第一章 离身之痛：AI的“缸中之脑”困境
离身之痛：AI的"缸中之脑"困境
1981年，哲学家希拉里·普特南提出了一个著名的思想实验：想象一个被邪恶科学家取出的大脑，它被放置在盛满营养液的缸中，通过精密的电极连接到超级计算机。这台计算机向大脑传送完美的神经信号，让它相信自己仍然生活在真实世界中——能够感受到阳光的温暖、闻到咖啡的香气、触摸爱人的脸庞。然而，这一切都只是电信号的幻影，这个大脑所经验的"现实"不过是算法编织的梦境。
这个被称为"缸中之脑"的假设，原本是用来探讨怀疑论和知识确证问题的哲学工具。然而，当我们审视人工智能近七十年的发展历程时，会发现一个令人深思的平行：主流AI研究在很大程度上正是在尝试构建这样一种"缸中之脑"——一个脱离物理身体、悬浮于抽象符号或数据海洋中的智能系统。从最早的逻辑符号程序到今天的大型语言模型，这些系统被训练得能够下棋、作诗、编程、诊断疾病，却往往无法理解一个简单的物理事实：如果不小心碰倒桌边的水杯，杯中的水会洒出来。
这种"离身"的设计取向，并非研究者的疏忽，而是人工智能领域在特定历史条件下形成的深层范式选择。要理解为什么具身智能在今天变得如此迫切，我们需要首先回到人工智能的源头，追溯这条"离身之路"是如何铺就的，以及它在接近人类水平智能时遇到了哪些无法逾越的鸿沟。
符号的幻梦：从逻辑到知识的漫长跋涉
1956年夏天，达特茅斯学院的一幢建筑里，约翰·麦卡锡、马文·明斯基、克劳德·香农等一批年轻学者聚集在一起，为一个新兴领域命名——"人工智能"。这个名称本身就暗含了一个雄心勃勃的假设：智能可以被人工复制，而且这种复制可以通过操作抽象符号来实现。这种信念并非凭空而来，它深深植根于西方理性主义传统和20世纪初的逻辑学革命。
在伯特兰·罗素和阿尔弗雷德·诺斯·怀特海完成《数学原理》之后，数学家们开始相信，所有的数学推理都可以还原为基本的逻辑操作。艾伦·图灵进一步将这种思想机械化，提出了著名的图灵机模型——一个仅仅通过读写纸带上的符号就能完成任何计算的理论机器。这些发展暗示了一个诱人的可能性：也许思维本身就是一种符号操作，而智能的本质就是正确地应用推理规则来变换符号串。
这种"心智即计算"的假设成为早期人工智能研究的基石。研究者们相信，只要能够将知识表示为形式化的符号，并设计出足够的推理规则，机器就能展现出智能行为。这种取向后来被称为"符号主义"或"GOFAI"（Good Old-Fashioned AI），在随后的几十年里主导了人工智能的发展方向。
早期的成功似乎印证了这一道路的正确性。1960年代，赫伯特·西蒙和艾伦·纽厄尔开发的"逻辑理论家"程序能够证明怀特海和罗素《数学原理》中的定理；后来他们的"通用问题求解器"（GPS）更是声称捕捉到了人类解决问题的一般策略。到1970年代，专家系统开始涌现，这些程序将特定领域专家的知识编码为"如果-那么"规则，在医疗诊断、地质勘探等领域取得了令人瞩目的成果。MYCIN系统能够识别导致感染的细菌并推荐抗生素，其准确率甚至超过了某些人类专家。
```mermaid timeline title 符号主义AI发展历程 section 奠基时期 1956 : 达特茅斯会议<br/>AI正式诞生 1956 : 逻辑理论家程序 section 黄金时代 1972 : MYCIN专家系统 1970s : 专家系统浪潮 section 困境显现 1984 : AI寒冬开始 1987 : 专家系统局限性暴露 ```
然而，随着研究的深入，符号主义方法开始遭遇越来越棘手的困难。第一个问题被称为"知识获取瓶颈"：将人类专家的知识转化为形式化规则是一项极其困难的工作。专家们往往"知道"如何做某事，却无法清晰地说明他们是如何知道的。他们的专业知识中包含了大量隐性知识——那些难以言传、更多体现在实践技能中的东西。一位老中医能够凭直觉判断病人的体质，但如果让他写出精确的诊断规则，他可能会一筹莫展。
更深层的困难在于"常识问题"。人类拥有关于物理世界、社会交往、日常生活的海量背景知识，我们如此熟悉这些知识以至于根本意识不到它们的存在。但当研究者试图将这些常识编码进计算机时，才发现其规模和复杂性远超想象。道格拉斯·莱纳特领导的CYC项目试图构建一个包含人类所有常识的知识库，从"水往低处流"到"人们通常不会故意伤害自己爱的人"。三十多年过去了，CYC项目收录了数百万条断言，却仍然远远不能覆盖日常生活的常识范围。
与常识问题紧密相连的是著名的"框架问题"。哲学家兼AI研究者丹尼尔·丹尼特曾用一个寓言来解释这个问题：想象一个机器人，它的任务是取出一个房间里的电池，而电池被放在一个炸弹上，如果移动炸弹就会爆炸。机器人经过复杂的计算，想出了一个方案：推出一个推车，把炸弹连同电池一起推出房间。但是，在执行这个计划之前，机器人开始担心：推出推车会不会改变推车上油漆的颜色？会不会改变房间里的气压？会不会让隔壁的狗叫起来？它陷入了无穷无尽的推理，直到炸弹爆炸。
这个寓言揭示了一个深刻的问题：在真实世界中，任何行动都可能产生无数的后果，但其中绝大多数与当前目标无关。人类似乎天生就知道哪些后果值得关注，哪些可以忽略——但符号系统却不得不遍历所有可能性，或者需要人为地设定推理的边界。这种"相关性"的判断本身，恰恰是最难以形式化的东西。
联结主义的崛起：从神经元到深度网络
正当符号主义遭遇瓶颈之时，另一种模仿生物神经系统的路径悄然兴起。这就是联结主义，它不试图显式地表示知识和规则，而是通过大量简单单元的相互连接来涌现出智能行为。
联结主义的种子早在1940年代就已经播下。沃伦·麦卡洛克和沃尔特·皮茨在1943年证明了，简单的形式神经元可以通过组合来执行任何逻辑运算；1949年，唐纳德·赫布提出了著名的赫布学习规则——"一起激发的神经元连在一起"，为神经网络的学习提供了理论解释。1958年，弗兰克·罗森布拉特发明的感知机更是将这一思想转化为实际的机器，它能够通过试错学习简单的模式分类任务。
然而，联结主义的早期发展并非一帆风顺。1969年，马文·明斯基和西摩·佩伯特出版了《感知机》一书，严格证明了单层感知机无法解决异或（XOR）等简单的非线性问题。这本书被认为是导致第一次AI寒冬的重要原因之一，它使得大多数研究资金和人才远离了神经网络研究长达十余年。
转折点出现在1980年代。约翰·霍普菲尔德提出的全连接网络模型展示了神经网络进行联想记忆的能力；更重要的是，大卫·鲁梅尔哈特等人重新发现了反向传播算法，使得训练多层神经网络成为可能。这些多层网络能够学习任意复杂的输入-输出映射，从而打破了明斯基等人的理论障碍。
```python
简化的神经网络前向传播示意
import numpy as np
def sigmoid(x): """激活函数：将输入压缩到0-1之间""" return 1 / (1 + np.exp(-x))
def forward_propagation(inputs, weights, biases): """ 神经网络的前向传播
- inputs: 输入数据
- weights: 各层权重矩阵
- biases: 各层偏置
""" activation = inputs for w, b in zip(weights, biases): z = np.dot(w, activation) + b activation = sigmoid(z) return activation
网络通过调整weights和biases来"学习"
这种调整通过反向传播算法实现
```
到了21世纪，随着互联网带来的大数据和GPU提供的强大算力，深度学习——联结主义的新形态——迎来了爆发式增长。2012年，AlexNet在ImageNet图像识别竞赛中以巨大优势夺冠，标志着深度学习时代的正式开启。此后，AlphaGo击败围棋世界冠军、GPT系列展现出惊人的语言生成能力、扩散模型能够创作出足以乱真的图像……联结主义似乎终于兑现了其早期的承诺。
然而，当欢呼声渐渐平息，研究者们开始更加冷静地审视这些成就时，一些深层的疑问浮现出来。深度学习系统确实能够从海量数据中学到复杂的模式，但它们真的"理解"了这些模式吗？
以图像识别为例，卷积神经网络（CNN）能够以超过人类的准确率识别图片中的物体。但研究者发现，对这些网络进行微小的、人眼难以察觉的扰动（所谓的"对抗样本"），就足以让它们犯下荒谬的错误——把熊猫识别成飞机，把校车识别成鸵鸟。这表明，这些系统学到的可能只是像素层面的统计规律，而非真正的视觉理解。
更根本的问题在于，这些系统与现实世界的联系是极其脆弱的。一个训练在静态图像数据集上的视觉系统，并不知道这些图像是如何从三维世界中产生的。它不理解物体的遮挡关系、光照变化、材质差异——这些对于任何一个人类婴儿来说都是自然而然的知识。这种知识的缺失，使得这些系统在遇到分布外（out-of-distribution）的数据时，往往会以不可预测的方式失败。
大型语言模型面临类似的困境。GPT-4能够写出流畅的文章、解答复杂的数学问题、甚至通过律师资格考试。但当你问它一些关于物理世界的简单问题时，它可能会给出荒谬的回答。比如，它可能会告诉你"如果把冰箱门打开，厨房会变凉"——因为它从训练数据中学到了"冰箱 = 冷"的统计关联，却不理解冰箱的工作原理。语言模型漂浮在文本的海洋中，从未接触过这些文本所指涉的真实事物。
一位研究者用"随机鹦鹉"这个比喻来描述这种现象：这些系统就像能够完美复述人类语言的鹦鹉，却并不理解这些语言的含义。这个比喻可能有失公允——现代语言模型展现出的能力远超简单的复述——但它确实触及了一个核心问题：仅从文本或静态数据中学习，是否足以构建对物理世界的真实理解？
莫拉维克悖论：智能的奇怪光谱
当我们谈论人工智能的成就时，最常被提及的里程碑往往是那些人类认为"困难"的任务：国际象棋、围棋、数学证明、知识问答。然而，在这些看似高深的领域取得成功之后，AI却在一些人类觉得"简单到不需要思考"的任务面前束手无策。这种反差如此强烈，以至于它获得了自己的名字——莫拉维克悖论。
这个悖论以汉斯·莫拉维克的名字命名，他在1980年代与其他研究者独立地观察到了这一现象。莫拉维克指出："要让计算机在智力测试或下棋中表现出成人水平的表现是相对容易的，但要让它们具有一岁小孩的感知和技能水平却是困难的，或者是不可能的。"
让我们用一个具体的例子来理解这个悖论。1997年，IBM的深蓝计算机击败了国际象棋世界冠军加里·卡斯帕罗夫。这是一个历史性的时刻，被广泛视为人工智能战胜人类智慧的象征。然而，就在同一年，如果你让这台超级计算机控制的机器人去叠一堆洗好的衣服，它将完全无能为力——这个任务对于任何一个五六岁的孩子来说都不在话下。
为什么？要理解这种反直觉的现象，我们需要回顾生物进化的历史。
在数亿年的进化过程中，生物体一直在解决生存的核心挑战：在复杂的三维环境中移动、寻找食物、避开捕食者、识别同类。这些能力看似"简单"，但它们是由经过漫长自然选择精细调校的神经回路所支撑的。我们的大脑有专门的区域处理视觉运动、空间导航、身体协调——这些处理过程高度自动化、极其高效，以至于我们根本意识不到它们的复杂性。当我们伸手去拿杯子时，大脑在毫秒级别内完成了对杯子位置的三维估计、手臂轨迹的规划、手指力量的调整——这一切都"自然发生"，不需要我们有意识的计算。
相比之下，抽象推理、数学运算、逻辑推演是进化史上相对近期才出现的能力。它们主要依赖于大脑皮层，尤其是前额叶区域，这些脑区在人类谱系中经历了最近的快速扩张。因为这些能力更"新"，所以它们的有意识学习成分更重，执行起来也更"费力"。当我们学习下棋或解数学题时，我们能清晰地感受到认知的努力——而这也正是为什么我们倾向于认为这些任务是"困难"的。
从进化的角度来看，莫拉维克悖论就不那么反直觉了：那些我们认为"困难"的任务，恰恰是因为进化没有为我们提供专门的、自动化的处理模块；而那些我们认为"简单"的任务，实际上调用了数亿年进化积累的极其复杂的神经机制。
```mermaid graph LR subgraph 人类认知 A["'困难'任务<br/>(下棋、数学)"] -->|"进化新近能力<br/>需要意识努力"| B["前额叶皮层"] C["'简单'任务<br/>(走路、感知)"] -->|"进化古老能力<br/>高度自动化"| D["感觉运动系统<br/>+ 中脑结构"] end
subgraph AI现状 A -->|"相对容易"| E["符号系统<br/>深度网络"] C -->|"极其困难"| F["机器人技术<br/>(仍在挣扎)"] end
style A fill:#ffcccc style C fill:#ccffcc style E fill:#ffcccc style F fill:#ccffcc ```
对于人工智能而言，这意味着一个至关重要的启示：我们一直在用错误的标准来衡量"智能"的难度。我们被自己的主观体验所误导，认为那些需要"努力思考"的任务才是智能的核心，而忽略了那些在进化中被打磨得极其精细、以至于对我们而言毫不费力的感知运动能力。
一个更能说明问题的例子是儿童的早期发展。发展心理学家让·皮亚杰详细研究了婴儿如何逐步建构对物理世界的理解。新生儿没有物体恒存的概念——当一个玩具被布遮住时，他们表现得好像玩具消失了。要到大约8个月大时，婴儿才开始理解物体即使不可见也继续存在。他们需要几个月的时间学会追踪运动物体、理解因果关系、区分生物和非生物的运动模式。这些学习过程是如此自然和隐蔽，以至于成年人几乎不记得自己曾经"学习"过这些东西。
但对于人工智能系统来说，这些"自然"的知识恰恰是最难获得的。一个经典的例子是AI先驱特里·威诺格拉德设计的"威诺格拉德模式"问题。考虑这两句话：
> (1) 奖杯放不进手提箱，因为它太大了。
> (2) 奖杯放不进手提箱，因为它太小了。
对于任何懂英语的人来说，第一句中的"它"显然指奖杯，而第二句中的"它"则指手提箱。我们做这个判断基于对物理世界如何运作的理解：奖杯太大才放不进去，手提箱太小才装不下。但对于一个仅从文本中学习的语言模型来说，这两句话在句法上几乎完全相同——如何判断"它"的指代对象？
这类问题的困难在于，它们要求理解的不只是语言，还有语言所指涉的物理情境。这正是"缸中之脑"式的离身AI所缺失的环节：没有在物理世界中行动和感知的经验，就不可能真正理解这些看似简单的语言现象。
知识的根基：具身性与意义来源
当哲学家谈论"意义"时，他们经常面临一个古老而深刻的问题：词语的意义究竟来自哪里？一种传统的观点认为，意义来自于词语与其他词语之间的关系——这就是符号主义的哲学基础。但另一种观点主张，意义最终必须扎根于我们与物理世界的互动之中。
美国哲学家约翰·塞尔用他著名的"中文房间"思想实验来质疑强人工智能的可能性。想象一个人被关在一个房间里，他完全不懂中文，但拥有一本详尽的规则书，告诉他如何根据输入的中文符号产生输出的中文符号。房间外面的人用中文提问，房间里的人根据规则书给出回答。如果规则书足够详尽，外面的观察者可能会认为房间里的人懂中文。但塞尔指出，这个人其实只是在操作符号，他对这些符号的含义一无所知。
这个思想实验直指符号主义的根本困境：纯粹的符号操作，无论多么复杂，似乎都无法产生真正的理解。符号本身是任意的——"猫"这个词之所以指涉猫，不是因为它本身有什么"猫性"，而是因为使用这个词的语言社区将其与真实的猫联系起来。如果你从未见过猫，从未触摸过猫的皮毛、听过猫的叫声、观察过猫的运动，那么"猫"对你来说只是一个空洞的符号。
这就是具身性（Embodiment）的核心主张：真正的智能必须扎根于身体与环境的互动之中。我们的概念系统不是抽象的符号网络，而是在感知和行动中形成的经验结构。认知科学家乔治·莱考夫和马克·约翰逊在《我们赖以生存的隐喻》中详细论证了这一点：即使是最抽象的概念，也往往以物理经验为基础通过隐喻延伸而来。我们说"关系变冷了"、"情绪高涨"、"争论很激烈"——这些表达都借用了温度、空间方向、物理力等身体经验的领域。
发展心理学家埃斯特·泰伦提出的"动态系统理论"为这种观点提供了进一步的证据。她观察到，婴儿的认知发展与其运动能力的获得密切相关。例如，婴儿只有在学会自己移动之后，才开始发展出深度知觉和对距离的准确判断。这表明，空间概念不是预先存在于大脑中的，而是在探索环境的过程中建构出来的。
瑞典科学家彼得·加登福尔斯提出了"概念空间"理论来桥接感知与概念。他认为，我们的概念建立在诸如颜色、形状、声音等感知维度之上，这些维度形成了几何空间中的区域。例如，"苹果"的概念对应于颜色空间中的红/绿区域、形状空间中的球形区域、味觉空间中的甜/酸区域。这种观点意味着，要真正拥有"苹果"的概念，一个系统需要能够感知这些维度——而这恰恰需要物理身体和感觉器官。
让我们用一个更技术性的例子来说明这一点。在机器人学中，有一个经典的任务叫做"抓取"（grasping）——让机械臂抓取物体。从纯计算的角度来看，这个问题可以分解为：感知物体（通过摄像头获取图像）、估计位姿（确定物体的三维位置和朝向）、规划轨迹（计算机械臂如何移动）、执行抓取（控制手指闭合）。
每一个步骤都极其困难。感知需要从二维图像推断三维结构——这是一个数学上的不适定问题，存在无限多个可能的三维场景能够产生同样的二维图像。人类能够毫不费力地解决它，是因为我们拥有关于物理世界的海量先验知识：物体的表面通常是连续的、物体之间会相互遮挡、光线会产生阴影……但对于一个离身的视觉系统来说，这些"知识"都不存在，它只能从有限的训练数据中学习统计规律。
更关键的是，这些步骤不是独立执行的，而是相互影响的。你如何抓取一个物体，取决于你想用它做什么——是把它放入盒子、递给别人、还是用来敲钉子？这种"可供性"（affordance）的概念由心理学家詹姆斯·吉布森提出，指的是环境相对于行动者的行为可能性。一个杯子对于人类手部来说是"可抓取的"，一张椅子是"可坐的"，门把手是"可转动的"——这些属性不是物体固有的，而是相对于特定身体和行动能力而言的。
这就解释了为什么离身AI在处理常识问题时如此困难。常识不是一组可以独立于身体编码的命题，而是深深嵌入在我们的感知运动系统之中。当我们说"水是湿的"时，我们不只是知道一个事实；我们记得皮肤接触水的感觉，我们能够预测水会如何流动、如何浸透织物、如何在重力作用下形成水洼。这种多模态的、与行动紧密相连的知识，无法被完全简化为符号或统计数据。