from_the_Frontier

37.    “The Problem of Meaning in AI and Robotics: Still with Us after All These Years”，作者：Tom Froese & Shigeru Taguchi，https://philpapers.org/rec/FROTPO-14

38.    “Embodied Intelligence in soft robotics: joys and sorrows”，作者：Cecilia Laschi；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012002/meta

39.    “Embodied Intelligence in Plants”，作者：Barbara Mazzolai, Emanuela Del Dottore, Francesca Tramacere, Alessio Mondini and Laura Margheri；https://www.researchgate.net/publication/364570349_Embodied_Intelligence_in_Plants

40.    “From bioinspired to biological robots, and back again”，作者：Josh Bongard；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012004

41.    “Bio-Inspired Robots Imitating Human Organs with Embodied Intelligence Behaviour”，作者：Ryman Hashem, Weiliang Xu and Fumiya Iida；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012007

42.    “Leveraging Embodied Intelligence for Dexterous Robotic Manipulators Through Iterative Co-design”，作者：Kai Junge and Josie Hughes，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012009/meta

43.    “Morphological Computation and Control Complexity”，作者：Thomas George Thuruthel, Fumiya Iida，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012011/pdf

44.    “Mechanical Sensing in Embodied Agents”，作者：Matteo Lo Preti, Thomas George Thuruthel, Kieran Gilday，Lucia Beccai1, Fumiya Iida；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012013

45.    “Robot swarms as embodied extensions of humans”，作者：Jonas D Rockbach, Maren Bennewitz；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012015/pdf

46.    “Embodiment in Dialogue: Daily Dialogue Android Based on Multimodal Information”，作者：Takahisa Uchida, Takashi Minato and Hiroshi Ishiguro，https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012016

47.    “Benefits and Challenges of Morphological Adaptation in Real-world Robots”，作者：Tønnes F. Nygaard and Kyrre Glette；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012017

48.    “Taking Shape: A Perspective on the Future of Embodied Cognition and a new Generation of Evolutionary Robotics”，作者：David Howard, Jack Collins and Nicole Robinson；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012018

49.    “Meta-brain Models: biologically-inspired cognitive agents”，作者：B Alicea and J Parent；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012019

50.    “Embodiment and metaphorising in the learning of mathematics”，作者：Jorge Soto-Andrade, Daniela Díaz-Rojas, Amaranta Valdés-Zorrilla；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012021/pdf

“What Could Models of Superorganismal Cognition Offer to Embodied AI?”，作者：Edmund R. Hunt；https://iopscience.iop.org/article/10.1088/1757-899X/1261/1/012023