具身智能的野心：当 AI 拥有了身体 / The Embodied Dream
第 1 章：具身智能的野心——当 AI 拥有了身体
> The Embodied Dream: Why "Body" Became the Hottest Word in AI
如果 2023 年是"大语言模型之年"，那么 2024 年和 2025 年，几乎可以毫无悬念地被称为"具身智能之年"（the year of embodied AI）。在旧金山的 NeurIPS 2024 现场，你很难找到一个不聊 robot、manipulation、embodied agent 的人；在伦敦 DeepMind 的走廊里，研究员们开始把"policy"和"action chunk"挂在嘴边；甚至连一直坚守纯语言路线的某些中国大厂，也悄悄成立了"具身部门"。这并非跟风，而是一场迟到了 70 年的认知补课——AI 终于开始认真对待一个被符号主义时代反复回避的问题：没有身体的心智，到底能走多远？
本章就是这个问题的起点。我们会从哲学史的深处挖起，看一看"embodied cognition"（具身认知）这条线索如何从 1940 年代的控制论（cybernetics）一路蜿蜒到 2025 年的通用机器人；再转入工程视角，搞清楚为什么再强大的 LLM 也无法直接驱动机械臂完成"把红色积木放在蓝色杯子里"这种任务；最后，我们会引入一个核心概念——世界模型（World Model），它是具身智能的"心智地图"，也是后续整本书的主线。在你读完这一章之后，应该能用一句话回答：为什么具身智能必须拥有世界模型？
---
1.1 从 GPT 到机器人：2023 年以来的"具身转向"
1.1.1 一个有趣的现象：所有顶尖实验室都在谈"身体"
让我们先做一次"现场速写"——看看 2024 到 2025 年，全球最顶尖的 AI 实验室都在忙什么：
- **OpenAI**：2024 年 2 月成立"Robotics"团队（不是大家熟悉的 ChatGPT 团队），重新启动一度搁置的机器人研究。Sam Altman 在多个场合强调："AGI 不会只存在于对话框里。"
- **Google DeepMind**：2023 年发布 **RT-2**（Robotics Transformer 2），把视觉-语言模型直接用到机械臂控制上；2024 年推出 **RT-X** 数据集，把 22 种机器人的数据统一训练；2025 年初的 **Gemini Robotics** 进一步把多模态推理嵌入到动作生成中。
- **Physical Intelligence (PI)**：一家从零起步的初创公司，2024 年融资 7 亿美元，估值 24 亿美元，团队来自 OpenAI、谷歌、特斯拉。他们不做大模型，只做"让大模型能落地到机器人的那一层"。
- **特斯拉 Optimus**：从 2022 年的概念演示到 2024 年的量产原型，Musk 的目标不是造一个能聊天的机器人，而是"能进工厂干活的工人"。
- **Figure AI**、**1X Technologies**、**Apptronik**、**宇树（Unitree）**、**银河通用（Galbot）**、**智元机器人（AgiBot）**……一长串名字在 2024 年集体登上头条。
如果你把这些新闻按时间线排开，再叠加上学术圈的数据——2024 年 CoRL（Conference on Robot Learning）的投稿量同比增长 80%，ICRA 的具身相关 session 占到接近 1/3——你就会发现：具身智能不是某个团队的临时起意，而是整个 AI 行业的范式转移（paradigm shift）。
但问题来了——为什么是现在？语言模型不是已经"涌现"出推理能力了吗？为什么不让 LLM 直接去控制机器人？
1.1.2 范式转移的三个底层驱动力
这背后有三股力量同时达到了临界点：
第一股力量：LLM 碰到了天花板。 大语言模型在 2023 年展示了惊人的语言能力，但在 2024 年开始暴露明显的局限——幻觉（hallucination）、推理深度不足、无法真正"理解"物理世界。研究者们意识到，纯文本训练无法通向 AGI。Geoffrey Hinton 在 2024 年的 Nobel 演讲中直言："我们需要的不是更大的语言模型，而是能理解世界的模型。"
第二股力量：硬件终于跟上了。 2022 到 2024 年，机器人硬件出现了两个关键突破：一是力矩控制的轻量化机械臂（如 Unitree 的 Z1、Realman 的 RM75），价格跌到了 1 万元人民币以下；二是高性能仿真平台（Isaac Sim、MuJoCo XLA、Genesis）的成熟，使得"在虚拟世界里训练、在现实里部署"成为可能。
第三股力量：数据范式的变革。 过去机器人研究最大的瓶颈是数据——你没法像爬网页一样爬机器人的操作数据。但 2024 年以来，大规模遥操作（teleoperation）+ 视频预训练 让数据获取速度提升了两个数量级。Open X-Embodiment 数据集汇集了 60 多个研究机构的数据，训练样本超过 2 百万条轨迹。
这三股力量合在一起，形成了一个清晰的信号：AI 的下一个主战场，从"对话框"转移到了"物理世界"。
1.1.3 一个关键概念区分：AI vs. Embodied AI
在我们继续之前，必须先定义清楚两个容易混淆的概念：
- **AI（人工智能）**：广义概念，泛指所有让机器表现出类人智能行为的技术，包括语言、视觉、决策、规划等。
- **Embodied AI / Embodied Intelligence（具身智能）**：狭义概念，特指**有物理身体（physical body）或虚拟身体（virtual body）、能在真实或仿真环境中感知-行动（sense-act）、并通过与环境的交互来学习的智能系统**。
具身智能的"身体"不一定是金属和电机。一个在游戏引擎里被训练、会控制虚拟角色完成导航和抓取的智能体，也是 embodied agent。这是 Alan Turing 在 1950 年那篇《Computing Machinery and Intelligence》中就隐约预见的想法——他提出的"模仿游戏"（Imitation Game）实际上假定了"智能体要能行动"。
> 💡 关键洞察 / Key Insight > 具身智能的"身"（body），不一定非要是物理实体。一个在仿真环境里学会抓取的虚拟手臂，与一个在真实厨房里抓杯子的机械臂，在认知结构上是对等的。区别只在于"行动的物理后果"是否可逆——仿真里摔倒可以重启，真实世界里摔倒可能就要进维修车间了。
---
1.2 身体的回归：Embodied Cognition 与 4E 框架
1.2.1 一个被符号主义压制了 30 年的想法
要理解具身智能的"哲学血统"，我们必须回到 20 世纪中叶。
1943 年，Warren McCulloch 和 Walter Pitts 发表了一篇划时代的论文——《A Logical Calculus of the Ideas Immanent in Nervous Activity》。他们证明：神经元可以建模为逻辑门，思维可以还原为符号操作。这个观点后来被 Allen Newell 和 Herbert Simon 推到了极致，催生了符号主义 AI（symbolic AI）和"物理符号系统假说"（Physical Symbol System Hypothesis, PSSH）。PSSH 的核心断言是：智能 = 符号 + 计算。只要你能设计出正确的符号表征和推理规则，机器就能表现出智能。
这个范式统治了 AI 领域近 30 年（1956-1986）。它的巅峰是 1997 年 IBM DeepBlue 击败卡斯帕罗夫——一个纯粹的符号-搜索系统，击败了世界冠军。但符号主义有一个致命的盲点：它假设符号本身是有意义的。
1950 年代，控制论（Cybernetics）的先驱们——Norbert Wiener、William Grey Walter、John von Neumann——其实已经意识到了"身体"的重要性。Wiener 在《Cybernetics》中明确指出：反馈回路（feedback loop）才是智能的核心，而反馈必须发生在物理世界。Walter 制造的"tortoise"机器人（1948-1949）是第一个展示"感知-行动闭环"的自主机器——它只有两个电子管、一个传感器、一个马达，但能表现出趋光、避障等行为。
然而，符号主义在 60-80 年代的辉煌让控制论传统几乎销声匿迹。直到 1986 年，Rodney Brooks 发表了那篇著名的论文——《Elephants Don't Play Chess》——具身智能才正式回归主流。Brooks 的核心论点是：
> "The world is its own best model. The trick is to sense it appropriately and often enough." > （世界就是它自己最好的模型。诀窍是足够频繁、足够恰当地去感知它。）
Brooks 用这种"无表征智能"（representation-less intelligence）的思路，设计了 Genghis（六足爬行机器人）和 Cog（人形机器人）。这些机器人没有世界模型，没有符号推理，只有"感知-行动"回路，但它们在真实环境中的鲁棒性远超当时的符号系统。
1.2.2 4E 框架：身体的四种存在方式
到了 1990 年代末和 2000 年代，认知科学界开始系统化地反思"心智-身体"的关系。其中最有影响力的成果是 4E 认知科学框架——四个"E"分别代表：
| 英文 | 中文 | 核心主张 | 在 AI 中的对应 | |------|------|----------|----------------| | Embodied | 具身 | 认知依赖于身体的物理形态、感觉器官和运动系统 | 形态计算（morphological computation）、软体机器人 | | Embedded | 嵌入 | 认知系统嵌入在环境中，环境是认知的一部分 | 情境感知（context-aware computing）、物联网 AI | | Enacted | 生成 | 认知不是被动反映世界，而是通过行动主动生成意义 | 主动感知（active perception）、机器人探索策略 | | Extended | 延展 | 认知可以延伸到身体之外（工具、笔记、AI 助手） | 人机协作、外骨骼、大模型作为"认知外挂" |
我们逐一来解释。
Embodied（具身）：为什么章鱼的触手能独立完成"打开罐子"这种复杂操作？因为它的神经系统分布到了每条触手里。身体的形态本身就在"计算"。这一思想在机器人学里被称作"形态计算"（morphological computation）——比如波士顿动力的 Atlas 能后空翻，部分原因不是控制算法的精妙，而是它的液压驱动系统本身就提供了被动力矩。同样的理念被现代软体机器人（soft robotics）继承：Rolf Pfeifer 的"被动行走"（passive dynamic walking）证明，一个设计得当的机械结构，能在没有电机的情况下下楼梯。
Embedded（嵌入）：James Gibson 的"可供性"（affordance）理论指出，物体的意义不是它的物理属性，而是它对行动者提供的"行动可能"。一把椅子不是"四条腿 + 一个座面"，而是"可以坐的地方"+"可以踩的工具"+"可以挡门的障碍"。这种意义只在"行动者-环境"的耦合中才存在。一个嵌入了厨房环境的机器人，会比一个孤立的视觉系统更"理解"杯子。
Enacted（生成）：这是最反直觉的一个。Enactivism（生成认知）的代表人物 Francisco Varela、Hubert Maturana 提出了"自创生"（autopoiesis）理论：生命系统通过不断与环境的交互来维持自身的存在。把这个观点推到 AI 领域，就是说：智能不是对世界的表征，而是与世界耦合的过程。一个机器人"理解"红色的方式是——它学会了红色通常意味着"停止"或"危险"，这种理解是在无数次行动反馈中生成的。
Extended（延展）：这是 Andy Clark 和 David Chalmers 1998 年那篇著名论文《The Extended Mind》的核心观点：认知的边界不局限于颅骨，它可以延伸到身体之外。笔记本、计算器、Google 搜索，乃至今天的大语言模型，都可以被视为人类认知的"外挂"。一个外科医生用达芬奇手术机器人做手术时，机器人的机械臂就是他的"延展身体"。
1.2.3 4E 与现代具身 AI 的对应
这四个"E"不是抽象的哲学概念，而是现代具身 AI 系统的设计原则。我们来看几个例子：
- **Embodied → 形态计算（morphological computation）**：ETH 的 ANYmal 四足机器人能在复杂地形稳定行走，部分原因在于其腿部的柔性关节设计——它把"控制难度"转嫁给了"机械设计"。这呼应了 Embodied 原则。
- **Embedded → 情境建模（contextual modeling）**：谷歌的 RT-2 把"环境提示"（如厨房里识别出微波炉）作为输入的一部分，让模型根据场景调整动作策略。
- **Enacted → 主动感知（active perception）**：波士顿动力的 Spot 在执行巡检任务时，会主动调整摄像头角度去"看"它感兴趣的区域——它的"看"不是被动的图像采集，而是一种"主动询问"环境的行动。
- **Extended → 人机协作（human-robot collaboration）**：Figure 02 人形机器人在 BMW 工厂与工人协作，工人教它如何拧螺丝，机器人把学到的策略"上传"到一个共享知识库，其他机器人可以下载——这是认知的延展。
> 🔍 深度思考 / Deep Dive > 4E 框架的真正威力在于，它提醒我们："智能"不是一个可以在脱离环境的实验室里被独立测量的东西。一个在干净、规则明确的仿真环境里 100% 成功的抓取算法，到了真实厨房里可能 10% 都达不到——因为后者的环境充满了不可预测的扰动（光线变化、物体滑动、人类突然出现）。这就是为什么 4E 框架是后续章节讨论"世界模型"和"具身推理"时的哲学基础。
---
1.3 符号接地问题：为什么 LLM 是"漂浮"的
1.3.1 Harnad 的"中文房间"升级版
1990 年，哲学家 Stevan Harnad 在《The Symbol Grounding Problem》一文中提出了一个至今仍未完全解决的问题：符号本身没有意义，它必须通过某种方式"接地"（ground）到物理世界。
Harnad 打了个比方：假设你有一本中英字典，里面把所有中文词都翻译成英文词。如果一个只懂英文的人查字典来"读"中文，他能学会中文吗？答案是不能——他能学会符号到符号的映射，但他永远不知道这些符号在物理世界里对应什么。同样的问题困扰着 LLM：它能完美地预测下一个 token，但它知道"红色"是什么颜色吗？它知道"热"是什么感觉吗？它知道"推"和"拉"在肌肉上有什么区别吗？
Harnad 提出的解决方案是：符号必须通过"传感器（transducers）"接地到世界。一个机器人能"理解""红色"，不是因为它看过很多包含"红色"这个词的句子，而是因为它的摄像头实际接收到 700nm 波长的光，它的电机因为这些输入而做出了"停止"的动作。
这个观点在 LLM 时代被重新激活。2023 年，Yann LeCun 在多次演讲中明确指出：
> "LLMs are fundamentally limited because they have no grounding in the physical world. They are 'floating' symbols, unanchored to sensorimotor experience." > （LLM 根本上是受限的，因为它们没有在物理世界中的接地。它们是"漂浮"的符号，没有锚定在感觉运动经验上。）
1.3.2 一个实验：让 GPT-4 直接控制机械臂
让我们看一个具体的失败案例——这是 2023 年多个研究团队独立做过的实验（最完整的版本来自 Stanford 的 RoboGPT 项目）：
> 实验设置：给 GPT-4 一个机械臂的控制接口。机械臂面前有一张桌子，上面有三个物体：红色立方体、蓝色圆柱体、绿色球体。研究者给 GPT-4 下达指令："把红色立方体放在蓝色圆柱体上面。"
GPT-4 的表现：
1. 指令理解：✅ 完美——它能正确解析"红色立方体"、"放在上面"等语义。 2. 物体识别：⚠️ 部分成功——给定完美标注的图像，它能识别物体，但遇到反光、遮挡时错误率飙升。 3. 空间推理：❌ 失败——当指令是"把红色立方体放在蓝色圆柱体左边 5 厘米"时，GPT-4 经常给出方向错误或距离错误的动作序列。 4. 物理可行性：❌ 严重失败——它不知道机械臂的可达范围（workspace），不知道抓取顺序的依赖关系，不知道"先放下当前物体才能抓下一个"。 5. 异常处理：❌ 灾难性失败——如果物体滑落、碰撞、遮挡，GPT-4 几乎完全无法恢复。
这个实验揭示了一个残酷的事实：LLM 在物理世界面前是"色盲"的。它能写出"机器人控制代码"，但它写出的代码往往在物理上不可执行——因为它对"重力"、"摩擦"、"惯性"、"碰撞"等概念没有任何内化的理解。
1.3.3 接地问题的三个层级
Harnad 最初的"符号接地"是一个二元的——要么接地，要么没接地。但在现代 AI 语境下，我们发现接地实际上有三个层级：
层级 1：感知接地（Perceptual Grounding） 让符号对应到具体的感官输入。知道"红色"对应 700nm 波长的光，"猫叫"对应特定的音频频谱。这一层级是现代视觉-语言模型（VLM）部分达到的——CLIP 能把图像和文本对应起来。
层级 2：行动接地（Action Grounding） 让符号对应到具体的运动输出。知道"抓"对应一系列电机指令，知道"推开"对应"靠近物体-接触-施加力-分离"