电话+V：159999-78052，欢迎咨询内在动机认知计算模型在具身智能，[物联网技术分享]，[物联网场景应用]，[物联网产品推广]，[物联网流量搜索]，[物联网产品创新]，[物联网广告价值]，[助力创造美好生活]
1.建立在“认知即计算”这一命题的基础上，“脑是智能载体”的观点被广泛接受，“大脑控制身体”被认为是常识。
2.但是，“智能的具身化”思想挑战这一传统命题，强调认知和智力活动不仅仅是大脑孤立的计算，而是大脑、身体和环境的相互作用。
3.本文基于RolfPfeifer和JoshBongard的著作《HowtheBodyShapestheWayWeThink》进行摘录和点评。本书在Google学术上的引用为1400次，翻译版《身体的智能》在国内也并不出名（老实说译文水平一般）。
4.但是，在浏览全书和检视阅读过程中，笔者发现本书主旨鲜明，对“智能的具身化”思想进行了清晰的阐述，并基于此思想构建了基于“智能的理论”框架。全书结构脉络清晰，四部分分别给出了具身化思想，理论架构，应用和原理启示，丰富了构建机器智能的一种新视角。
5.因此，笔者拟根据原书的四部分，构建具有逻辑关联的问题集合，采用QA的方式，凝练本书的主要内容，并横向比较复杂系统、机器学习、多智能体等领域的研究进展进行评述。
6.--作者认为：这三个词都是非常一般化的词汇。思考与意识相关，认知用于与“感觉-行动”非直接相关的行为，而智能最一般化，具有极其的广度。
7.--作者认为：尽管许多学者试图给出智能的准确定义，例如“智能是学习到的或者学习以调整自己适应环境的能力”，又如“智能是接受知识的能力以及所拥有的知识”等等。但是作者认为给出智能的准确定义是困难而且没必要，应该关注寻找感兴趣的问题来推进研究。
8.--笔者点评：笔者同意智能的准确定义是困难，但是并非没有必要。例如，马文明斯基的《情感机器》就试图在通过解构智能的多元性和层次性来准确地定义和诠释智能，尽管马文明斯基的思路还是“认知主义范式”。
9.--简要回答：智能总是需要一个身体，智能只有归于具身化的智能体（agent）。
10.--1980年代中期，RodneyBrooks提出AI一直以来的研究（古典主义）过于关注大脑，侧重逻辑、解决问题和推理，这些都是基于对人类智能的反思，试图了解内心过程。但是Rodney认为这是误导，本质含改凳上AI研究应该基于人类智能与真实世界交互机制，因此“智能需要一个身体”。Rodney强调“忘记复杂内部表达和世界模型，不侧重复杂的推理，而是应该强调系统-环境的交互作用”。
11.--作者认为：目前具身型AI即现代方法和实质方向，即取代了古典方谈旅法，因此本书后面都不再提“具身性AI”。
12.--笔者点评：Rodney将AI的研究分为两个大方向，前者为“认知型AI”，后者为“具身型AI”，一个主内一个主外，如下图所示。但这并不意味着两者是互不包容的，而应当协调发展，争取打通内部认知和外部交互的通路。
13.--现在火热的统计学习可归类于认知型AI，但是在很多方面超越了符号系统，而且通过与强化学习的结合，能够通过“身体”与外部世界交互。
14.--基于深度学习和（深度）强化学习构建了非常高性能的“内部表达和世界模型”（下围棋、打dota等），如果能够突破“可解释性”问题，那么就可能与符号系统相连接，增强逻辑和推理能力。
15.--目前，已经有不少令人欣喜的成果在朝这个方向努力，例如InterpretableConvolutionalNeuralNetworks和RelationalDeepReinforcementLearning等等。
具身智能指通过创建软硬件结合的智能体。
具身智能是指一种智能系统或机器能够通过感知和交互与环境进行实时互动的能力。具身智能系统通常具备感知、认知、决策和行动的能力，能够通过感知器和执行器与环境进行交互，并根据环境的变化做出相应的决策和行动。与传统的人工智能不同，具身智能强调了身体感知、运动和与环境互动的重要性。
具身智能可以被应用于机器人领域，使机器人能够理解、推理并与物理世界互动。这种智能类型的实现包含了人工智能领域内许多技术，例如计算机视觉、自然语言处理、机器人学等。
具身智能意义
1、提高机器人性能：具身智能可以使机器人具有更高的自主性和适应性，从而在复杂的环境中执行任务。通过身体感知、运动和与环境互动，机器人能够更好地理解所处环境，并进行相应的决策和调整。
2、促进人工智能发展：具身智能为人工智能领域提供了新的研究方法和思路。传统的人工智能主要关注基于符号和算法的符号推理和计算，而具身智能强调了身体感知、运动和与环境互动的重要性。这有助于推动人工智能领域的技术发展和创新。
3、拓宽应用场景：具身智能可以使得机器人更好地适应各种应用场景，提高其作业效率和性能。例如，在工业生产、物流、医疗、服务等领域，具身智能机器人可以更好地与人类协作，提高生产力和安全性。
以上内容参考百度百科-具身智能
作者：顾小清（华东师范大学教授、教育部教育信息化专家组成员）
作为数字化转型以及推进智慧教育的技术关键，教育数据技术及其应用创新是核心。智慧教育所追求的大规模因材施教，最关键的技术核心在于数据智能，以及伴随数据智能技术的机制、教者的跟进。当前的智慧教育实践中，数据智能驱动教育生态重塑的前景已经浮现。前路依然曲折。
如何理解数据智能
通俗地理解，数据智能是从大数据中“提炼”出来的价值。同样地，教育数据智能是海量教育数据模型、深度学习算法、高度计算力等智能化技术与算法的融合体。业内也开始用“智能教育大脑”来隐喻之，是一个能够实现数据融合、关系挖掘、问题诊断、决策优化等教育赋能的智能应用。
遵循“数据处理→模型训练→测试评估→服务应用”的技术路线，数据智能的实现基础是对基础数据集的深度追踪、结构化组织与动态监测。这个过程中，其技术核心是教育数据中台和智能分析引擎。
教育数据中台（教育数据汇聚中心）致力于实现教育数据规范统一、互通融合、开放共享目标。具体包括底层数据环境、教育数据中台、数据治理机制和安全管理机制等。其中，底层数据环境通过互联网、5G、云平台、传感器等基础工具完成数据的持续采集。数据中台通过对多源异构数据的清洗、关联、流通、融合等，实现教育服务的精细化治理。数据治理和安全管理机制强调数据流通的合理性和科学性，以及把控数据治理过程的透明化和安全化。
智能分析引擎通过教育数据的关系挖掘，构建智能教育大脑的数据分析系统，为学生个性化自主学习、教师精准化教学提供价值提升支持，以满足适合多种教育场景的个性化教学形态与活动的展开，呈现学校管理“一校一档”、教师发展“一师一档”、学生成长“一生一档”的监测目标。
数据智能如何重塑教育核心业务
教育部推进的“智慧教育示范区”建设，教育理念上，体现的是以人的发展为核心；智能技术上，则体现为学习空间的无缝连通、学习情境的敏捷感知、学习资源的开放整合、学习过程的全程可记录、学习体验的自然交互以及学习服务的精准适配等。
以数据智能驱动学、教、管、评等核心业务的结构重塑，是推进智慧教育的实践路径。
第一，给教师的“化验单”。超越步调一致的集体教学，照顾到每一个学生的学习状态和学习需求，推动因材施教目标的实现，这是数据技术重塑教学场景的价值意蕴。利用数据技术实时捕获和挖掘教学进程中的海量数据，经由行为序列挖掘精准预判学生的过程性习惯，探寻学习发生的作用机制和关键诱因，并在多轮迭代中不断调整教学设计，从而促进学生素养的普遍提升。同时，数据技术通过对学生知识掌握、学习习惯、学习态度和学习策略等多维视角下的综合研判，能够更加精准地诊断学习中存在的问题，以便更为精准地施加干预。
数据智能重塑教学结构的应用场景，最为突出的是线上线下融合的教学结构重塑。智能技术为教师提供学生在认知、行为、知识掌握及情感动机等各维度的表现，基于细致的学情研判，教师能够对教学活动的组织实施相应的设计，比如教学活动差异化开展、前置组织、项目化设计等。
第二，给学生的个性化处方。了解你、成就你、发现你是数据技术重塑学习场景的重要体现。学习者画像，从学生如何学习（即记忆与知识的结构、问题解决与推理分析、元认知过程与自我调节能力），以及学生学习成长（主动获取知识和技能过程中发生的情感、认知、行为变化）等维度，刻画学习者典型特质和学习成长个性特征，在此基础上的精细化和智能化学习诊断，成为给学生的个性化学习“处方”。同时，也是对学生的能力预判，帮助学生更好地认识自我、发展自我、规划自我以及建构自我。
不难发现，数据技术支撑下的学习场景呈现如下典型特征：一是以学生为中心，学生作为学习进程的主体，借助智慧学伴、智能批改等技术支持，能够自主控制教育活动序列。二是自主选择，即学生依据兴趣偏好和发展需求等，选择适应的学习材料。三是灵活服务，依托智能技术支持，延伸了传统教室环境下的数字资源和精准服务，激发了学生持续探究的热情和内在动机。
第三，给评价的增值提升。采用数据驱动的方法，利用监测学生学习成长的数据画像实施评价，能够突破评价方式、评价目的及评价维度等方面的局限。2020年10月，中共中央、国务院印发的《深化新时代教育评价改革总体方案》明确指出，坚持科学有效，改进结果评价，强化过程评价，探索增值评价，健全综合评价……
学生成长数据画像，回应了评价改革的综合性、全程性和增值性要求。首先，以学习者核心素养发展为切入点，综合学习者成长过程中认知发展、非认知状态、社会情感发展等因素，对学习者成长发展进行综合监测。其次，通过多模态数据收集，全面映射学生学习成长全过程；以数据驱动的方式，建立学习者动态画像；再次，基于学习者动态画像对学生学习成长进行监测，为相关者提供问题甄别、学习诊断、决策支持等增值性评价。
数据智能驱动的评价实现了评价场景的全周期监管，通过对多元数据的解码，为诊断需求、缩小学习差距以及精准化干预提供证据，实现了评价的科学化与增值性的平衡。
实现教育数据智能的挑战
数据驱动决策，分析变革教育。如何充分发挥数据技术的增能、增效、改进、变革等功效，既是重要考量又是艰巨挑战。
一是数据治理方面的挑战。教育的复杂性导致教育数据的多源异构形态更为明显，数据的采集、汇聚与互通方式更具挑战，数据应用的需求更为多元。数据技术涉及教育大数据应用服务、平台、系统等产品，涉及标准与规范的研制，涉及针对教育业务的数据建模和智慧教育应用。教育数据技术亟须协同多方力量攻关突破。
二是教师素养方面的挑战。数据智能驱动的教学创新需要教师具备基本的数据素养，然而这项能力教师普遍较为欠缺。此外，数据智能驱动的教学创新，需要教师重新定位教者角色，需要重塑教学结构，也即弱化“教书匠”的角色，发展和凸显“设计者”“分析者”“促进者”的角色。
三是学校机制方面的挑战。智能技术驱动的教学业务的结构重塑是一种数字化转型，对教、学、管、评来说都是一种机制的变革，学校如何借助数字化转型的力量，系统地设计整个学校的教学系统、管理系统、评价系统等，这对于学校而言并非易事。
来源：中国教育报
电话+V： 159999-78052
专注于为物联网运营推广及产品打包交易配套流程服务方案。为企业及个人客户提供高性价比的共享解决方案，致力于首个物联网行业的平台搭建与合作
