从AlphaGo到机器人管家：为什么智能需要身体？
第 1 章：从 AlphaGo 到机器人管家：为什么智能需要身体？
> 核心问题 / Core Question：如果 AI 已经在棋盘和文字上击败人类，为什么它还不能像我们一样端起一杯水？ > > 章节定位 / Chapter Role：本书的入口。我们将穿越半个世纪的智能研究史，回答一个看似简单却深刻的问题——身体（body）究竟是不是智能的必要条件。
---
1.1 一个让所有人沉默的问题：AlphaGo 为什么端不起一杯水？
2016 年 3 月，DeepMind 的 AlphaGo 以 4:1 的比分击败了世界冠军李世石（Lee Sedol）。那一刻，全世界的目光都聚焦在首尔四季酒店的赛场上。AlphaGo 的棋路被《自然》（*Nature*）杂志形容为"既像人类，又不像人类"——它下出了人类千年棋史中从未出现过的"肩冲"（shoulder hit），也被批评犯下了业余棋手都不会的低级失误。但在所有这些讨论之外，有一个反直觉的事实几乎被忽略：AlphaGo 不会下棋之外任何一件事。**
它无法识别一枚棋子是什么材料做的；它无法拿起一枚棋子；它不知道棋子掉在桌上会发出什么声音；它不知道对手坐在对面时，自己的"目光"应该落在哪里；它不知道自己是冷是热、是否有电。它是一个完美的"棋盘幽灵"（board ghost）——拥有全部下棋知识，却对棋盘之外的世界一无所知。
The Core Puzzle / 核心困惑：当 2022 年 ChatGPT 写出能令教授惊叹的论文，当 2024 年 Sora 生成几可乱真的视频，当自动驾驶系统在加州高速公路上行驶数百万公里不出事故——这些"纯软件"AI 的能力越来越像人类，可一旦我们把它放到一台实体机器人身上，让它去完成"端一杯水"这种三岁小孩都能做的事，它却会失败得令人尴尬。
为什么？
为什么"下棋"和"端水"之间，存在着一条 AI 难以逾越的鸿沟？
这就是本书的第一章要回答的问题。而我们的答案是：因为端水需要一个身体。
更准确地说，端水需要一套在物理世界中持续运行、与环境双向交互的感知-决策-行动循环（perception-decision-action loop），而这套循环的核心是世界模型（world model）与具身执行（embodied action）的紧密结合。
在这一章里，我们会沿着三条线索展开：
1. 思想史线索——从符号主义 AI 到行为机器人，科学家们如何一步步发现"身体是认知的一部分"。 2. 物理学线索——为什么物理世界的不确定性、连续性和时间约束，让纯软件 AI 几乎必然失败。 3. 工程线索——我们要亲手写一个 Python 程序，让一辆虚拟小车在网格世界中学会避开障碍物，亲身体验"感知-决策-行动"循环是什么感觉。
让我们先从一个具体的失败场景开始。
---
1.2 一个具体的失败：让机械臂端一杯水
让我们想象一个简单的场景。桌子上有一杯水，要求一台机器人把它端起来，放到 50 厘米外的另一个位置。
对人类来说，这个动作大约需要 1.5 秒，包含：定位水杯、判断重量、规划抓取点、张开手指、缓慢合拢、提起、保持平衡、移动、放下、松手。一气呵成，几乎不需要思考。
对今天的顶级机器人（如 Boston Dynamics 的 Spot、Google DeepMind 的 RT-2、Figure 01）来说，这仍然是一个挑战。下面是它通常会遇到的问题清单：
| 序号 | 问题 | 物理世界特性 | 纯软件 AI 的盲区 | |------|------|------------|----------------| | 1 | 杯子是透明玻璃，光线会穿透 | 透明物体的视觉感知 | 模型从未在训练数据中见过这种视觉模式 | | 2 | 水面会晃动，质心在变化 | 连续动态系统 | 仿真器无法精确建模液体 | | 3 | 桌面上有反光，杯子的轮廓被打乱 | 视觉歧义 | 单帧图像的二义性 | | 4 | 手指的抓取力不能太大也不能太小 | 接触力学 | 真实触觉反馈的稀缺 | | 5 | 手臂关节有 6 个自由度，路径规划有无穷种 | 高维连续空间 | 暴力搜索代价过高 | | 6 | 杯子可能比视觉估计更重或更轻 | 模型不确定性 | 没有"身体图式"（body schema） | | 7 | 人类可能会撞到机器人手臂 | 动态环境 | 静态假设失败 | | 8 | 电池可能只剩 30%，动作必须省电 | 资源约束 | 软件不在乎功率 |
这 8 个问题，没有一个是"算法不够聪明"导致的。它们都是物理世界本身强加给智能体的约束。AlphaGo 在面对李世石时，这些约束一项都不存在——棋盘是 19×19 的离散网格，棋子是黑白两色，落子不会引起连锁反应，时间限制以小时计。在那个抽象世界里，智能可以是"纯粹的思维"。
可一旦智能体要"进入"物理世界，它就必须服从物理定律。
这就是为什么我们需要引入一个核心概念——具身假设（Embodiment Hypothesis）。
---
1.3 具身假设：认知科学的奠基性洞察
1.3.1 什么是具身假设？
具身假设（Embodiment Hypothesis） 是认知科学中的一个核心命题：智能不能脱离身体而独立存在；认知过程是大脑、身体和环境三者持续交互的产物。
这个假设听起来像是废话——我们当然知道人类有身体。但是它在 20 世纪 90 年代提出时，却是对主流 AI 和认知科学的巨大挑战。因为在那之前的几十年里，主流观点是：认知 = 大脑中的符号计算，身体只是执行命令的"终端"。
具身假设则反过来：身体不只是执行命令，恰恰相反，身体是认知的构成部分。
举个例子。当你理解"我抓起一把椅子"这句话时，你的大脑并不是在做抽象的符号推理——你实际上是在调用你手臂肌肉的运动记忆，在脑海里"模拟"了椅子被提起时的触感。如果你从来没有抓过椅子（比如一个先天性失去双臂的人），那么你对"抓"这个动词的理解会和普通人不一样。
认知科学家 Alva Noë 在他 2004 年的著作 *Action in Perception*（中文译本《行动中的感知》）中提出：感知本质上是一种"行动能力"。我们之所以能看见一个物体的三维形状，不是因为眼睛接收到了足够的光子，而是因为我们的大脑把它"当成"一个可以被触摸、转动、走动的对象。换句话说，视觉是"被身体介入的视觉"。
更早的时候，神经科学家 Francisco Varela、Evan Thompson 和 Eleanor Rosch 在 1991 年出版了经典著作 *The Embodied Mind*，提出"具身认知"（Embodied Cognition）的三条原则：
1. 认知是具身的（Cognition is embodied）：它依赖身体的物理特征。 2. 认知是情境的（Cognition is situated）：它发生在真实环境中。 3. 认知是动力系统的（Cognition is dynamical）：它是身体、大脑和环境之间持续交互的涌现。
1.3.2 经典实验：颜色的语言学效应
具身认知最著名的实验之一是关于颜色的。
2007 年，心理学家 Lera Boroditsky 和她的团队发现：俄语母语者在区分浅蓝（goluboy）和深蓝（siniy）时，比英语母语者更快——因为俄语中这两种颜色是不同的词。这意味着语言标签（一个认知层面的概念）影响了我们对物理世界的感知（一个具身层面的过程）。
但这里有一个微妙的细节：这种影响只有当受试者处于真实空间、需要快速反应时才显著。如果在电脑屏幕前看静态图片，影响会小得多。这说明：身体和环境的实时交互放大了认知效应。
1.3.3 为什么具身假设对 AI 至关重要？
如果具身假设成立，那么一个无法感知、无法动作、无法与环境双向交互的纯软件系统，从定义上就不可能拥有完整的人类智能。
这不是因为软件"算力不足"，而是因为它缺少一个必要的存在论维度——身体。
让我们用代码思维来表达：
``` 智能 = f(大脑, 身体, 环境) ```
传统的纯软件 AI 假设：
``` 智能 = f(大脑) ```
这是降维（dimensionality reduction）。它把原本三维的问题强行压成一维。当任务本身就发生在抽象世界（如下棋、文字生成）时，这个降维是有效的；但当任务发生在物理世界时，这个降维会让信息大量丢失。
The Embodied Hypothesis in One Line / 一句话概括具身假设： > 没有身体的"智能"，就像没有眼睛的"视觉"、没有耳朵的"听觉"——名字可以一样，本质完全不同。
接下来，我们从科学回到历史，看看这个思想是如何在 AI 研究中演化出来的。
---
1.4 思想史：从符号主义到行为机器人的范式转变
1.4.1 符号主义 AI 的黄金时代（1956—1985）
Symbolic AI（符号主义 AI，又称 GOFAI，Good Old-Fashioned AI）的核心信念可以用一句口号概括：智能 = 符号 + 逻辑。
1956 年达特茅斯会议（Dartmouth Conference）上，John McCarthy、Marvin Minsky、Allen Newell 和 Herbert Simon 共同开创了这个范式。他们相信：只要给计算机一套足够大的知识库（knowledge base）和一套足够强的推理引擎（reasoning engine），计算机就能像人类一样思考。
1965 年的 Shakey 机器人是这种思想的典型代表。Shakey 装备了摄像头、测距仪和触觉传感器，研究者给它编写了一个基于谓词逻辑（predicate logic）的规划系统。给定一个目标（比如"把箱子推到门口"），Shakey 会： 1. 感知（perception）：用 SLAM（同步定位与建图）建立环境地图。 2. 建模（modeling）：把地图转成符号表示（"门在坐标 (3,4)"）。 3. 规划（planning）：用 STRIPS 算法搜索动作序列。 4. 执行（execution）：按顺序执行动作。
Shakey 的局限性在当时已经显现。它的推理速度极慢——完成一个简单任务可能需要数小时；它对环境噪声极其敏感；它的"常识"完全由程序员手工编码，一旦遇到没编码过的情况就崩溃。
尽管如此，符号主义 AI 在 70-80 年代仍占据主导，因为 Newell 和 Simon 在 1976 年提出了著名的"物理符号系统假设"（Physical Symbol System Hypothesis）： > 物理符号系统具有进行一般智能动作的必要和充分手段。 > （A physical symbol system has the necessary and sufficient means for general intelligent action.）
这是一个非常强的论断。它等于说：只要有了正确的符号系统，就有了智能——身体无关紧要。
1.4.2 第一次反思：框架问题（Frame Problem）
1971 年，哲学家 John McCarthy 和 Patrick Hayes 提出了著名的"框架问题"（Frame Problem）。
假设机器人要执行"打开门"这个动作。逻辑上，它需要列出"打开门"会引起的所有变化，以及不会引起的所有变化。比如：
- 会引起：门的位置变化、铰链的旋转、空气流动。
- **不会**引起：墙壁移动、天花板塌陷、地板颜色变化、机器人自己的体重变化。
对人类来说，我们几乎不需要思考就知道哪些事情"不会发生"。但对逻辑系统来说，证明"X 不会发生"比证明"X 会发生"难得多——你必须枚举所有可能的状态变化，并逐一否定。
这就是框架问题：在一个变化的世界中，如何高效地表示"什么没变"？
符号 AI 没有很好地解决这个问题。它要么低估变化（动作执行出错），要么高估变化（推理速度爆慢）。
1.4.3 控制论的启示：Norbert Wiener 的远见
几乎与符号主义 AI 同时，另一条思想线索也在发展——控制论（Cybernetics）。
1948 年，控制论创始人 Norbert Wiener 出版了同名著作 *Cybernetics: Or Control and Communication in the Animal and the Machine*。他提出了一个革命性的观点：智能的本质是反馈（feedback），而不是符号推理。
控制论的核心模型是闭环系统（closed-loop system）：
``` 传感器 → 控制器 → 执行器 → 环境 → 传感器（循环） ```
在闭环中，系统的输出会影响未来的输入。温控器是最简单的例子：温度低于设定值，加热器开启；温度升高到设定值，加热器关闭。这种反馈结构使系统具有鲁棒性（robustness）和适应性（adaptivity）。
Wiener 在书中写道：
> "我们不过是回路中的浪花，是反馈循环中短暂的事件。" > （We are but whirlpools in a river of ever-flowing water. We are not stuff that abides, but patterns that perpetuate themselves.）
这个观点启发了后来的具身认知和动态系统理论。它意味着：智能不是某个东西的属性，而是某种过程的属性——具体来说，是身体与环境的反馈过程。
1.4.4 Rodney Brooks 与行为机器人学
1986 年，MIT 的机器人学家 Rodney Brooks 发表了一篇石破天惊的论文 *A Robust Layered Control System for a Mobile Robot*，提出了包容架构（Subsumption Architecture）。
Brooks 反对符号 AI 的核心假设——"先建立世界模型，再规划，再行动"。他主张：智能应该从底层的行为开始，逐层向上叠加。
他设计了这样的机器人控制系统：
- **第 0 层**：避障（avoid obstacles）——直接连到传感器和电机，毫秒级响应。
- **第 1 层**：漫游（wander）——在避障基础上随机游走。
- **第 2 层**：探索（explore）——寻找远处目标。
- **第 3 层**：建图（map building）——记忆已访问区域。
- **第 4 层**：注意物体（notice objects）。
- **第 5 层**：识别（categorize）。
每一层都可以独立工作（subsume 上一层）。如果高层失效，低层仍然能保证机器人"活着"。这与符号 AI 的"全部或全无"形成鲜明对比。
Brooks 在 1991 年的论文 *Intelligence Without Representation* 中更进一步："世界本身就是它最好的模型"（The world is its own best model）。他主张机器人不需要内部地图，直接用传感器的实时数据驱动行为。
Brooks 的哲学可以总结为一句话："智能是身体的，不是大脑的"。
这一观点当时遭到了主流 AI 的强烈反对，但 1990 年代末开始，他的思想渗透到机器人学的每一个角落。今天的 Roomba 扫地机器人、波士顿动力 Spot、四足机器人 ANYmal，都继承了 Brooks 的行为主义血统。
1.4.5 连接主义的回归：神经网络与具身的融合
1990 年代到 2010 年代，连接主义（connectionism）借助 GPU 算力复兴。Geoffrey Hinton、Yann LeCun、Yoshua Bengio 等人证明了深度神经网络在视觉、语音、自然语言处理上的强大能力。
但纯深度学习也遇到了瓶颈——它缺少"身体"。2015 年前后，研究者开始意识到：要让 AI 真正理解世界，仅靠互联网上的图像和文本是不够的。它需要主动与环境交互，通过试错学习因果关系。
这正是 DeepMind 后续研究的起点。DeepMind 的创始人 Demis Hassabis 在 2017 年的演讲中明确提出："我们需要把 AI 放进一个身体里，让它像婴儿一样探索世界。"这个思路催生了 AlphaGo 之后的 AlphaStar（星际争霸）、AlphaTensor（矩阵乘法）、以及一系列机器人项目。
Timeline of the Paradigm Shift / 范式转变时间线：
``` 1956 符号主义诞生：智能 = 符号 + 逻辑 1948 控制论诞生：智能 = 反馈 1971 框架问题：符号 AI 的危机 1986 Brooks：包容架构，行为主义 1991 Varela：具身认知 2004 Noë：行动中的感知 2015+ DeepMind：把 AI 放进身体 2022+ 大模型 + 机器人：具身智能的新浪潮 ```
---
1.5 开环与闭环：物理世界为什么"不允许"静态规划
1.5.1 两个范式的对比
让我们用一张图来说明两种范式的根本区别。
```mermaid flowchart LR subgraph Traditional[Traditional AI Pipeline / 传统 AI 流水线] A1[Input / 输入] --> B1[Model / 模型] B1 --> C1[Output / 输出] end subgraph Embodied[Embodied AI Loop / 具身 AI 闭环] P[Perception / 感知] --> W[World Model / 世界模型] W --> D[Decision / 决策] D --> A[Action / 动作] A --> E[Environment / 环境] E --> P end ```
左边的传统 AI 流水线是开环（open-loop）的：信息只从输入流向输出，模型本