机器人形态包括感知、运动学、动力学、几何、驱动和控制等，使得智能体能够在物理世界中交互。不同机器人在这些属性上存在显著差异，并且随时间会发生变化。我们认为，通用的具身智能必须能够在这些差异之间累积学习经验。当前的做法往往通过人工设计对应关系来弥合形态差异，虽然能带来短期效果，但其假设限制了长期的迁移能力。更通用的方案应当发现能够支撑更广泛形态迁移的表征，随着经验的增长逐步扩展适用范围。我们提出将形态多样性作为扩展的关键维度，并将广义的学习先验视为互补因素。与此同时，需要设计评估方法来更准确地度量形态鸿沟和迁移性能。跨形态学习不仅解决了从异构机器人经验中学习的工程难题，也呼应了自然界的科学探索——智能体随其形态共同进化，以获得对行为和物理形态的更大自主性。
点评