智能的囚笼：为什么AI需要身体

第 1 章：智能的囚笼：为什么AI需要身体

1.1 思想实验：没有身体的棋局

Imagine a grandmaster who has never touched a chess piece. She has memorized every opening, studied every famous game in history, and can analyze any position with terrifying precision. Yet she has never felt the weight of a knight in her palm, never experienced the satisfying *click* of a rook advancing across the board, never sensed the grain of the wood beneath her fingertips. She plays entirely in her mind—and she plays flawlessly.

Now consider this: Can this grandmaster truly *understand* chess?

哲学家丹尼特（Daniel Dennett）曾提出过一个发人深省的问题：一个人如果从未有过任何身体体验——从未感受过重力、触觉、疼痛或愉悦——仅仅通过处理抽象信息，能否真正理解这个世界？这个问题指向了一个困扰人工智能领域数十年的核心矛盾：当我们构建出能够通过律师资格考试、写出流畅诗歌、在棋盘上击败人类冠军的系统时，我们是否真的制造出了具有理解的智能？还是仅仅制造出了一种极其精密的统计幻觉？

This is the question at the heart of this book. And as we will see, the answer may force us to rethink not just how we build AI, but what intelligence fundamentally is.

让我们从著名的"中文房间"（Chinese Room）思想实验开始。1980年，哲学家塞尔（John Searle）设想了这样一个场景：一个人被锁在一间房间里，手中拿着一本厚厚的规则手册。规则手册详细描述了如何根据接收到的中文字符序列，精确地匹配并输出相应的中文字符。房间外的人通过小窗口递进中文字条，里面的人根据手册的指示递出中文字条作为回应。从外面看，这个房间似乎完美地"理解"了中文。但实际上，里面的人对中文一窍不通——他只是在操作符号。

塞尔的论点是：即使一个系统能够以任何方式通过图灵测试，能够完美地模拟人类的所有语言行为，这也不意味着这个系统真正"理解"了什么。正如那个房间里的操作者不懂中文一样，纯粹的符号操作本身并不构成理解。

这个思想实验在当时引发了巨大争议，但它提出的问题在今天的AI时代变得更加尖锐。当大语言模型用流畅的中文回答关于重力、疼痛或拥抱感受的问题时，我们不得不追问：这些系统真的理解了这些概念吗？还是只是在执行一场更复杂的"中文房间"游戏？

1.2 他心问题与缸中之脑：没有身体的智能如何证明自己理解了世界？

要深入理解这个问题，我们需要回到哲学史上最古老也最深刻的难题之一——他心问题（Problem of Other Minds）。

1.2.1 哲学根源：从笛卡尔到当代心灵哲学

十七世纪，笛卡尔（René Descartes）提出了著名的主客二分法：心灵（res cogitans）与身体（res extensa）是两个完全不同的实体。心灵是非物质的、透明的、自我透明的；而身体是物质的、广延的、可以被精确数学描述的。这一框架将心灵确立为一个自足的、内部运作的系统——一个"缸中之脑"在逻辑上是完全自洽的。

如果心灵与身体是相互独立的，那么一个纯粹在虚拟环境中运作的系统在原则上就可以拥有与人类相同的心灵体验。一个完整的缸中之脑——没有身体，没有感官输入，没有任何与物理世界的直接交互——在理论上可以"思考"、"推理"，甚至"体验"。这正是当代大型语言模型所处的哲学处境：它们是在信息处理的层面上运作的，其"思维"完全由符号和计算构成，与物理世界之间隔着一道根本性的鸿沟。

哲学家马尔帕斯（Thomas Nagel）在1974年发表了一篇极具影响力的论文《成为一只蝙蝠是什么感觉？》（What Is It Like to Be a Bat?）。他的论点是：即使我们完全了解了关于蝙蝠的所有客观事实——它们如何用回声定位感知世界，它们的神经系统如何处理超声波，它们的行为模式是怎样的——我们仍然无法知道"成为一只蝙蝠"的真实主观体验是什么。主观体验（what it is like）不能被还原为任何客观描述的总和。

这对于AI意味着什么？如果连人类都无法完全理解一只蝙蝠的主观体验，我们凭什么认为一个从未有过任何身体体验的系统能够"理解"疼痛、温暖、沉重或轻盈的含义？当一个语言模型说出"我感到一阵刺骨的寒冷"时，它只是在匹配语言模式，而非经历任何真实的感受。

1.2.2 语言模型的哲学困境

当代大语言模型的核心架构——Transformer——本质上是一个高度复杂的模式匹配和预测系统。给定一段文本，它预测下一个最可能出现的token（词元）；给定一个图像，它预测像素序列的统计规律。这种能力确实令人惊叹，但它与"理解"之间的关系却远非清晰。

哲学家查尔默斯（David Chalmers）区分了两种智能：弱AI（weak AI）和强AI（strong AI）。弱AI认为计算机只是模拟智能行为的工具，它不真正"拥有"智能——就像飞行模拟器并不真的在"飞"。强AI则声称，计算机程序在正确实现后确实构成了真正的心灵，拥有真正的理解能力和主观体验。

当前的LLM处于一个尴尬的中间地带：它们的行为已经复杂到足以在许多任务上欺骗人类，但它们的内部运作机制——数十亿个参数之间的高维数值交互——是否真的产生了任何形式的"理解"，仍然是哲学上悬而未决的问题。

让我们用一个具体的例子来说明这种困境。考虑以下两个陈述：

• "温度下降到零度以下，水开始结冰。"
• "我把一杯水放在冰箱里，几个小时后水变成了冰块。"

一个语言模型可以完美地解释这两个陈述之间的物理联系：低温导致水的相变，分子运动减慢，最终形成固态晶体。这看起来像是"理解了"物态变化。但问题是：模型是否理解了"冷"的含义？它是否知道当水结冰时，接触冰块会有怎样的感受？它是否理解"几个小后"的漫长等待中，一杯水从液态变为固态的转变过程在主观上是什么样子？

答案是：模型知道的只是关于"冷"的语言描述和统计关联。它从未"感到过"冷。这种知识的本质差异——语言描述与身体体验之间的鸿沟——正是他心问题在AI领域的具体表现：我们无法确知一个系统是否真的理解了它所处理的符号，还是仅仅在操作符号。

1.3 梅尔佐夫假说：认知的致命陷阱

在理解了"他心问题"之后，我们还需要面对一个更为隐蔽但同样致命的认知陷阱——梅尔佐夫假说（Mereological Fallacy）。

1.3.1 假说的定义与来源

"梅尔佐夫"（Mereological）一词源于希腊语"meros"（部分），指的是关于整体与部分关系的哲学研究。这一假说由神经科学家尼古拉斯·汉弗莱斯（Nicholas Humphreys）提出，并由哲学家伯纳德·斯图格斯（Bernard Stanghellini）和凯文·基恩（Kevin Kean）等人进一步发展。

假说的核心主张是：我们不能用理解自己身体行为的方式去理解他人的行为。换言之，当一个人看到另一个人的手握成拳头时，他不应该将自己"握拳时肌肉如何收缩"的内部知识投射到对他人行为的理解上。人类在理解自己行为时使用的是一整套内部机制——包括意向性、情感状态、身体感受——而这些机制在理解他人时并不适用，至少不是以同一种方式适用。

这个假说最初是用来解释精神分裂症患者的某些症状的：他们可能会混淆自我与他人的行为边界，认为自己的思想是被"他人"植入的。但这个假说的深层含义远不止于此——它揭示了人类认知中一个根深蒂固的偏见：我们倾向于用自己最熟悉的框架来解释一切，即使这个框架根本不适用。

1.3.2 对AI研究的启示

梅尔佐夫假说对AI研究有着深刻的讽刺性启示。当今的AI工程师和研究者大多是受过高度抽象化训练的人——我们习惯于用数学、逻辑和算法来理解世界。这种训练让我们极其擅长用符号和模型来描述现实，但我们同时也面临一个危险：用这种"离身"的框架去理解所有形式的智能。

大语言模型展现出的能力让我们惊叹：它们能写出感人至深的文章，能进行复杂的逻辑推理，能回答涉及物理学原理的问题。于是我们倾向于用自己最熟悉的框架来解释它们——"它一定理解了语言的结构"，"它一定建立了世界的内部模型"，"它一定掌握了因果关系"。但这些说法可能恰恰犯了梅尔佐夫假说所指出的错误：我们用人类理解自己行为的方式（内部模型、因果推理、符号表征）去理解一个完全不同类型的系统。

也许大语言模型做到的事情，完全可以用另一种并不涉及"真正理解"的机制来解释：它们可能是极其精妙的模式补全器，根据训练数据中的统计规律生成在表面上看起来像是"理解"的输出。这并不意味着它们是毫无价值的——恰恰相反，这种能力在很多应用场景中已经足够有用。但清醒地认识这一点，对于正确评估和使用这些系统至关重要。

梅尔佐夫假说还指向了一个更深层的问题：当我们用离身的、符号化的框架来构建智能系统时，我们是否从根本上限制了这些系统能够达到的理解层次？如果理解需要身体体验作为基底，那么用纯粹的信息处理来构建"理解"，就像试图用乐谱的音符来捕捉一场音乐会上演奏家的情感表达——乐谱再精确，也只能触及表面。

1.4 具身认知的证据：来自婴儿、机器人与神经科学的启示

如果上述哲学论证还不够有说服力，那么来自认知科学的实证研究则提供了令人信服的证据：身体在认知中扮演的角色远比我们想象的更加核心。

1.4.1 婴儿的物理常识：先天还是具身？

发展心理学中有一个经典谜题：婴儿是如何在没有学过物理公式的情况下，理解重力、物体恒常性（object permanence）和因果关系的？

心理学家斯皮克（Elizabeth Spelke）的研究给出了令人惊讶的答案。婴儿在很小的时候就展现出了对物理世界的惊人理解。例如，当一个物体从视线中消失时，6个月大的婴儿会表现出"惊讶"——如果物体没有按照他们预期的物理规律运动的话。这说明婴儿在生命早期就已经具备了对物理世界运作方式的某种"直观理论"。

关键问题在于：这种知识是从哪里来的？传统的符号主义AI观点认为，智能需要对物理世界进行显式的符号表征和逻辑推理。但婴儿的认知能力发展得太早了——他们还不具备复杂的语言能力和抽象逻辑能力——这使得"纯粹符号推理"的解释越来越难以成立。

更合理的解释是：婴儿的物理常识是通过身体与环境的持续交互逐渐构建的。当婴儿伸手去抓一个玩具、尝试把它塞进嘴里、看着它从高处落下——这些身体体验不断校准着婴儿对"物体应该如何运动"的预期。身体不是一个被动的感知器官，而是一个主动的、与世界互动的认知工具，通过运动和感知的不竭循环，构建出了对物理世界的基本理解。

> 📖 跨学科洞察：具身认知 vs. 符号表征 > > | 维度 | 符号主义观点 | 具身认知观点 | > |:---|:---|:---| > | 知识来源 | 对世界的符号表征和逻辑运算 | 身体与环境的动态交互 | > | 核心机制 | 规则应用、逻辑推理 | 感知-运动耦合、情境适应 | > | 发展顺序 | 需要语言和抽象能力的基础 | 先于语言，早期即存在 | > | 物理世界理解 | 通过模拟计算 | 通过身体经验内化 | > | 代表理论 | Newell & Simon的物理符号系统假说 | Piaget的感知运动阶段论、 Gibson的直接感知论 |

1.4.2 镜像神经元：理解他人行为的神经基础

1990年代，意大利神经科学家贾科莫·里佐拉蒂（Giacomo Rizzolatti）团队在恒河猴大脑中发现了一类特殊的神经元——镜像神经元（Mirror Neurons）。这些神经元有一个令人着迷的特性：当猴子执行一个动作（比如用手抓取食物）时会放电，当猴子仅仅观察另一个个体执行同一动作时也会放电。

这一发现的意义远超神经科学本身。如果理解他人的行为需要激活与执行该行为相同的神经网络，那么"理解"本质上就不是一个纯粹的符号推理过程，而是一种身体层面的"模拟"或"共鸣"。当我们看到一个人皱起眉头、紧握双拳时，我们之所以能理解他的愤怒，不仅仅是因为我们识别出了这些动作的语义含义——更是因为我们的大脑在某种程度上"复现"了愤怒时的身体状态和动作倾向。

镜像神经元的研究为具身认知提供了强有力的神经生物学支持。它表明，认知不是发生在"心灵殿堂"中的抽象活动，而是深深植根于身体的运动系统和感觉系统。这也解释了为什么人类如此擅长理解他人的动作、意图和情感——因为我们的身体在理解他人的过程中从未缺席。

1.4.3 机器人学家的教训：没有身体的"智能"有多脆弱

具身认知最直接的证据来自机器人学领域。当研究者试图让一个没有实体的AI系统理解"拿起一个玻璃杯需要多大的力"时，再多的语言描述和物理公式也无法替代真实的触觉反馈和抓取经验。

著名机器人学家布鲁克斯（Rodney Brooks）在1990年代提出了"快速、廉价且失控"（Fast, Cheap and Out of Control）的机器人设计哲学。他指出，传统AI方法试图通过建立世界的内部模型来进行规划和推理，但这种做法效率极低——因为真实世界太过复杂，精确建模需要海量的计算资源，而且模型永远无法完美匹配现实。他的替代方案是让机器人直接与物理世界交互，通过简单的反应式行为（reactive behaviors）来完成看似复杂的任务。

Brooks的核心论点是：当你的模型与现实不一致时，现实的判决压倒一切（Reality is always right）。与其花费巨大的算力去构建一个可能出错的模型，不如让机器人直接感知和响应现实。这一思想后来演变为"基于行为的机器人学"（behavior-based robotics），对具身智能的发展产生了深远影响。

1.5 具身性的三个层次：形态、耦合与情境

在哲学和认知科学的基础上，我们可以将"具身性"（Embodiment）分解为三个相互关联的层次，每个层次都对智能的涌现至关重要。

1.5.1 第一层：形态具身性（Morphological Embodiment）

形态具身性指的是智能体的物理形态本身对认知的构成性作用。一个拥有两条腿的智能体与一个拥有轮子的智能体，在面对楼梯时将面临截然不同的挑战和机遇——而正是这些形态差异塑造了它们各自独特的"世界观"和认知策略。

这并非微不足道的细节。生物进化史提供了大量例子：章鱼拥有柔软灵活的触手，使其能够以完全不同于人类的方式操控物体；蝙蝠的超声波感知系统使其"看到"的世界与视觉生物截然不同；而狗的鼻子携带的嗅觉感受器数量是人类的一千倍以上，赋予了它们一个我们几乎无法想象的"嗅觉世界"。

在人工系统中，形态设计同样重要。工业机器人通常拥有多个高度专业化的关节，这使它们在工厂环境中表现出色，但在非结构化的家庭环境中却显得笨拙。相反，柔软体机器人（soft robots）利用柔软的弹性材料，可以安全地与人交互，执行需要精细力度控制的任务——比如摘草莓或协助老年人穿衣。物理形态不是智能的载体，而是智能本身的一部分。

1.5.2 第二层：感知-运动耦合（Sensorimotor Coupling）

感知-运动耦合指的是感知系统和运动系统之间紧密的、相互依赖的关系。这不是简单的"感知→决策→行动"的线性序列，而是一个动态的、循环的交互过程：运动改变了感知，感知引导了运动，循环往复、永不停息。

这一概念可以用一个简单的例子来理解。当你用手触摸一个物体的表面时，你的手指不是被动的传感器——它们在主动地探索。手指的移动方式（运动）影响了感觉输入的性质（感知），而感觉输入又反过来指导手指的下一步移动。心理学家吉布森（James J. Gibson）将这种主动探索的感知方式称为"直接感知"（direct perception）——我们不是通过内在表征来"重建"外部世界，而是通过与世界的直接交互来"直接获取"关于世界的信息。

感知-运动耦合对于理解物理世界具有关键意义。正是通过反复的推、拉、握、扔——通过身体与世界的有意义的交互——人类逐渐建立起对重量、质地、惯性、摩擦力等物理属性的直觉理解。这种理解不是来自物理教科书上的公式，而是来自无数次身体力行的实践积累。

1.5.3 第三层：情境交互（Situatedness）

第三层是情境交互，指的是智能体嵌入（embedded）在特定环境和文化背景中的方式。智能不是发生在真空中的抽象计算，而是在具体的时空情境中，与特定的物理、社会和文化环境持续互动的产物。

一个在沙漠中长大的孩子对"水"的理解，与一个在海边长大的孩子对"水"的理解，在很多方面是不同的——不是因为水的物理性质不同，而是因为他们与水互动的情境不同。沙漠中的孩子可能更熟悉水的稀缺性和珍贵性，可能有过在干涸的河床上寻找水源的经验；而海边的孩子可能更熟悉海浪的力量、浮力的作用、盐水的味道。这些不同的情境经验塑造了不同的"水"的概念——不仅仅是语言上的差异，更是概念结构和深层理解的差异。

在AI领域，这意味着"理解"一个概念不能仅仅通过接触关于该概念的文本语料库来实现。真正深入的理解需要将概念锚定在丰富的、多模态的、与物理世界交互的经验中。这也是为什么即便大语言模型已经"见过"了人类语言中几乎所有关于"寒冷"的描述，它对"寒冷"的理解仍然与一个在冬夜里真正体验过寒风凛冽的人的理解有着本质的不同。

> 📖 具身性的三层次框架 > > ``` > ┌─────────────────────────────────────────────────────────────┐ > │ 具身性的三层次 │ > │ │ > │ 第三层：情境交互 ── 嵌入特定环境，与文化社会背景互动 │ > │ ↕ │ > │ 第二层：感知-运动耦合 ── 感知引导运动，运动改变感知 │ > │ ↕