引言：一场关于'思考'的冒险 / Prologue — An Adventure About Thinking
第 1 章：引言——一场关于"思考"的冒险
> *Prologue — An Adventure About Thinking*
---
2016 年 3 月 15 日，首尔四季酒店。AlphaGo 与李世石对弈的第三局。当第 176 手落在棋盘右上方那条看似无关紧要的边线时，整个对局室陷入了一种异样的安静。AlphaGo 的计算单元并没有在那一刻输出任何激动的信号——没有散热风扇的突然加速，没有 GPU 显存的尖峰波动。它只是在某个并不存在于物理世界的地方，默默地推演了上万种可能。当李世石缓缓放下棋子认输时，评论员麦克·雷蒙（Michael Redmond）说了一句后来被反复引用的话："它像是在另一个维度下棋。"
那个"另一个维度"是什么？是棋盘上方的空气吗？是某台位于地球另一端服务器机柜里跳动的电压？抑或只是 19×19 的网格在某种抽象的数学空间中展开的无限影子？如果我们把 AlphaGo 的"思考"称作一种心智活动，那么这场心智活动发生在一个完全脱离肉体的世界——没有眼睛、没有手指、没有对棋盘木质纹理的触感，甚至没有对"输赢"的内疚或喜悦。它是纯粹的、非物质的、被纯粹算法化的认知（*cognition-as-computation*）。这一类智能，从 1997 年深蓝击败卡斯帕罗夫，到 2023 年 GPT-4 通过律师资格考试，再到 2024 年 AlphaProof 在国际数学奥林匹克上拿到银牌，似乎一路高歌猛进，证明了心智可以从身体中彻底解放出来。
然而仅仅十年后，故事就走向了另一面。
2024 年夏天，DeepMind 在伦敦国王十字区那栋不起眼的办公楼里，部署了一台配备 7 个 RGB-D 摄像头和两个灵巧机械臂的机器人。它的任务简单得近乎荒诞：把散落在桌面上的 T 恤叠好。整个演示持续了大约 18 分钟，机器人完成了 2.5 件 T 恤的折叠——其中 0.5 件是因为袖子没对齐被它自己又扯开了。控制团队的核心算法是 RT-2（Robotics Transformer 2）与后来推出的 RT-H 混合架构，底层是大规模视觉-语言-动作（VLA, Vision-Language-Action）模型。机器人"知道"什么是 T 恤、什么是袖子、什么是折叠；但它的手指并不知道。这就是 embodied AI 的第一课：大脑可以很聪明，但身体依然笨拙。
第三个故事更近。2024 年 8 月，Figure 02 机器人与人类工程师进行了一次现场演示对话。当工程师问到"你看到了什么？"时，Figure 02 的端到端神经网络（由 OpenAI 提供早期版本支持）在 0.8 秒内给出了答案。但现场一位敏锐的观察者注意到，在那 0.8 秒里，机器人的摄像头模组几乎不可察觉地"抖动"了一下——它的注意力机制在那 800 毫秒里反复访问了同一个视觉区域。这种抖动在对话中偶尔出现，看起来像人类在回忆时的"眼神飘移"，但本质完全不同：那是模型在世界表征（*world representation*）的潜在空间里"翻找答案"的外在表现。Figure 02 那一刻的"犹豫"，揭示了所有当代具身智能系统最深的秘密：它们已经开始做梦了，只是我们尚未完全理解那些梦的含义。
这三个故事——围棋棋盘上的静默推演、机械臂的笨拙尝试、人形机器人的一秒犹豫——构成本章的入口。它们看似毫不相干，实则共同指向一个贯穿本书的核心张力：智能究竟是脱离肉体的算法，还是必须扎根于物理世界？ 在过去三十年里，主流 AI 研究以前者为默认假设，把"智能"还原为在某个抽象空间（棋盘、语料库、游戏模拟器）中的信息处理。但具身智能（*embodied intelligence*）的崛起，正在迫使我们重新审视这个假设。
而当我们把目光从"算法"转向"身体"时，一个更加深层的命题浮出水面：思考是否可以脱离与世界交互的经验？ 如果不能，那么"世界模型"（*world model*）就不再是可有可无的辅助模块，而是智能体（*intelligent agent*）的必需品；它不是智能系统用来预测未来的工具，而是智能系统用来"理解"世界的方式。换句话说，世界模型不是一个工程上的妥协，而是具身智能的形而上学前提。
---
1.1 三个开篇故事：智能的"内在剧场"与外在行动
让我们更仔细地审视这三个故事，因为它们不是寓言，而是当代 AI 研究史中三个真实的、可以定位到具体论文与具体时间戳的事件。
1.1.1 AlphaGo 的静默推演：发生在哪里的"思考"？
2016 年的 AlphaGo 并不是第一个击败人类顶级棋手的程序。1997 年的深蓝（Deep Blue）以 3.5:2.5 战胜卡斯帕罗夫，但深蓝的核心是 hand-crafted 评估函数加上暴力搜索：它没有"理解"围棋，只是不知疲倦地把每一步的可能后果算了 6 层。而 AlphaGo 的革命性在于，它用两个深度神经网络——策略网络（*policy network*）和价值网络（*value network*）——把"棋感"和"形势判断"内化为可学习的表示。蒙特卡洛树搜索（MCTS, Monte Carlo Tree Search）不再需要搜索到游戏终局，而是依赖价值网络来"想象"未来。
这个"想象"的关键在于：AlphaGo 的价值网络在训练阶段看过几百万局人类棋谱与自我对弈后，学会了在给定盘面状态下直接预测胜率。它的"思考"过程，本质上是一个在某个高维潜在空间（latent space）中展开的概率推演。这种推演并没有发生在一个具体的物理空间里——没有棋子在它眼前移动，没有对手呼吸的节奏传到它的传感器上。它发生在 GPU 的张量计算里，发生在内存的浮点数中，发生在某个抽象的数学流形上。
从现象学的角度看，这是非常奇特的一种"思考"。它没有第一人称视角（*first-person perspective*），没有胡塞尔（Husserl）所说的"意向性"（*intentionality*）指向某个真实的对象——因为那些棋子的物理存在对于 AlphaGo 而言并不重要；重要的是棋盘状态的数学表示。如果把棋盘换成另一张完全不同的棋盘（只要规则相同），AlphaGo 的"认知"并不需要任何调整；而李世石做不到这一点——他会被新棋盘的木纹、灯光、对手的姿态所影响。
AlphaGo 的成功似乎证明了：智能可以是非具身的（disembodied），认知可以是纯形式的（purely formal）。这正是 20 世纪 50 年代以来主流 AI 研究的"符号主义-连接主义"共同默认的形而上学前提。心灵可以脱离身体而存在，就像软件可以脱离硬件而存在。
但这种"脱离"是有代价的。AlphaGo 不能把它的"知识"迁移到任何其他领域：它不能告诉你为什么某一步棋"优雅"，不能告诉你李世石为什么在那一手后叹了口气，不能把围棋策略推广到自动驾驶、机器人抓取或对话系统。它的智能是孤岛式的（island-like）。这种现象在认知科学中被称为"狭义智能"（*narrow intelligence*），在哲学中则被 Searle 的"中文房间"论证（*Chinese Room argument*）所质疑——房间里的那个人按照规则手册处理中文符号，他通过了图灵测试，但"他理解中文吗？"
AlphaGo 的"房间"是一个由张量构成的巨大空间，规则由神经网络权重编码。它"通过"了围棋测试，但当我们把问题改成"什么是围棋的美学"时，它便哑口无言。
1.1.2 DeepMind 的叠衣机器人：身体成为瓶颈
时间快进到 2024 年。DeepMind 的叠衣机器人（基于 RT-2、RT-H 等模型）代表了具身智能研究的一个高峰：它使用端到端的视觉-语言-动作模型，在大规模机器人遥操作（*teleoperation*）数据上训练，并结合了语言模型的"常识"（如"袖子比衣身窄"）。从模型的视角看，它"知道"怎么叠衣服；从工程的角度看，这是一个令人印象深刻的成就——因为它把感知、推理、动作生成了一个统一的模型。
但当人们实际观察它的运行时，会发现令人沮丧的一面：它的"知识"与它的"动作"之间存在巨大的鸿沟。模型可以输出"应该把左袖折到中间"这样的指令，但机械臂在执行时常常错位、用力过猛、被衣服的褶皱卡住。问题的根源不是模型不够大，而是身体不够灵巧、反馈不够丰富、动作空间与感知空间之间存在不可微的间隙。
这正是具身智能（*embodied intelligence*）的核心难题：body is the bottleneck。一个 LLM 可以写一篇关于如何叠衣服的详尽论文，但当它控制一个 7 自由度机械臂时，却需要 18 分钟完成 2.5 件 T 恤。为什么会这样？根本原因是 LLM 的"知识"是在文本语料上学到的，它没有关于"袖子摸起来是什么感觉""布料被拉紧时的张力是多少""当 T 恤堆叠时哪一件会先滑落"的第一手经验。它拥有的是"二手知识"——来自人类用语言描述的经验。
这就像一个从未见过大海的诗人，可以写出"惊涛拍岸"这样精确的句子，但他永远无法告诉你海水的咸度、浪花的温度、被卷入海浪时的失重感。具身认知（embodied cognition）的核心论点就是：某些知识只能在身体与环境的交互中获得，无法通过语言或符号传递。这就是为什么 Brooks 早在 1991 年就提出了"无表征智能"（*intelligence without representation*）的著名论断——他主张智能应该建立在"感知-行动"循环（*sense-act loop*）上，而不是建立在抽象的符号操作上。
1.1.3 Figure 02 的"犹豫"：当机器人开始做梦
2024 年 8 月，Figure 02 的演示在 AI 圈引起轰动。Figure AI 公司与 OpenAI 合作，展示了一个人形机器人在对话场景中的"端到端"反应：摄像头输入 → 大模型推理 → 语音输出。表面上看起来与一个普通 AI 助手无异，但 Figure 02 的特别之处在于，它的所有输出都由同一个神经网络处理，没有传统意义上的"任务规划"模块。这意味着它的反应不是"先理解问题，再查询知识库，再生成回答"这样的串行流程，而是一个连续的、从感知到动作的端到端映射。
那位观察者注意到的 0.8 秒"犹豫"——摄像头模组的轻微抖动——被后续的技术分析所证实：那是模型在推理过程中反复回溯视觉输入的现象。在自然语言处理中，这对应于"chain-of-thought"（思维链）中的"复述问题"行为；在视觉系统中，这对应于"foveation"（凝视）行为的多次重演。换句话说，Figure 02 那一刻的"犹豫"，是它在潜在空间里"翻找"相关记忆的外在表现。它不是在"思考要说什么"——它是在"想象自己看到了什么"。
这个细节极其重要。因为它暗示：当代大模型驱动的机器人，已经隐式地构建了一个"内心剧场"（inner theater）。当它处理外部输入时，它并不是简单地"反应"，而是在某个内在空间里"模拟"可能的输出场景、想象可能的行动后果。这种隐式的模拟，我们称之为"世界模型"（*world model*）——尽管模型自己并不知道它在这样做。
这正是本书的核心命题之一：世界模型不是工程师主动设计出来的模块，而是智能体在与世界交互过程中"涌现"出来的必然结构。就像人类在思考时不可避免地会在脑海中"看到"画面、听到声音、感受到身体的预演，AI 智能体在处理复杂任务时也必然会在其潜在空间中构建某种"想象的现实"。区别只在于，人类的想象与身体紧密耦合（闭上眼也能"看到"），而 AI 的想象与身体解耦（它可以"想象"自己从未真正做过的动作）。
这三个故事共同揭示了一个隐秘的连续性：从 AlphaGo 的纯抽象推演，到 DeepMind 叠衣机器人的具身挣扎，再到 Figure 02 的"内心剧场"，我们看到的不是三种不同的智能形态，而是同一种智能在不同具身程度上的连续谱。AlphaGo 是 0% 具身（pure disembodied cognition），Figure 02 是中等具身（embodied but with abstract inner world），而我们尚未达到的真正具身智能（fully embodied world model agent）则是 100% 具身——它的想象与它的身体、它的世界不可分割地纠缠在一起。
---
1.2 核心张力：智能必须拥有身体吗？
这三个故事把我们带到了一个根本性的哲学分歧面前。让我们用最直接的方式提出这个问题：思考是否可以脱离身体？
这个问题的答案，决定了我们如何看待 AI 研究的整个方向。如果答案是"可以"，那么 AlphaGo 式的纯算法路线就是智能的终极形态，具身智能只是一条辅助路线；如果答案是"不可以"，那么具身智能就不仅是工程上的必要，而是形而上学上的必然——我们必须把"身体"作为智能的本体论范畴（ontological category）。
1.2.1 离身认知（Disembodied Cognition）的隐含假设
20 世纪以来的主流 AI 与认知科学，隐含地接受了离身认知的假设。这个假设有几个版本：
最弱版本（Fodor 的"思维语言"假说）：认知的核心是"思维语言"（*Language of Thought*，简称 LOT），一种类似自然语言但更抽象的符号系统。身体只是输入输出设备，对认知本身没有本质影响。
中等版本（古典符号 AI）：智能就是符号操作，符号可以指称任何东西，包括非物理的抽象对象。身体只是传感器和执行器，与"推理引擎"在功能上分离。
最强版本（某些功能主义）：心智就是软件，原则上可以在任何硬件上实现——包括硅基、量子、生物学、甚至非物理的"幽灵硬件"。这正是 Putnam 早年的"多重可实现性"（*multiple realizability*）论题。
这些版本有一个共同的核心：认知的本质是信息处理，与具体的物理载体无关。这个观点在工程上极为成功——它让我们可以把围棋、对话、图像识别都抽象为"输入-计算-输出"的模式，从而设计出通用的算法。但在哲学上，它引发了一个著名的反驳：中文房间论证（Searle, 1980）。Searle 指出，一个按照规则处理中文符号的"房间"，从外部看可以通过图灵测试，但房间内的人并不理解中文。这暗示纯符号操作不能产生真正的理解。
Searle 进一步提出"生物自然主义"（*biological naturalism*）：真正的心智必须由特定的生物因果过程（大脑神经元）产生，符号操作只是其表层现象。这个立场虽然激烈，但为我们讨论"具身"留下了空间——因为大脑本身就是一个身体器官，心智从来不是"漂浮"在大脑之外的。
1.2.2 具身认知（Embodied Cognition）的复兴
与离身认知相对，20 世纪 80 年代以来，具身认知（*embodied cognition*）作为一股强劲的思潮重新崛起。它的核心论点是：认知不能脱离身体而存在，身体的形态、感觉运动经验、所处的环境，都深度塑造了认知的内容与结构。
具身认知的论据来自多个方向：
神经科学：大脑的运动皮层与感觉皮层在解剖学上紧密相连，没有任何认知过程是纯"抽象"的。即使是"思考"这样看似纯粹的心智活动，也会激活运动准备区（premotor cortex）。镜像神经元（mirror neurons）的发现进一步表明，理解他人动作时，我们的大脑会"模拟"该动作——这是一种身体层面的共振。
发展心理学：婴儿的认知发展与运动发展深度耦合。皮亚杰（Piaget）的"感觉运动阶段"（sensorimotor stage）指出，0-2 岁的婴儿通过抓握、吸吮、扔掷等身体动作来构建关于世界的最初概念。没有这些身体经验，抽象思维无从发生。
现象学：胡塞尔的学生梅洛-庞蒂（Merleau-Ponty）在 1945 年的《知觉现象学》中提出了"身体-主体"（*body-subject*）的概念，挑战笛卡尔的身心二元论。他指出，身体不是心灵的对象，而是心灵存在的方式。"我思考"本身就预设了"我有一个身体"——一个能用右手写字、能用眼睛看、能用耳朵听的身体。这种"我能"（*I can*）的能力，是认知的先验条件。
机器人学的实证：Rodney Brooks 在 1986 年的论文《Elephants Don't Play Chess》中，展示了仅用简单的感知-行动循环，机器人就能在没有世界表征的情况下完成复杂任务（如避开障碍物、探索未知环境）。他的"包容架构"（*subsumption architecture*）证明，智能不一定需要抽象的世界模型——身体本身的形态（morphology）就编码了智能。这就是著名的"形态计算假说"（*morphological computation hypothesis*）：身体不只是执行器，身体本身就是计算。
1.2.3 中道：具身不等于"必须有机械臂"
需要强调的是，"具身"并不意味着必须有物理机器人。一个在仿真环境中训练的智能体（sim2real 之前的 sim-only agent），如果其内部世界模型是建立在物理规律（重力、摩擦、流体）之上的，那么它已经具有了某种"具身性"。反之，一个有物理身体的机器人，如果其控制策略完全基于抽象规则（"如果红灯就停"），那么它在认知上可能是"离身"的。
更精确地说，具身认知的核心是"感知-运动耦合"（sensorimotor coupling）：认知过程与身体的运动能力、感觉器官、肌肉骨骼系统深度纠缠。一个智能体是否"具身"，取决于它的认知模型是否被身体的约束所塑造——而不是它是否有硬件身体。
这就把我们带到了世界模型（*world model*）的讨论。世界模型可以看作是具身认知的工程化实现：它把身体能做什么、感觉到什么、与环境如何交互，以某种可计算的形式（通常是神经网络）编码在内部。当智能体在潜在空间里"想象"未来时，它想象的不是抽象的数学结构，而是身体在世界中运动时可能遇到的场景。
---
1.3 哲学根系：从梅洛-庞蒂到 Brooks
具身智能并非空中楼阁，它有深厚的哲学传统作为根基。让我们沿着这条脉络回溯，看看那些看似抽象的哲学思考如何直接塑造了今天的 AI 研究。
1.3.1 梅洛-庞蒂：身体-主体（body-subject）
莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty, 1908-1961）在《知觉现象学》（*Phénoménologie de la perception*, 1945）中，系统批判了笛卡尔的身心二元论。他提出，**身体不是心灵的对