智能的物理之身：从符号到具身

智能是否必须拥有一副躯体？当我们让一台机器在围棋棋盘上击败世界冠军、在标准化考试中超越多数考生、在几秒钟内生成足以乱真的图像时，一个被回避了数十年的问题正在变得尖锐：这些"智能"是否真的在理解世界，还是仅仅在进行一种极为精妙的符号操控？如果答案是后者，那么通往真正通用人工智能的道路，可能并不在于更大的模型或更多的算力，而在于一个更古老、更朴素的前提——智能需要身体（intelligence requires a body）。本章将沿着六十余年人工智能发展史的脉络，从符号主义（Symbolism）的辉煌与崩塌，到连接主义（Connectionism）的复兴，再到第三代人工智能——具身智能（Embodied AI）——的崛起，建立起理解"思维的载体"这一主题的哲学与历史坐标。

1.1 符号主义的高峰与阴影：从达特茅斯到第一次AI寒冬

1956年夏天，在美国新罕布什尔州汉诺威镇的达特茅斯学院（Dartmouth College），一群后来被尊为"人工智能奠基人"的研究者召开了一次为期两个月的研讨会。会议的提案由约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）和纳撒尼尔·罗切斯特（Nathaniel Rochester）共同起草，其中第一次正式使用了"人工智能"（Artificial Intelligence）这一术语。提案中充满了那个时代特有的乐观信念：他们宣称，"学习的每一个方面或智能的任何其他特征，原则上都可以被如此精确地描述，以至于能够制造出机器来模拟它"。这一信念的核心假设极为明确——智能的本质是符号操作（symbol manipulation），只要找到正确的符号表征（symbolic representation）和推理规则，就可以让机器思考。

这个假设并非凭空而来。它深深扎根于两个伟大的思想传统：其一是莱布尼茨（Gottfried Wilhelm Leibniz）的"通用演算"（Characteristica Universalis）梦想，即用一套精确的符号语言来表达一切人类知识；其二是图灵（Alan Turing）在1936年提出的通用图灵机（Universal Turing Machine）模型，证明了任何可计算过程都可以被一台具有足够内存和正确程序的机器执行。符号主义AI将这二者结合，发展出了一整套关于智能的形式化纲领：知识可以用符号和逻辑来表征，推理可以用规则链来实现，机器只需要一个"物理符号系统"（physical symbol system）就能产生智能行为。

在随后的二十年里，符号主义AI取得了一系列令人惊叹的进展。1965年，约瑟夫·韦曾鲍姆（Joseph Weizenbaum）开发了ELIZA程序，它能用简单的模式匹配模拟心理治疗师的对白，让许多用户以为自己在与真人交流。1970年代，专家系统（Expert System）成为AI研究的主流方向。费根鲍姆（Edward Feigenbaum）等人开发的DENDRAL系统能够帮助化学家从质谱数据中推断分子结构，MYCIN系统则能诊断血液感染疾病并推荐抗生素方案，其判断准确率甚至超过了部分人类专家。这些成就让研究者们相信，"智能机器"已经指日可待。1970年，《生活》杂志（Life）在一篇广为流传的报道中预言，"在三到八年内，机器将能够胜任任何普通人能做的事情"。

然而，预言落空了。1980年代中后期，符号主义AI的局限开始以无法回避的方式暴露出来。研究者们发现，专家系统的能力严重依赖于"知识获取瓶颈"（knowledge acquisition bottleneck）——人类专家难以将自己内化的、隐性的、直觉性的知识完整地表述为规则。更为根本的是，莫拉维克悖论（Moravec's Paradox）如同一盆冷水，浇灭了符号主义者的乐观情绪。汉斯·莫拉维克（Hans Moravec）等人在1988年出版的《机器人时代》（Mind Children）一书中精辟地指出："让计算机在智力测验或西洋跳棋上表现出成人水平相对容易，但要让它在感知和移动能力上达到一岁小孩的水平却极其困难，甚至根本不可能。"换言之，AI最容易模拟的是抽象推理，最难模拟的恰恰是人类认为理所当然的感知运动能力。

这一悖论并非偶然。它揭示了一个深刻的事实：人类的抽象思维能力是经过数百万年进化、在具身经验的基础上发展起来的"高层"能力，而感知运动能力则是"低层"的、经过漫长自然选择优化的基础能力。用形式逻辑来模拟高层思维虽然困难，但并非不可能；用同样的方法来模拟低层的身体技能，却几乎注定要失败——因为身体技能本质上是连续的、实时的、与物理世界深度耦合的，无法被简化为离散的符号操作。

1980年代末至1990年代初，AI研究遭遇了第一次寒冬（AI Winter）。政府资助大幅缩减，商业项目纷纷下马。符号主义并未消亡，但其作为AI主流范式的地位已经动摇。研究者们开始意识到，如果要让机器真正具备智能，仅仅让它们"思考"是不够的——它们还需要"感知"、"行动"和"存在于"一个真实的世界中。

1.2 连接主义的复兴：神经网络的崛起与未竟之业

就在符号主义陷入困境的同时，另一条研究路线——连接主义（Connectionism）——在沉默中积蓄力量。其源头可以追溯到1943年沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）的工作，他们提出了第一个形式化的神经元数学模型，证明由这种简化神经元组成的网络原则上可以计算任何逻辑函数。1958年，弗兰克·罗森布拉特（Frank Rosenblatt）进一步发明了感知机（Perceptron），这是一种能够学习的简单神经网络模型。一时间，连接主义似乎提供了通往智能的全新道路：智能不是通过显式的符号规则产生的，而是从大量简单单元的并行连接和权重调整中"涌现"（emerge）的。

然而，1969年马文·明斯基和西摩尔·帕普特（Seymour Papert）出版了《感知机》（Perceptrons）一书，数学上严格证明了简单感知机无法学习异或（XOR）这类非线性函数。这一打击使得连接主义研究几乎停滞了十年。直到1986年，戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton）和罗纳德·威廉姆斯（Ronald Williams）重新发现了反向传播算法（Backpropagation），才使得训练多层神经网络成为可能。但真正的转折点要等到2010年代。2012年，亚历克斯·克里泽夫斯基（Alex Krizhevsky）和辛顿设计的AlexNet在ImageNet图像识别竞赛中以压倒性优势夺冠，标志着深度学习（Deep Learning）时代的到来。随后的十年里，深度学习在计算机视觉、语音识别、自然语言处理、强化学习等领域接连取得突破。2016年，DeepMind的AlphaGo击败世界冠军棋手李世石；2022年底，OpenAI发布ChatGPT，引爆了生成式AI的浪潮。

连接主义的力量源自何处？从根本上说，它抛弃了符号主义"先定义规则，再进行推理"的自上而下策略，转而采用"用数据驱动，让模式自己浮现"的自下而上策略。深度神经网络通过层层堆叠的非线性变换，能够从高维数据中自动提取出对人类而言难以言表的特征表征（feature representation）。例如，在图像识别任务中，底层神经元学会了检测边缘和纹理，中层神经元学会了检测部件和形状，高层神经元学会了检测完整对象。这种层次化特征学习（hierarchical feature learning）的能力，使深度学习在感知任务上达到了前所未有的水平。

但连接主义同样有其未竟之业。首先，当前的深度学习系统几乎完全是"被动"的——它们处理人类预先收集、清洗、标注好的数据集，而不是主动地从与环境的交互中学习。一个图像分类器看过百万张标注照片之后，依然不知道"按下一个按钮"是什么感觉，更不知道拿起一只杯子需要怎样的力度控制。其次，深度学习系统严重依赖大量标注数据，而人类和动物的学习却极为高效——一个婴儿只需要几次示范就能学会"杯子是用来喝水的"这一概念，而不需要看上一百万张杯子照片。这种"样本效率"（sample efficiency）的差距，暗示当前的深度学习缺少某种根本性的东西。

再次，深度学习系统学到的表征往往是"脱离语境"的。一个在大量棋谱上训练的国际象棋程序，并不真正"理解"棋子在物理世界中的存在；它学到的只是棋盘状态与胜率之间的统计关联。一旦比赛规则发生改变——比如把棋盘倾斜45度——人类棋手依然能够适应，而许多AI系统则会完全失效。这种脆弱性（brittleness）表明，连接主义虽然解决了"如何让机器从数据中学习模式"的问题，但并未触及"如何让机器真正理解世界"这一更深层的问题。

部分研究者开始意识到，缺失的那一块拼图，恰恰是符号主义所忽视的——身体。一个从未拿起过杯子、从未被热水烫过、从未在不平整的地面上行走过的系统，无论其神经网络多么庞大，都无法真正获得人类所拥有的那种常识（common sense）和物理直觉（physical intuition）。这并非要否定连接主义的成就，而是说它需要与另一个维度相结合——具身（embodiment）。

1.3 具身认知的科学基础与哲学渊源

具身认知（Embodied Cognition）并非一个全新的发明，而是横跨哲学、心理学、神经科学、机器人学和人工智能等多个学科的一个古老洞见的当代复兴。这一思想的核心主张可以概括为三个相互关联的命题：第一，认知过程深深植根于身体（the body grounds cognition）；第二，认知过程根植于身体与环境的交互（cognition is situated in the environment）；第三，认知过程是为了服务于行动（cognition is for action）。换言之，身体不仅仅是"装载大脑的容器"，而是认知过程本身的构成性要素。

在哲学领域，这一思想可以追溯到德国哲学家马丁·海德格尔（Martin Heidegger）。在1927年出版的《存在与时间》（Being and Time）中，海德格尔批判了自笛卡尔以来将心灵与身体割裂的二元论传统，提出了"在世存在"（Being-in-the-world）的概念。他认为，人并非首先是一个拥有身体的心灵，然后再去认识一个外在的世界；相反，人从一开始就是与世界融为一体的存在，我们的"在世"（being-in）先于任何主客二分的认知。这一思想后来被法国哲学家莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）进一步发展。1945年，梅洛-庞蒂在《知觉现象学》（Phenomenology of Perception）中提出，身体是我们"拥有世界的一般方式"（our general way of having a world）。他以一个著名的现象学观察为例：当一个截肢患者使用假肢时，如果使用得当，假肢会逐渐成为其身体的延伸，而非外在的工具。这种"身体图式"（body schema）的可塑性说明，身体与世界的边界远比传统哲学所设想的更加模糊。

在心理学领域，美国心理学家威廉·詹姆斯（William James）和约翰·杜威（John Dewey）在19世纪末就提出了类似的观点。詹姆斯在其1890年的巨著《心理学原理》（The Principles of Psychology）中指出，思维"仅仅是为了在感觉印象上获得一个比当下印象所给予的更好的结果而进行的行动准备"。杜威则更进一步，认为"经验"既非纯粹主观的，也非纯粹客观的，而是主体与环境之间动态交互的产物。20世纪80年代以来，认知语言学家乔治·莱考夫（George Lakoff）和马克·约翰逊（Mark Johnson）通过"概念隐喻理论"（Conceptual Metaphor Theory）论证了抽象概念的具身基础。他们指出，我们对"重要"的理解是建立在"重"的物理体验之上的（"a heavy matter"、"weighty decisions"），对"亲近"的理解是建立在"近"的物理空间之上的（"close friends"）。这表明，所谓的"高级"认知，本质上是建立在"低级"身体经验之上的隐喻延伸。

神经科学为具身认知提供了越来越坚实的实证支持。镜像神经元（mirror neurons）的发现是一个标志性事件。20世纪90年代，意大利帕尔马大学的贾科莫·里佐拉蒂（Giacomo Rizzolatti）团队在猴子的大脑前运动皮层（premotor cortex）中发现了这样一类特殊的神经元：它们不仅在猴子自己执行某个动作时放电，而且在观察到其他个体执行相同动作时也会放电。这意味着，大脑中的"动作表征"（action representation）天然地与感知和模仿相连，理解他人行为的能力深深植根于我们自己的身体经验。后续研究表明，人类大脑中同样存在镜像神经系统，而且它在语言理解、情感共情、社会学习等方面扮演着核心角色。

另一个重要证据来自"具身模拟"（embodied simulation）研究。认知科学家发现，当我们理解一个动词（如"踢"）时，大脑中控制实际"踢"动作的运动皮层会被激活；当我们理解一个描述空间关系的句子（如"她把书放在桌上"）时，大脑中处理空间关系的顶叶区域也会被激活。这种"模拟理论"（Simulation Theory）认为，语言理解并非纯粹的抽象符号操作，而是大脑在"重演"相关的身体经验。盲人虽然从未看到过颜色，但其语言系统中关于颜色的隐喻依然可以理解——这一事实说明，具身经验可以通过社会互动和语言习得而部分"传递"，但其根基仍在于身体的物理结构。

这些跨学科的证据共同指向一个结论：人类智能不是"运行在身体上的软件"，而是"身体、大脑、环境三者协同演化的产物"。如果我们要创造真正具备通用智能的机器，就不能仅仅复制大脑的计算模式，还必须考虑身体与环境的耦合方式。这正是具身智能（Embodied AI）这一新兴领域的核心主张。

1.4 感知运动循环：智能的本质机制

理解具身智能的关键，是把握"感知运动循环"（Sensorimotor Loop）这一基本概念。传统AI——无论是符号主义还是连接主义——都倾向于把智能视为一个单向的"输入—处理—输出"流程：传感器收集数据，处理器进行计算，输出设备产生结果。这种"感知—思考—行动"的线性模型在工程上取得了巨大成功，但它与生物智能的真实运作方式有着根本性的差异。

生物体的智能是"循环"的。一个孩子学习抓取杯子的过程，并不存在一个先理解杯子的几何形状、计算最优抓取点、再指挥手部肌肉运动的"中央计划者"。相反，孩子在无数次尝试中，通过视觉反馈（杯子在视野中的位置）、触觉反馈（手指碰到杯壁时的压力）、本体感觉（手臂的角度和力度）以及最终的成败信号（杯子是否被成功拿起），不断调整自己的运动模式。这个过程是实时的、连续的、嵌入在环境中的，每一时刻的"行动"都会改变下一刻的"感知"。

神经科学家达马西奥（Antonio Damasio）提出的"躯体标记假说"（Somatic Marker Hypothesis）为感知运动循环提供了更深层的解释。达马西奥发现，前额叶皮层受损的患者虽然保留了完整的逻辑推理能力，却在日常决策中表现糟糕——因为他们失去了身体对不同选项的"情感标记"。这一发现意味着，决策并非纯粹的逻辑运算，而是深深依赖于身体在历史经验中形成的"价值信号"。我们的每一次"判断"，都伴随着身体层面的感受；我们的"理性"，从根本上说是"具身的理性"（embodied rationality）。

在人工智能领域，感知运动循环的思想被卡内基梅隆大学（Carnegie Mellon University）的罗尔夫·普费弗（Rolf Pfeifer）和大阪大学的浅田稔（Minoru Asada）等人系统化。普费弗在其著作《身体如何塑造智能》（How the Body Shapes the Way We Think）中提出了"形态计算"（Morphological Computation）的概念：智能不仅仅存在于大脑中，也分布在身体的物理结构、肌肉的力学特性、皮肤的感觉神经之中。例如，人脚的拱形结构本身就具有被动减震功能——这意味着"行走"这一看似由大脑控制的复杂行为，其实在很大程度上是由身体结构"主动承担"的。智能不是某种"加在身体上的软件"，而是身体、大脑、环境三者协同涌现的产物。

2010年代以来，认知科学和神经科学中"主动推理"（Active Inference）框架的兴起，为感知运动循环提供了精确的数学描述。这一框架源自神经科学家卡尔·弗里斯顿（Karl Friston）的"自由能原理"（Free Energy Principle）：任何自组织系统（包括生物体）都必须最小化其"自由能"——即系统对世界状态的预测与世界真实状态之间的差异。在主动推理框架下，行动和感知不再被视为两个独立的过程，而是同一个过程的两个方面。感知是通过贝叶斯推理（Bayesian inference）更新对世界状态的信念（belief），行动则是通过改变世界状态来使其符合预测。无论是伸手抓取杯子、转动眼球观察场景，还是学习一门新语言，都可以被视为最小化自由能的某种策略。

这一框架对AI的启示是深远的。传统的机器学习系统主要解决"感知"问题（给定输入，预测输出），而忽略了"行动"对"感知"的影响。强化学习虽然引入了"行动"，但其行动主要被用来最大化一个外在地标定的奖励信号。主动推理则更进一步：行动本身就是感知系统的一部分。智能体通过主动地改变自己的观察视角、移动自己的身体、与环境互动，来主动地收集信息、验证假设、降低不确定性。这意味着，未来的具身智能系统将不再是"被动处理数据的算法"，而是"主动探索世界、塑造自身经验、持续重塑自我表征的智能体"。

1.5 具身智能的真实形态：从自动驾驶到人形机器人

具身智能不是纯粹的理论构想，而是已经在工业界和学术界产生重大影响的现实技术。在这一节中，我们将考察四种最具代表性的具身智能形态，它们各自展示了具身范式在不同应用场景中的潜力。

第一，自动驾驶汽车（Autonomous Vehicles）。 自动驾驶是具身智能最复杂、最具商业价值的应用之一。一辆自动驾驶汽车不是"一台装载了摄像头的计算机"，而是一个必须在毫秒级时间尺度上与物理世界深度耦合的具身系统。Google旗下的Waymo公司是这一领域的先驱，截至2024年，其自动驾驶服务已经在美国多个城市累计行驶超过2000万英里。Waymo的系统融合了激光雷达（LiDAR）、摄像头、毫米波雷达等多种传感器，每秒产生数GB的感知数据；其行为预测模块需要预判其他车辆、行人、自行车在未来几秒内的可能轨迹；其运动规划模块需要在满足安全、舒适、效率、交通法规等多重约束的条件下，实时生成平滑的轨迹。这一切都是在一个不断变化的、充满不确定性的真实物理世界中完成的。

自动驾驶的具身性体现在何处？关键在于，车辆必须通过"身体"——