具身智能的复兴：从符号AI到世界模型 / The Revival of Embodied Intelligence: From Symbolic AI to World Models

第1章 具身智能的复兴：从符号AI到世界模型

智能能否脱离躯体而存在？这个看似哲学化的提问，过去七十年间反复重塑了人工智能的研究版图。1956年达特茅斯会议以来，AI历经符号主义、行为主义与连接主义三次范式更迭，但每一种范式都在试图回答同一个核心难题：一个没有身体的智能体，能否真正理解它所处的世界？Stevan Harnad在1990年提出的符号接地问题（Symbol Grounding Problem）指出，纯符号系统无法仅凭自身的句法操作获得意义——符号必须通过某种"接地"机制，与外部世界的感知-运动经验相连。这一论断在2024年具身智能迎来GPT级别突破时显得尤为尖锐：单纯的语言模型可以写出流畅的指令，却无法可靠地执行"把杯子放到桌子上"这样的物理动作；它能背诵牛顿第二定律，却在机器人受力失衡时给出错误的补偿策略。

那么，突破口在哪里？近五年的研究逐渐汇聚到一个共识：智能体需要一个内部的世界模型（World Model）——一个可微、可推演、可在想象中试验策略的动态表示。本章沿着历史-认知-工程三条线索，回答以下层层递进的问题：为什么"无身体的AI"会在感知、泛化与适应性上遭遇根本性瓶颈？认知科学中的4E框架（Embodied, Embedded, Enactive, Extended）如何为下一代AI设计提供蓝图？世界模型作为"内部模拟器"，究竟解决了传统范式中的哪些结构性缺陷，又如何成为具身智能走向通用化的关键技术路径？

1.1 范式更迭与符号接地：从符号主义到世界模型

人工智能的历史，可以被读作一部关于"身体"（body）在认知中位置反复被重估的编年史。理解今天的世界模型为何崛起，需要先看清前三次浪潮各自留下了什么、丢掉了什么。

符号主义（Symbolicism, 1956–1990） 把智能视为对离散符号的逻辑操作。Newell和Simon的物理符号系统假说（Physical Symbol System Hypothesis）断言，"物理符号系统具备产生一般智能行为的充分必要手段"。这一假设催生了专家系统、定理证明器和知识工程，在受限领域取得了显著成功。然而，Harnad在1990年的经典论文中指出了一个致命缺陷：符号的语义是从何而来的？一个从未"见过"红色的系统，如何真正理解"红色"这个符号？纯符号系统只能把"红"翻译为"波长620–750nm的光"，但"波长620–750nm的光"本身又需要被翻译——最终陷入无穷回溯。这就是著名的符号接地问题。

行为主义与早期强化学习（Behaviorism & Classical RL, 1986–2012） 试图绕开符号，直接从感知-动作循环中涌现智能。Brooks的包容架构（Subsumption Architecture）以"无表征的智能"为旗帜，用层层叠加的行为模块取代中央符号系统；Sutton与Barto在《强化学习导论》中则把学习刻画为"策略-价值-环境模型"三件套。这一阶段的代表成果——TD-Gammon、Atari DQN——证明了试错学习的威力。但其根本局限在于样本效率和泛化能力：智能体动辄需要数百万次交互才能学会一个简单游戏策略，遇到训练分布外的场景几乎完全失效。

连接主义与深度学习（Connectionism, 2012–2018） 用深度神经网络重新统一了感知与决策。CNN让视觉识别跨过工业化门槛，Transformer使语言建模达到惊人水平。然而，这一阶段的AI依然是"无身体的"——模型在数据中心里被训练，在静态数据集上被评估。它能识别图片中的猫，却不知道猫被抱起时如何挣扎；它能翻译"打开抽屉"，却不知道抽屉的阻力来自导轨摩擦。

世界模型阶段（World Models, 2018–） 的标志性事件是Ha和Schmidhuber在2018年发表的《World Models》论文，以及随后DeepMind的Dreamer系列、MuZero和GAIA-1等模型。它们的核心思想是：智能体不应该只在真实环境中学习，而应该先在内部构建一个关于世界的可微模拟器，然后在模拟器中"想象"（imagination）并规划。这一思路把AI从"数据饥渴的拟合器"转变为"具备前瞻能力的行动者"。

```mermaid flowchart LR A["Symbolic AI 1956 Logic & Rules"] --> B["Behaviorism 1986 Subsumption & RL"] B --> C["Connectionism 2012 Deep Learning"] C --> D["World Models 2018 Dreamer MuZero"] D --> E["Foundation Era 2024 LLM + Body"] E --> F["General Embodied AI"] ```

为什么符号接地问题在今天变得尤其迫切？ 答案在于任务的物理性。语言模型可以通过互联网文本"间接接地"——文本本身就是人类经验的符号化沉淀。但具身任务要求智能体直接作用于物理世界：抓取易碎品、在拥挤人群中行走、把柔软布料折叠整齐。这些任务无法仅靠文本接地，必须依赖感知-运动接地（sensorimotor grounding）。世界模型正是提供这种接地的工程机制：它把传感器的原始信号映射到一个潜在空间中的动力学方程，使符号操作（规划、推理、想象）能够在物理一致的表征上进行。

从历史角度看，三次浪潮并非简单的"后者取代前者"，而是每一次都丢失了前一代的某些关键遗产。符号主义留下了结构化推理，行为主义留下了环境交互，连接主义留下了可微表征。世界模型之所以能成为新的统一框架，正因为它把三者重新整合：动力学方程提供结构，环境交互提供数据，神经网络提供可微表示。本书后续章节将反复回到这一论断——世界模型不是又一波浪潮，而是AI范式的收敛点。

1.2 4E认知科学：身体作为认知的引擎

如果说1.1节回答了"为什么必须身体化"，1.2节要回答"身体究竟如何塑造认知"。这一问题的答案不在AI实验室，而在认知科学过去三十年的实证积累中。1990年代以来，认知科学家逐渐达成一个被称作4E认知（4E Cognition）的共识：真实的认知是具身的（Embodied）、嵌入的（Embedded）、生成性的（Enactive）、延伸的（Extended）。四个"E"分别对应四条独立但相互支撑的实证线索。

Embodied（具身）：认知的内容与过程被身体的物理形态所约束。一个最经典的实验证据来自Wilson和Foglia：人们在听到"向左转"的指令时，如果是顺时针旋转身体后给出指令，则反应时间显著加快；如果是逆时针旋转后给出，反应变慢。这说明"左/右"这样的抽象概念，其神经表征与身体的运动方向深度耦合。对于机器人设计，这意味着关节的物理可达范围、传感器的噪声特性、连杆的刚度——这些"硬件约束"不是工程师必须克服的障碍，而是塑造智能的先验。世界模型的潜在空间维度、动作空间粒度，都应该反映身体的真实约束，而不是任意的数学抽象。

Embedded（嵌入）：认知发生在与环境的实时耦合中，不能脱离环境孤立地理解。经典认知科学把大脑视为信息的输入-输出处理器；嵌入式视角则认为，认知是智能体-环境耦合系统的涌现属性。经典的例子是Clancey的"航行认知"研究：一个有经验的船长在恶劣海况中并不在脑内运行流体动力学方程，而是通过观察浪花、船体振动和风向进行情境感知（situated awareness）。对AI的启示是，世界模型必须把环境当作第一公民，而不是可替换的奖励函数来源。DreamerV3等近期模型之所以在视觉-运动任务上效果突出，关键就在于它们的世界模型能够捕捉到环境的长期依赖，而不仅仅把环境当作i.i.d.的奖励源。

Enactive（生成性）：认知不是被动地表征世界，而是通过行动生成（enact）有意义的经验。Varela、Thompson和Rosch在《具身心智》（The Embodied Mind, 1991）中提出，感知不是对外部刺激的镜像，而是"感觉运动活动所引导的有意义区分"。通俗地说：你看到的颜色，取决于你能做什么；你能抓住的物体，取决于你如何伸手。这意味着世界模型的学习目标不应该是"重建像素"，而应该是"支持行动"。我们将在第5章详细讨论这一观点如何转化为对比性表征学习（contrastive representation learning）和任务驱动的世界模型。

Extended（延伸）：认知可以延伸到身体之外，包括工具、环境中的符号系统，甚至他人的心智。Kirsh的"智能环境的再分配"（Distributed Cognition）研究表明，专家和新手的差别不在于他们大脑的差异，而在于他们重组环境的能力——把常用工具放在触手可及处、用便签标记任务状态、用手势引导协作。1990年代中期Hutchins在《Cognition in the Wild》中对海军舰船导航团队的研究，把整艘船的仪表、规章和团队手势视为一个"认知系统"。对AI的启示是：具身智能体的能力边界不应只看它自身的网络参数，而要看它整个感知-行动-工具的闭环。世界模型应该把环境中的可操作对象（按钮、键盘、API）视为模型的延伸，而不是外部障碍。

把这四条线索整合起来，可以得到一个对世界模型设计的清晰启示：世界模型应该是一个具身的、嵌入的、生成性的、延伸的可微模拟器。"具身"意味着它的潜在空间必须与身体的运动学-动力学一致；"嵌入"意味着它必须实时吸收环境反馈，而不是离线训练后冻结；"生成性"意味着它的损失函数应该以行动成败而非像素保真度为目标；"延伸"意味着它应该能够把工具、他人、符号系统纳入自己的推演范围。

这一框架也解释了为什么纯语言的LLM路线在具身任务上会遭遇天花板：语言模型是离身的（disembodied）、去情境的（decontextualized）、表征性的（representational，而非生成性的）、自足的（self-contained，而非延伸性的）。它可以学会关于世界的描述，但难以生成关于世界的可行动知识。世界模型恰好补齐了这四个维度。

1.3 世界模型：具身智能的"内部模拟器"

有了1.1节的历史判断和1.2节的认知基础，本节进入工程核心：世界模型究竟解决了传统AI范式中的哪些根本性缺陷？

要回答这个问题，需要先厘清世界模型的形式化定义。一个世界模型通常包含以下组件：

1. 编码器 $E: \mathcal{O} \to \mathcal{Z}$，把高维观测 $\mathbf{o}_t$（图像、点云、力信号）映射到潜在状态 $\mathbf{z}_t$； 2. 动力学 $f: \mathcal{Z} \times \mathcal{A} \to \mathcal{Z}$，描述在动作 $\mathbf{a}_t$ 下潜在状态如何演化 $\mathbf{z}_{t+1} = f(\mathbf{z}_t, \mathbf{a}_t)$； 3. 解码器 $D: \mathcal{Z} \to \mathcal{O}$，从潜在状态重建观测； 4. 奖励预测器 $R: \mathcal{Z} \to \mathbb{R}$，预测给定状态下执行动作后的奖励； 5. 可选的终止预测器 $C: \mathcal{Z} \to [0,1]$，预测回合是否结束。

在学习阶段，模型通过最小化重构误差、动力学误差和奖励预测误差的联合损失来训练：

$$ \mathcal{L}_{\text{WM}} = \underbrace{\|\mathbf{o}_{t+1} - D(f(E(\mathbf{o}_t), \mathbf{a}_t))\|_2^2}_{\text{observation reconstruction}} + \underbrace{\|r_{t+1} - R(f(E(\mathbf{o}_t), \mathbf{a}_t))\|_2^2}_{\text{reward prediction}} + \beta \underbrace{D_{\text{KL}}(q(\mathbf{z}_t|\mathbf{o}_t) \| p(\mathbf{z}_t))}_{\text{regularization}} $$

其中 $\beta$ 控制信息瓶颈的强度，$q$ 和 $p$ 分别是编码器分布和先验分布。这一损失函数的设计直接体现了1.2节的"生成性"原则——观测重建保证模型感知真实环境，动力学一致性保证模型可推演，奖励预测保证模型与任务对齐。

世界模型相对模仿学习和经典RL的优势，可以从三个维度展开论述。

第一，样本效率（Sampling Efficiency）。 模仿学习（Imitation Learning）依赖专家示范，经典RL依赖环境交互。两者在具身场景中的共同瓶颈是：每一次数据采集都需要在真实物理世界或高保真仿真中执行动作，成本高昂。世界模型的核心机制是想象回放（imagination rollout）——在潜在空间中以极低代价生成虚拟轨迹：

$$ \tau_{\text{imagined}} = \{\mathbf{z}_0, \mathbf{a}_0, \mathbf{z}_1, \mathbf{a}_1, \dots, \mathbf{z}_H\} $$

其中 $\mathbf{z}_{t+1} = f(\mathbf{z}_t, \mathbf{a}_t)$。一次想象的计算成本大约是一次真实环境交互的 $10^{-3}$ 到 $10^{-6}$（取决于仿真复杂度）。DeepMind的DreamerV2在Atari上仅用与环境交互步数相当的训练量就达到了人类水平，正是因为它把绝大多数梯度更新都放在了想象轨迹上。想象机制使世界模型成为样本高效学习器。

第二，可解释性与安全性（Interpretability & Safety）。 模仿学习得到的策略是一个黑箱；经典RL得到的策略同样不可读。世界模型则不同：动力学 $f$ 本身就是一个可推演的未来模拟器。我们可以查询"如果在状态 $\mathbf{z}$ 下执行动作 $\mathbf{a}$，5秒后会怎样？""什么样的动作序列能到达目标状态？"这种反事实推理（counterfactual reasoning）能力，使得智能体在执行动作前能够预演后果，从而规避危险行为。在自动驾驶、手术机器人、协作制造等安全关键场景，这种"先想后做"的能力至关重要。MuZero在围棋、国际象棋、将棋上达到超人水平，部分原因就在于它通过学习一个抽象的世界模型，摆脱了对完美仿真器的依赖，同时保留了规划能力。

第三，长视野任务与组合泛化（Long-Horizon & Compositionality）。 经典RL在长视野任务上遭遇信用分配（credit assignment）的指数级困难：哪个时间步的动作对最终成功贡献最大？世界模型通过潜在空间的因果结构缓解了这一问题。如果动力学 $f$ 学习到的是近似线性的局部依赖，那么梯度信号可以沿着轨迹高效回传；如果潜在空间进一步被结构化为对象级别的槽位（slots），那么组合泛化——把训练中见过的物体重新组合——就成为可能。第6章我们将专门讨论对象级世界模型如何实现组合泛化。

但世界模型并非万能。它自身也面临三个开放挑战，本书后续章节将分别给出应对思路：

• **模型偏差（Model Bias）**：想象轨迹可能与真实环境分布偏移，导致在想象中表现优异、在真实环境中表现糟糕。这是经典的**分布外泛化**（OOD generalization）问题。第4章将讨论如何通过潜在空间正则化、对比学习和模型集成（ensemble of worlds）来缓解。
• **表征纠缠（Representation Entanglement）**：如果潜在空间把因果无关的变量耦合在一起，动力学会变得难以学习。第5章将介绍对象中心表示（object-centric representation）和解纠缠学习（disentangled learning）方法。
• **想象与执行的耦合（Coupling of Imagination and Action）**：在想象中训练出的策略，如何高效迁移到真实执行？这涉及**隐式微分**（implicit differentiation）和**梯度穿越模拟器**（gradients through simulators）的工程难题，第7章和第8章将深入讨论。

总结这一节的核心论点：世界模型是连接物理世界经验与符号推理的"可微桥梁"，它通过想象回放解决样本效率问题，通过可推演性解决可解释性与安全性问题，通过潜在结构解决长视野与组合泛化问题。这三个优势的共同根源，是把"环境"从外部约束转变为内部表征——这正是具身认知所要求的核心能力。

1.4 全书地图与七大学习目标

本节给出全书知识图谱与学习路径，帮助读者建立宏观坐标。本书共15章，按"基础—建模—决策—迁移—前沿"五个层次组织。

第一部分：基础（第1–3章）。第1章（本章）建立历史与认知视角。第2章深入数学工具：随机过程、最优控制、信息论与微分几何。第3章介绍强化学习的现代形式，包括模型无关、基于模型、离线与离线-在线混合四种范式。

第二部分：世界模型（第4–7章）。第4章介绍潜在动力学模型（latent dynamics）的代表方法，包括RSSM、Transformer-based World Models和Diffusion-based World Models。第5章讨论表征学习：从VAE到对比学习，再到对象中心表示。第6章深入对象级与关系级世界模型，实现组合泛化。第7章讨论可微物理仿真器（diffrax、Mujoco MJX、Brax）作为世界模型的极端形态。

第三部分：决策与规划（第8–10章）。第8章是潜在空间的策略学习，包括Dreamer系列和TD-MPC。第9章是模型预测控制（MPC）与蒙特卡洛树搜索（MCTS）在世界模型上的应用。第10章讨论语言条件下的世界模型，把LLM的语义推理与神经模拟器的物理一致性结合。

第四部分：迁移与现实部署（第11–13章）。第11章是仿真到现实（sim-to-real）迁移：域随机化、域适应与系统辨识。第12章是真实机器人系统：感知硬件（RGB-D、触觉、IMU）、ROS 2通信与硬件在环。第13章是安全、可解释性与人类监督。

**第五部分