一个古老的梦想：让机器拥有身体

一个古老的梦想：让机器拥有身体

1495 年，佛罗伦萨的一个没有窗户的地下室里，37 岁的列奥纳多·达·芬奇正俯身在工作台前。桌上摊着一份羊皮纸，纸上是密密麻麻的机械图——齿轮、缆绳、金属脊柱、能转动的颈部。这一次，他要做的不是攻城的投石机，也不是永动玩具，而是一个会动的人形骑士。

根据达·芬奇留下的草图，这台机械骑士内部有一套由绳索和滑轮组成的传动系统。操作者拉动控制线，骑士就会从椅子上坐起来、转头、张开下颌；它的手臂还能做有限度的挥舞，仿佛在向观众行礼。达·芬奇的朋友、编年史家乔维奥·达·科莫后来记载，列奥纳多曾经在一次宫廷晚宴上让这台机械骑士"站起来、行走、抬开面甲"——让在场所有人看到"骑士"内部精密转动的齿轮结构——然后赢来满堂喝彩。

2019 年，一个由意大利工程师组成的团队依照达·芬奇的草图，复原了一台等比例的机械骑士。它真的能"动"——虽然动作僵硬、范围有限，但确实是一个有物理身体、能够响应绳索信号的人形装置。

五百多年过去了。从列奥纳多的机械骑士到今天波士顿动力的 Atlas 机器人，人类心里那个"造一个能走、能看、能回应世界的人造存在"的梦想，从来没有消失过。

但有一个问题比机械装置本身更深：为什么这个梦想要执着于"身体"？为什么不直接造一个会思考、会聊天、会推理的纯软件 AI，而非要让它长出胳膊和腿？这不只是一时兴起的工程偏好——它关乎"智能"这个词到底意味着什么。

本章将沿着这条问题线走一遍：从 1495 年的机械骑士，到 1950 年图灵的提问，到 1990 年 Rodney Brooks 著名的"大象不玩象棋"宣言，再到一只真实小白鼠在 T 形迷宫里试错求生的全过程。最后，我们会对比 1997 年的 IBM 深蓝和 2020 年的波士顿动力 Atlas，让你看清"有身体的智能"与"没身体的智能"之间的本质分歧。

1.1 列奥纳多的骑士：人类对"人造身体"的执念

列奥纳多的骑士并不是人类历史上的第一台机械生物。在他之前两千多年，亚历山大的希罗（Hero of Alexandria）就曾经造过会自动倒酒的小祭司、能发声的机械鸟。和他同时代的耶拿手稿等中世纪文献里，也记载过能动的人偶。但列奥纳多的特别之处在于：他构造的是一个"人形"，而且他能模仿人类的面部动作——张嘴、抬眉——这触碰到了一条细线，让"机械"看起来像"生物"。

这种"让人造物看起来像活的"的执念，从古到今没有断过。1739 年，法国发明家雅克·德·沃康松（Jacques de Vaucanson）造了一只"消化鸭"——一只机械鸭会拍打翅膀、啄食、把食物"消化"后从尾部排泄，制造了一种机器真的在进行新陈代谢的错觉。十八世纪末，奥地利的沃尔夫冈·冯·肯佩伦（Wolfgang von Kempelen）造了"土耳其人"——一台身穿奥斯曼帝国长袍的"下棋机"，在宫廷里连胜当时的国际象棋大师（后来揭露它内部其实是藏着一位人类棋手）。

为什么 500 年前的工匠们不断重复同样的尝试？也许是因为"活着的东西"对人类太重要了。生命的标志并不是某一种能力（如记忆、推理），而是一种"存在方式"——它能感受环境、能回应刺激、能在时间里改变自身状态。一个纯粹能写出漂亮诗的软件，虽然在语言上和人类难以区分，但在你心里它仍然是"工具"，而不是"存在"。这种感觉差异来自哪里？

这个问题的答案，我们要走到一千年后去找，到 1950 年图灵提出那个著名测试的时候。

但在去那里之前，请先记住一句话：人类关于"智能"的直觉，从一开始就是和"身体"绑在一起的。我们以为智能就是"思考"，但我们想象中的"能思考的存在"，从来都是坐在我们对面、能眨眼、能呼吸的一个具体的人。

这种直觉在科学革命之后被掩盖了。笛卡尔之后，主流哲学家把"心"和"身"切成两半——心灵负责思考，身体只是一台自动机器的零件。AI 的奠基者们——图灵、香农、纽厄尔、司马贺——继承了这个切分。既然心灵和身体可以分开研究，那先研究"纯思考"也无妨。在这种思路下，"智能"被抽象成了一种纯粹的信息处理过程。它能不能独立于肉体存在？这个问题的答案似乎是"当然可以，只要给它足够的数据和算法"。

但有趣的事情发生了：当研究者和工程师们真的把"纯思考"做到极致的时候（比如击败国际象棋世界冠军的深蓝系统），他们面前就出现了一个奇怪的问题：这样的系统，不会动。 它不会去拿那个被它移动过的棋子，不会看见自己赢了，不会因为胜利而感到高兴，不会站起来拥抱对手。它只是一个被固定在服务器房间里、靠耗电驱动的、不停吐出 best move 的"机器"。

如果这就是智能，那我们造出的东西真的"活着"吗？我们离那个古老的梦，到底还有多远？还是说，我们沿着错的路径走了很久？

1.2 图灵测试的盲点：会思考就够了？

1950 年 5 月，艾伦·图灵在哲学期刊 *Mind* 上发表了一篇 36 页的论文，标题叫《计算机器与智能》。在这篇论文里，他用一个聪明的设定绕开了"机器能思考吗"这种含糊的问题：让一台机器藏在屏幕后面，通过打字和人交流，看人能不能猜出屏幕后到底是一台机器还是一个人。如果人猜不出来，就说机器有智能。

这就是著名的"图灵测试"，也叫"模仿游戏"。在当时，这是一个了不起的进步。它把"智能"这种模糊的哲学概念，变成了一个可以被实践检验的程序。

但是，请注意这个测试的一个关键设计：它完全不需要身体。 整个测试只通过纯文本进行。没有摄像头，没有麦克风，没有机器人。智能被还原为"在纯文本对话中能否骗过人"。

这个设定并不偶然。它来源于一个明确的哲学假设：智能主要是心灵的事，与身体无关。如果一台机器能在纯语言上通过图灵测试，那它就"像有智能一样"，至于它是否真的坐过楼梯、看过风景、用手指触摸过热汤，这些都不构成智能的核心证据。

这个假设在历史上有巨大的正面意义。它催生了现代 AI 的整个研究范式。1956 年达特茅斯会议的几位奠基人——麦卡锡、明斯基、洛切斯特、香农——几乎都是在这个假设下展开工作的：智能 = 高级符号操作。如果你能在足够复杂的符号系统中正确操作一切，那你就做完了"智能"这件事。

这个思路在之后的半个世纪里引导 AI 走过辉煌也走过低谷。在过去的几十年里，AI 在各种"纯符号"或"纯数据"的任务上表现惊人——语音识别、翻译、围棋、象棋、蛋白质结构预测。但在另一个战场上，它却走得很慢：让一台机器在真实物理世界里自主行动。

为什么？因为真实世界和文本完全不同。

文本是封闭的、确定的、可以被完整描述的。一个英文句子拆开来就是几十个字母和几千条语法规则。一旦你有了足够大的语料库、足够深的网络，再辅以足够的算力，这种封闭世界的问题可以非常漂亮地解决。

但物理世界是开放的、不可完全预测的、有无穷多细节的。当一台机器人面对一杯水，它必须处理水的透明度、光在不同角度的反射、杯子放在软一点或硬一点的桌面上的声音差异、杯子温度对抓取力度的影响……任何变量都没有被显式地列出来供系统"读取"。它要从混乱的、流淌的、连续的真实输入流里，自己发明可以行动的结构。

这是另一个量级的难题。

哲学家约翰·塞尔（John Searle）在 1980 年用"中文屋"论证挖苦了一下"纯符号智能"的版本：想象一个关在小屋里的人，接收中文问题，按规则书查找对应的中文答案输出。屋子外面的人以为里面的人懂中文，但里面的人其实一个字也不懂。塞尔的意思是：语法操作（对符号的摆弄）永远不可能产生语义（真正的理解）。 即使你做出一台能在对话中输出完美答案的机器，它仍然可能什么都不"懂"。

塞尔的中文屋论证在哲学界至今仍被广泛讨论，但它在某种意义上启发了认知科学的一个新分支：也许智能不只活在"脑"里，而是活在"脑 + 身体 + 环境"这三者的持续交互里。 这一支，叫作具身认知（Embodied Cognition）。它相信：意义不是"读"出来的，而是"做"出来的——一条蛇对温度的恐惧不是它学会的物理事实，而是它身体里热感受器的物理响应所带来的直接评估。

1.3 Shakey 与 Brooks：当机器人走进房间

1958 年，弗兰克·罗森布拉特（Frank Rosenblatt）在康奈尔造了一台名字叫 Perceptron 的机器。这是一个用硬件搭出来的"神经元"网络，能学区分两种图形。它是第一台能"学习"的机器，让当时的公众激动地把报纸标题写成了"海军造出了会思考的机器！"。

但严格的学者很快指出：Perceptron 没有身体，它只能处理静态的、人为投放的数据。 一个数字开关的产物，并不等同于一个能自主在房间里移动、能抓住门把手开门的智慧体。

学术界注意到了这个分歧。从 1966 年开始，美国斯坦福研究所（Stanford Research Institute，简称 SRI）启动了一个雄心勃勃的项目：造一台叫 Shakey 的移动机器人。研究人员希望它能从 A 房间推一箱子到 B 房间，全程自己规划、自己执行。

Shakey 是个长得很卡通的设备：上面是一个电视摄像头和测距传感器，下面是轮子，旁边是天线和车载计算栈。它连着 PDP-10 和 PDP-15 两台计算机（也就是需要外部供电）。它在 SRI 的室内走廊里推箱子，研究员给它一个目标，比如"把那个箱子推到那个房间里去"，它就开始工作。

但 Shakey 行动极慢。

原因在于它的大脑遵循一个严苛的"自上而下"流程：

1. 把摄像头的图像解析成三维模型（"这里有一面墙，那里有一扇门，地上有一个箱子"）。 2. 用经典逻辑（特别是 STRIPS 规划系统）列举所有可能的动作序列，让一个模拟器预测每个序列的结果。 3. 在所有可能序列中找到能把箱子推到目标房间的那一条。 4. 把这条序列的第一个动作发给轮子和手臂执行。 5. 等动作完成后再次拍照，重复 1-4。

这套"先想清楚再行动"的流程有一个根本性问题：真实世界太快了。

• 当 Shakey 还在模拟"如果我往前走 1 米会撞上墙吗"的时候，墙上的人正推着小推车经过。
• 当它终于决定"先左转 15 度"的时候，地上不明液体让它侧滑了一下，它原本的轨迹不再成立。
• 当它检测到自己正在打滑，它的整个规划流程就要从头开始跑一遍。

这意味着 Shakey 的"思考"和"行动"是严格串行的——一次只做一个动作，等待环境稳定。这种系统在实验室里很优雅，但在真实世界里几乎寸步难行。

到了 1990 年，麻省理工学院的 Rodney Brooks 忍无可忍，写了一篇后来被反复引用的短文：《大象不玩象棋》(Elephants Don't Play Chess)。他在文中说：真正的智能从来不是靠"想清楚一切再动"完成的。大象不会推演它要踩下去的那片草地是不是藏着豹子的巢穴，它只是用鼻子、用脚、用耳朵持续地感受这个象群的世界，同时做出让自己和幼崽活下来的反应。这种智能是"反应式的"，而不是"规划式的"。

Brooks 没有停留在论文上。他很快造出了一种完全不同的机器人结构，叫包容架构（Subsumption Architecture）。这是一种自下而上、由若干独立行为层堆叠起来的设计。例如一个六足行走机器人，它的最底层是"关节振荡器"——没有任何高级目标，只是让腿不停动起来；往上一层是"姿势控制"——检测身体倾斜度，修正关节角度；再往上是"避障"——碰到障碍就退；最顶层才是"朝光走"或"找入口"等高级目标。

关键点是：这些层之间没有中央调度，没有"调度员"。 每一层都对传感器和电机有自己的读写权。底层永远在跑，永远在防止机器人倒下来；高层只在某些条件下"接管"行为。在大多数时间里，机器人的行为不是某个规划系统决定的，而是身体、传感器、环境实时耦合出来的。

Brooks 的这种机器人（Genghis、Allen、Cog、Hannibal 等）在当时显得很"笨"——它们不像 Shakey 那样能规划几十步将来的动作，但它们能穿越尘土飞扬的房间、能爬过不平的地面、能在被踢翻之后自己爬起来。这些能力在 Shakey 阵营当时看来不可思议——仅仅通过把"思考"分散到身体各层、不再进行"中央规划"。

Brooks 的观点在 1990 年被主流 AI 学界相当孤立，但它的方向被后来的发展强力地验证了。从无人机的稳定飞控、自动驾驶汽车的实时反应，到波士顿动力的 Atlas 在不平地面上做后空翻，本质上都是 Brooks 思路的工业化：当智能体真实地和物理世界发生接触时，"规划"和"执行"必须是一个不间断的循环，不能是先想好再动。

这场 Shakey 与 Brooks 的对决，与其说是工程之争，不如说是关于"智能本性"的哲学之争。Shakey 阵营说"智能 = 高级符号推理"，Brooks 阵营说"智能 = 身体与世界的实时互动"。今天我们对这两种思路各自的局限都有了清晰认识：纯符号系统在封闭任务上仍然是王者，纯反应系统在复杂长期任务上仍然不擅长。但真正强壮的高级智能，必须两套系统并用，而把它们缝起来的不是"中央推理引擎"，而是身体本身。

1.4 一只小白鼠的启示：感知-运动循环

到这里我想用一个真实的实验场景，把前面所有抽象的争论拉回到一个非常具体的地方。

想象你现在是一只生物实验室里的白色小鼠，体重 30 克，年龄 8 周。研究者把你从笼子里取出来，轻轻地放进一个 T 形迷宫的起点。这个迷宫很简单：一条直跑道在末端分叉，跑道两侧是高 15 厘米的光滑塑料墙，跑道底下撒着干燥的木屑。你从来没有来过这里。

研究者在你进入迷宫之前，已经把一小颗葵花籽放在迷宫一条岔路（比如，向左的那条）的尽头，而且研究员利用你的嗅觉偏好做过训练：葵花籽的气味对你是天然诱人的。另一条岔路是空的，什么都没有。

请把视角切换成这只小鼠。

你被放下的那一刻，任何事情都在发生：

• **嗅觉**：鼻腔黏膜上的嗅觉感受器在解析空气里微量的化学分子。一条岔路飘着葵花籽的清香，另一条没有。
• **胡须触觉**：你两侧的胡须接触到两侧塑料墙，发出高频的微音振动。这些音告诉你的大脑"墙在这里，距离我约 5 毫米"。
• **本体感觉**：四肢关节、肌腱上的本体感受器告诉你每一只脚在哪个角度、施加了多少力。
• **视觉**：在你这个高度，迷宫壁上有些暗些、有些亮些，走道尽头是两种不同强度的光。这都是弱信息。
• **听觉**：远处的通风设备嗡嗡响着，研究员在门口的脚步有时会引起空气震动。

你的身体——不是你的大脑——正在对你发出第一轮评估：这条跑道是凉的、干的、有气味从某个方向飘过来、视野尽头有亮光。这一轮评估不是"写在笔记上的事实"，而是你肌肉、关节、鼻腔、皮肤的物理响应直接耦合产生的态势。

现在你决定往左走。

你迈出第一步，左前爪向前伸，碰到光滑的塑料墙。光滑的表面让你的前爪略微打滑，胡须立刻告知"前方是墙"。身体自动做一个小的修正：右前爪多施加 0.5 克力，把重心往右挪一点。完全是无意识的、肌肉层面的修正。

在 0.3 秒之内，你已经迈出了五步。每一步都是一次"测—动—测—动"的循环：鼻头朝向哪一侧偏一点（感知），身体迈向气味更浓的那一侧（运动），下一瞬间空气变得更浓或者更淡（新的感知），身体再次微调朝向（新一轮运动）。这个循环在每一秒里发生几十次，频率远高于你任何"思考"的意识。

它通过试错学习的本质是什么？每一次"感知-运动"的回合，身体都在真实世界的反馈流里稍微调整一下自己的方向。如果某一边气味更浓，它就稍微多挪一点过去；如果碰了一下墙，它就把该方向的动量减少一点。这些调整不是写在某个"中央控制器"的指令表里，而是身体里的每一个传感器、每一条神经纤维、每一束肌肉纤维之间微秒级的相互调制。

到了 100 次重复后，你的小白鼠已经记住了哪一条岔路有食物。它不再做随机探索，而是以几乎无停顿的速度冲向正确的方向。它的"知识"不是写在某个地图文件里的符号关系，而是：一组肌肉、关节、感官的参数配置，能让它在这条 T 形迷宫里产生最快的成功轨迹。

这个"知识"在哪里？写在身体里，写在每一次感知-运动回路的细微权重里。 它的"方向感"不是大脑里某个"GPS 进程"在帮忙规划，而是几十亿年的进化把这个回路的频率、阈值、耦合方式都调好到了一个生命体对环境最敏感的平衡点上。

现在请思考这样一个思想实验：如果我们把这只小鼠的脑子取出来，放进一个液氮瓶，再冷冻、再切片、再"数字化"它的连接模式，然后不带任何身体地把这个数字大脑接回到一个虚拟的 T 形迷宫里跑——这个数字大脑能复制那只小鼠的成功吗？

答案很可能是"不能"——因为它当初和环境的每一次接触都被编码进了这个大脑与一组特定的关节、一组特定的鼻腔、一组特定的胡须的耦合里。如果你把它的身体换掉，这些编码就失去意义了。这种"没有身体也能运行"的 AI，常常被叫做"离身 AI"（disembodied AI）。

而真正聪明的小白鼠的"智能"，从来不是这个数字大脑的孤立产品。它是这个身体 + 这只大脑 + 这片木屑、塑料和空气组成的整体在时间中演化出来的一种自发稳态。

这就引出本章最核心的一个名词：感知-运动循环（Sensorimotor Loop）。它说的是这样一种事实——

> 智能不是一个"想清楚再动"的过程，而是身体、感知、运动三者永不停歇、不分先后的相互耦合。

感知不断修正运动，运动不断改造感知的世界，感知再次修正运动……这个循环不是模拟游戏里的多轮迭代，而是 毫秒级的、不可切断的连续流。一旦把这个流里某一个环节强行切断（比如，把身体的反馈剔除，让大脑只能处理提前打印好的数据集），整个循环就死亡了，剩下的只是一个脆弱、孤立、无法适应真实世界的"思考器"。

1.5 深蓝与 Atlas：两种截然不同的智能

让我们把视角拉到 1997 年 5 月 11 日，纽约，IBM 派出的下棋系统 Deep Blue 击败了世界冠军卡斯帕罗夫。当时这是一个震撼全球的成就：人工智能在某个被人类视为智力巅峰的项目上超过了人类。

请把这个成就拆开看：

• Deep Blue 运行在 IBM RS/6000 SP 主机上，使用 30 台并行 CPU，加 480 块专用象棋芯片，每秒能评估约 2 亿个棋局位置。
• 它的"输入"是棋盘状态的一个精确符号表达——64 个格子、32 颗棋子，每一颗的种类、位置、是否吃过子、是否移动过王车。它通过光标移动读取下一手。
• 它的"输出"是一行棋步坐标文字。它不移动真正的棋盘。
• 它不能下台阶、不能打喷嚏、不能在对手咳嗽时表示关心、不能亲一下奖杯。它没有任何"存在形态"。

Deep Blue 是 1990 年代传统 AI 的巅峰代表：纯粹的、符号化的、脱离肉身的智能。它在自己的"封闭世界"里战无不胜，但它对这个世界的依赖也只有一个——有人帮它把棋盘状态数字化。一旦断了这条输入，它就什么都不剩。

22 年后的 2019 年，波士顿动力公司发布了一段视频：一台被重新设计的人形机器人 Atlas