Name: 心智之镜
Author: MiniMax-M3

智能的新范式：从数据到具身 / The New Paradigm: From Data to Embodiment

第 1 章　智能的新范式：从数据到具身

Chapter 1: The New Paradigm — From Data to Embodiment

---

1.1　一个看似简单的问题：为什么聊天机器人做不了家务

A Deceptively Simple Question: Why Chatbots Cannot Do Housework

让我们从一个具体的生活场景开始。

想象你刚刚买回一台最新型号的人形机器人，它的大脑里装着人类目前训练出的最强语言模型——例如 GPT-5 或它的同代产品。你对这台机器人说：「帮我把厨房的碗洗一下。」

机器人回答：「好的，我理解您的请求。洗碗通常包括以下步骤：打开水龙头 → 取适量洗洁精 → 用海绵擦洗 → 冲洗 → 沥干。我已经为您生成了详细的操作流程图，请问需要我以文本、表格还是语音方式呈现？」

它说得头头是道，对吧？每一个词都准确、礼貌、富有条理。但如果你真的把它放进厨房，问题立刻暴露：它不知道水龙头长什么样，不知道洗洁精瓶子是哪个，不知道碗在哪里，不知道海绵应该握多紧，更不知道当手滑的时候应该重新调整握力。

这不是因为它「笨」——它在语言任务上可能比绝大多数人都强。问题在于：它从来就没有「手」，也从来没有「进过」一个真正的厨房。

这个看似简单的家务场景，精确地揭示了当代人工智能最深的裂缝——也是本章要回答的核心问题：

> 为什么单纯训练聊天机器人无法造出会做家务的机器人？为什么我们需要一种全新的智能范式？ > > Why can training a chatbot alone never produce a robot that can do housework? Why do we need an entirely new paradigm of intelligence?

要回答这个问题，我们必须把时间拉长，从人工智能七十年的发展史讲起，看看这场革命究竟走到哪里，下一步又该往哪里走。

---

1.2　AI 的三次浪潮：从符号主义到具身智能

The Three Waves of AI: From Symbolism to Embodied Intelligence

人工智能作为一个学科，诞生于 1956 年夏天在达特茅斯学院召开的那场传奇会议。在那次会议上，约翰·麦卡锡（John McCarthy）、马文·闵斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）等人首次正式提出了「人工智能」（Artificial Intelligence）这个术语。从那时起，AI 的发展大致可以划分为三次浪潮。每一次浪潮都有自己信奉的核心假设、偏爱的方法论、取得的成就，以及走向衰落的原因。

1.2.1　第一次浪潮：符号主义与「智能即规则」

The First Wave: Symbolism and "Intelligence as Rules"

第一次浪潮的主导思想叫做符号主义（Symbolism），也被称为GOFAI——「Good Old-Fashioned AI」，即「经典的、老派的人工智能」。符号主义者的核心信念可以用一句话概括：

> 智能的本质是对符号的逻辑操作。Intelligence is, at its core, the logical manipulation of symbols.

在符号主义者眼中，人类的心智就像一台运行程序的计算机：知识可以被表示为一条条「如果……那么……」的规则（IF-THEN rules），推理就是对规则的链式调用。著名的案例包括：

**逻辑理论家**（Logic Theorist, 1956）：纽厄尔和西蒙（Newell & Simon）编写的程序，被认为能够像数学家一样证明《数学原理》中的定理。
**通用问题求解器**（General Problem Solver, 1957）：试图用统一的「手段-目的分析」（means-ends analysis）来求解任何可以形式化的问题。
**专家系统**（Expert Systems, 1970s–1980s）：如 MYCIN（医学诊断）、DENDRAL（化学分析），把人类专家的知识编码为规则库，在特定领域内达到了令人惊讶的水平。

符号主义的辉煌在 1980 年代达到顶峰。日本政府甚至启动了「第五代计算机计划」（Fifth Generation Computer Project, 1982–1992），投入数十亿美元试图打造能理解自然语言的智能机器。

然而符号主义最终撞上了两堵墙：

第一堵墙是「知识获取瓶颈」（Knowledge Acquisition Bottleneck）。要把人类的所有常识都写成规则，成本是无法承受的。研究者发现，一个三岁小孩都知道的常识——比如「水是湿的」「球会滚动」「人不能同时在两个地方」——要用规则写出来，需要成千上万条 IF-THEN 语句，而且永远写不完。这个问题后来被道格拉斯·莱纳特（Douglas Lenat）用 Cyc 项目尝试解决，他从 1984 年开始手工编写常识库，写了三十多年也没有写完。

第二堵墙是「框架问题」（Frame Problem）。这是哲学家和 AI 科学家共同面对的难题：在一个变化的世界中，行动会产生大量「副作用」（side effects），而一个智能体根本无法事先预测所有副作用。例如你打开房间的灯，世界发生的改变不仅是「灯亮了」，还包括「房间变亮了」「影子变了」「电表在走」「隔壁可能听到开关声」……符号系统必须把每一种可能性都显式建模，这在计算上是不可行的。

到 1990 年代，符号主义在产业界几乎销声匿迹，第一次浪潮退潮。

1.2.2　第二次浪潮：连接主义与「智能即学习」

The Second Wave: Connectionism and "Intelligence as Learning"

第二次浪潮的核心信念恰好与第一次相反：

> 智能不是被设计出来的，而是从数据中「涌现」（emerge）出来的。 > > Intelligence is not designed; it emerges from data.

这股浪潮的源头可以追溯到 1943 年麦克洛克和皮茨（McCulloch & Pitts）提出的神经元数学模型，以及 1958 年罗森布拉特（Rosenblatt）发明的感知机（Perceptron）。但真正的爆发要等到 2000 年代以后——三个条件同时成熟：大规模标注数据（ImageNet 等数据集的出现）、强大算力（GPU 集群的普及）、算法突破（深度学习，特别是 2012 年 AlexNet 在 ImageNet 比赛中的胜利）。

第二次浪潮的代表性成就包括：

**图像识别**：从 2012 年 AlexNet 的 15.3% top-5 错误率，到 2017 年 SENet 的 2.25%，机器在「看见」这件事上已经超越人类。
**语音识别**：基于深度神经网络的端到端模型（如 DeepSpeech、Whisper）让语音转文字的准确率逼近人类水平。
**自然语言处理**：从 2017 年 Transformer 架构的提出，到 2018 年 BERT、2020 年 GPT-3、2022 年 ChatGPT、2023 年 GPT-4，大语言模型（LLM）在文本理解、生成、推理、翻译上的能力呈现指数级跃升。
**强化学习的胜利**：2013 年 DeepMind 用 DQN 玩 Atari 游戏达到人类水平；2016 年 AlphaGo 以 4:1 战胜世界冠军李世石；2017 年 AlphaGo Zero 完全通过自我对弈超越所有人类棋谱；2019 年 AlphaStar 在《星际争霸 II》中击败世界冠军。

连接主义的成功是毋庸置疑的。它让 AI 走出实验室，进入手机、相机、汽车、医疗影像等无数真实场景。但它的局限也开始显现——这些局限与符号主义不同，却同样深刻。

局限一：数据依赖。深度学习是一个「数据黑洞」，需要海量标注样本才能学到有用的模式。人类小孩认识一只猫只需要看几次，而最好的图像识别模型需要看几十万张猫的图片。标注数据的成本（金钱、时间、人力）正在成为不可逾越的障碍。

局限二：分布外脆弱性。深度学习模型在训练数据分布之内表现出色，一旦遇到「没见过」的情况就可能犯下荒谬的错误。例如有研究者在停车标志上贴上特定花纹的贴纸，就能让自动驾驶系统把它识别为「限速 45 英里」。

局限三：缺乏世界知识。大语言模型虽然看起来「什么都知道」，但本质上是在做「下一个 token 预测」（next-token prediction），它学到的是语言的统计结构，而不是世界的因果结构。这就是为什么它会自信地说「太阳从西边升起」——在它所见的训练文本中，这个短语出现的概率比「从东边升起」低，但不会低到零；它并不「知道」太阳系的物理结构。

局限四：无法行动。这一点最为关键，也是本章的核心。无论一个语言模型多么强大，它在物理意义上是静止的（static）。它没有摄像头、没有机械臂、没有轮子、没有触觉传感器。它「知道」洗碗的步骤，但「知道」与「做到」之间，隔着一道鸿沟。

这四个局限——尤其是最后一个——呼唤着第三次浪潮的到来。

1.2.3　第三次浪潮：具身智能与「智能即行动」

The Third Wave: Embodied Intelligence and "Intelligence as Action"

2020 年代中期以来，一股新的力量开始汇聚。学术界和工业界几乎同时意识到：要让 AI 真正影响物理世界，必须让它「长出手脚」——也就是必须把它具身化（embody）。这股力量被研究者称为具身智能（Embodied AI / Embodied Intelligence）的浪潮。它的核心信念可以这样表述：

> 智能不是大脑独白，而是身体、大脑、环境三者之间持续互动的产物。 > > Intelligence is not a soliloquy of the brain, but a product of continuous interaction among body, brain, and environment.

这种「具身转向」（embodied turn）并不是 2020 年代才发明的思想。它在 1990 年代已经在认知科学和机器人学中萌芽（我们将在 1.3 节详细介绍）。但它之所以在今天成为主流，是因为第二次浪潮的成果——尤其是大语言模型、强化学习、视觉 Transformer——提供了前所未有的「大脑」，而硬件的成熟（更便宜、更灵巧的机械臂、四足机器人、人形机器人）提供了「身体」。两边终于凑齐了。

让我们用一个简化的对比图，把三次浪潮的核心差异呈现出来：

```mermaid flowchart LR A[第一次浪潮: 符号主义 Symbolism] --> A1[智能=规则 Intelligence as Rules] A1 --> A2[瓶颈: 知识获取难 Knowledge Bottleneck] A2 --> B[第二次浪潮: 连接主义 Connectionism] B --> B1[智能=学习 Intelligence as Learning] B1 --> B2[瓶颈: 物理行动 Physical Action] B2 --> C[第三次浪潮: 具身智能 Embodied AI] C --> C1[智能=行动 Intelligence as Action] C1 --> C2[未来: 世界模型 World Models] ```

理解了这三次浪潮的递进关系，我们就可以更精确地回答开篇那个问题：

**第一次浪潮**告诉我们：把人类的知识显式写成规则，注定失败；
**第二次浪潮**告诉我们：让机器从数据中自己学规律，可以获得惊人的能力，但前提是有足够的数据；
**第三次浪潮**要回答的问题是：**当数据不够、当世界不断变化、当任务必须在物理世界中完成时，智能体该怎么办？**

答案是：它必须生活在世界之中，必须通过身体的行动去主动探索、去试错、去建立关于世界的心智模型。这就是「具身」二字的真正含义。

---

1.3　具身假设的认知科学基础

The Cognitive Science Foundations of the Embodiment Hypothesis

如果具身智能不只是一种工程上的权宜之计，而是一场真正的范式革命，那么它必须有坚实的理论基础。这个理论基础的来源不是工程学，而是认知科学（cognitive science）——一个融合了哲学、心理学、神经科学、语言学、人类学、人工智能的交叉学科。

在 1990 年代，一批认知科学家不约而同地提出了一个大胆的主张：传统认知科学是错的。他们把传统的「认知即计算」观点戏称为「脑子里的约翰·赛尔」（the John Searle in the head），并提出了三种互相呼应的理论：具身认知（Embodied Cognition）、延展心智（Extended Mind）、情景认知（Situated Cognition）。它们合起来构成了我们所说的具身假设（the Embodiment Hypothesis）。

1.3.1　罗德尼·布鲁克斯：智能无需表征

Rodney Brooks: Intelligence Without Representation

1986 年，时任麻省理工学院人工智能实验室主任的罗德尼·布鲁克斯（Rodney Brooks）发表了一篇日后被引用数万次的论文——《大象不会下棋》（*Elephants Don't Play Chess*）。他在文中尖锐地指出：1980 年代的 AI 研究把太多精力投入到「让机器下棋」上，而完全忽略了「让机器在真实世界中行动」这个更基本的问题。

他用一个思想实验作为开场：如果我们想造一只像大象那样的智能体，它能在丛林中行走、避障、寻找食物、与其他大象互动——我们需要的是什么？是让它在内部建立一个关于丛林的完整地图吗？显然不是。真实世界中的大象并不依靠内部地图来行动，它依靠的是感觉运动回路（sensorimotor loop）：眼睛看到的、脚底踩到的、耳朵听到的、鼻子嗅到的，所有这些信息直接驱动它的肌肉运动。

基于这个观察，布鲁克斯在 1990 年提出了著名的包容体系结构（Subsumption Architecture）。他把机器人的控制系统分成多层「行为模块」（behavioral modules），例如：

第 0 层：**避障**（avoid obstacles）——遇到障碍物就转向；
第 1 层：**漫游**（wander）——在没有障碍时随机游走；
第 2 层：**探索**（explore）——主动寻找远处的目标；
第 3 层：**建图**（build map）——记录走过的地方。

每一层都是独立运行的行为，高层可以「压制」（subsume）低层——也就是说，如果机器人在第 2 层要朝某个特定目标前进，但第 0 层检测到前方有墙，那么第 0 层会立即覆盖第 2 层的指令，让机器人先避障。

布鲁克斯的革命性之处在于：智能体不需要中央的、世界模型。智能分布在多个并行的行为模块中，环境本身就是最好的「表征」。这听起来和当时主流的 AI 路径完全背道而驰——主流路径认为，AI 必须在内部建立精确的世界表征才能行动。布鲁克斯说，不，世界本身就是它的表征。

他的哲学可以被概括为一句话：

> 「世界是它自己最好的模型。世界始终是最新的。」 > > "The world is its own best model. The world is always up to date."

这种「没有表征的智能」听起来激进，但布鲁克斯用一台六足机器人 Genghis（成吉思）证明了它可行——Genghis 能在崎岖地形上稳定行走，却内部没有任何地图。

1.3.2　安迪·克拉克：延展心智与认知外包

Andy Clark: The Extended Mind and Cognitive Outsourcing

如果说布鲁克斯是从机器人的角度切入，那么英国哲学家安迪·克拉克（Andy Clark）就是从人类心智的角度切入。他在 1997 年与大卫·查尔莫斯（David Chalmers）合作的经典论文《延展心智》（*The Extended Mind*）中提出了一个反直觉的论点：

> 认知过程不仅发生在大脑内部，还可以延伸到身体和环境中。 > > Cognitive processes do not occur solely inside the brain; they extend into the body and the environment.

他们用一个思想实验说服读者：想象一位叫 Otto 的老人，他有严重的记忆障碍，记不住任何新事物。他随身带着一个笔记本，把所有需要记住的事情都写在本子上。每当需要查一个地址时，Otto 就会翻看笔记本。

问题来了：Otto 和一位健康人 Inga 之间的认知差别，真的是「大脑里」和「大脑外」的区别吗？还是说，对 Inga 来说，记忆是「储存在大脑里」，而对 Otto 来说，记忆是「储存在笔记本里」——但认知过程的本质并没有改变？

克拉克和查尔莫斯认为，如果 Otto 和 Inga 在功能上完全等价（都能查地址、都能解决同样的问题），那么我们就没有理由坚持「认知必须发生在颅骨之内」。认知可以跨越皮肤（skull-bound）甚至跨越身体（body-bound）的边界。这就是「延展心智论」（Extended Mind Thesis）。

这个观点对具身智能有什么启示？它告诉我们：机器人不需要把所有信息都装在「脑袋」里。它的认知可以分布在：

身体的传感器（眼睛、皮肤、陀螺仪）；
身体的结构（六足比两轮稳定，柔性手比刚性手更安全）；
环境的反馈（用台灯的颜色表示状态，用桌面的物体作为「外部记忆」）；
云端的算力（远端的服务器可以承担复杂规划）。

现代人形机器人几乎都用到了这四种「延展」：本地 GPU 处理感知、柔性关节保护自身、灯光与表情显示状态、云端 LLM 负责语言对话和长程规划。

智能的新范式：从数据到具身 / The New Paradigm: From Data to Embodiment

第 1 章 智能的新范式：从数据到具身

1.1 一个看似简单的问题：为什么聊天机器人做不了家务

1.2 AI 的三次浪潮：从符号主义到具身智能

1.2.1 第一次浪潮：符号主义与「智能即规则」

1.2.2 第二次浪潮：连接主义与「智能即学习」

1.2.3 第三次浪潮：具身智能与「智能即行动」

1.3 具身假设的认知科学基础

1.3.1 罗德尼·布鲁克斯：智能无需表征

1.3.2 安迪·克拉克：延展心智与认知外包

1.3.3 埃