物理人工智能（PAI）是人工智能與機器學習（ML）算法的一種應用，旨在讓自主系統與物理世界進行交互。

機器學習（ML）是一種內部軟件技術，使系統能夠從數據中學習；而PAI則是指該智能在外部物理世界的落地實現。

傳統的機器控制（自動化）遵循固定的、預編程的規則（如 if-then-else 語句），用于執行可預測、重復性的任務。

機器學習軟件是人工智能的一個分支，用于分析數據、識別模式并做出預測或決策，無需傳統自動化所使用的固定、顯式編程。

機器學習是 數字人工智能（DAI）的子集，完全運行在虛擬空間中。

與之相對，物理人工智能軟件（也稱具身智能）設計用于在物理世界中運行并與之交互，利用傳感器和硬件實時控制機器人、自動駕駛車輛或其他智能設備。

機器學習與物理人工智能并非互斥。

例如，自動駕駛汽車使用機器學習在三維環境的虛擬表示中識別目標及其相對位置，但驅動和控制車輛的整個系統則是物理人工智能的應用（圖 1）。

圖 1. PAI 和 ML 都是 AI 的子集。PAI 涉及與物理環境的交互，而 ML 運行在虛擬環境中。（圖片來源：牛津大學出版社）

機器學習如何融入 PAI 系統？

PAI 系統的關鍵組成包括：

• 用于環境感知的傳感器

• 基于機器學習的 AI 決策模型

• 自適應控制系統

• 用于在不可預測環境中執行實時物理動作的執行器

傳感器與機器學習實現模式識別與分類、同步定位與地圖構建（SLAM）等功能。

機器學習根據應用需求，解析并融合來自相機、激光雷達、加速度計、陀螺儀、GPS、被動紅外設備等多種傳感器的數據。

用于傳感器融合的 AI 工具包括卡爾曼濾波（及同類濾波器）、粒子濾波器和各類神經網絡。

這些技術通過在數據層、特征層、決策層進行數據的綜合、濾波與分析，提升自動駕駛、機器人與工業自動化的精度。

傳感器融合發生在傳感器數據采集后的處理環節。

機器學習位于其后的決策環節，用于優化未來決策，并改進傳感器融合與處理算法的運行。

一旦決策確定，執行環節通過功率控制器與驅動器驅動機械臂運動、控制自動駕駛車輛轉向，并實現其他功能（圖 2）。

圖 2. 通用 PAI 系統框圖。（圖片來源：appinventiv）

機器學習的類型

機器學習為 PAI 系統帶來顯著優勢。

針對不同應用有多種學習方式，最優方案取決于任務需求、可用數據與計算資源（圖 3）：

圖 3. 可用于 PAI 系統的機器學習實現方式。（圖片來源：MDPI 應用科學期刊）

• 監督學習：使用帶標簽數據集，將每個數據點與目標 / 標簽關聯，訓練模型以預測新數據的標簽或目標變量。典型應用：圖像分類、語音識別、自然語言處理。

• 無監督學習：使用無標簽數據集，無預設目標變量，用于識別模式與結構。典型應用：異常檢測、聚類、降維。

• 強化學習：通過對正確 / 錯誤結果分別給予獎勵與懲罰來調整系統行為。應用范圍從游戲到機器人、自動駕駛。

• 遷移學習：將一個任務中獲得的知識用于提升相關任務的性能，可減少訓練數據量，提高模型精度與效率。

• 深度學習：使用神經網絡分析海量數據與復雜關系，特別適用于圖像 / 語音識別、自然語言處理、計算機視覺。

• 集成學習：訓練多個機器學習模型并將其組合，以獲得更準確、更可靠的預測結果。

總結

機器學習與物理人工智能是互補技術。根據應用需求，可采用多種機器學習實現方式。機器學習支持整個 PAI 系統的持續優化。PAI 系統中的執行環節使用控制器與功率驅動器，實現機械臂運動、自動駕駛車輛轉向及其他功能。