绪论：具身智能与世界模型的范式兴起

第1章 绪论：具身智能与世界模型的范式兴起

为什么一台能够在国际象棋中击败人类世界冠军的程序，却无法将一杯水从桌面拿起？为什么 AlphaGo 能够在围棋博弈中达到人类难以企及的高度，却无法理解"如果我把棋子放倒，它会发出声响"这种朴素物理常识？这些看似简单的问题，恰恰揭示了过去七十年人工智能研究中最深层的张力：智能是否可以脱离身体、脱离环境而独立存在？围绕这一根本问题，21 世纪的 AI 研究正在经历一场深刻的范式迁移——从依赖大规模数据与算力的"无模型"决策，走向在智能体内部构建可微分环境模拟器的"世界模型"范式。本章将系统梳理这一范式兴起的历史脉络、理论动因与典型系统，为读者勾勒出全书知识地图。

1.1 智能的具身转向：从符号主义到第三代人工智能

人工智能自 1956 年达特茅斯会议诞生以来，先后经历了三次研究范式的更迭，每一次更迭都对应着人类对"智能本质"理解的深化。

第一次浪潮：符号主义。 以 Newell、Simon、Minsky 等先驱为代表，符号主义认为智能的本质是符号操作与逻辑推理。只要能够将知识显式地表示为"如果……那么……"形式的规则，并设计出高效的推理引擎，机器便能表现出智能行为。在这一框架下，GPS（General Problem Solver）、SHRDLU、专家系统 MYCIN 等成果相继涌现，并在数学定理证明、医学诊断等受限领域取得成功。然而，符号主义自诞生之日起便面临两个根本性困难。其一是框架问题（frame problem）：在一个充满不确定性的开放世界中，智能体如何确定哪些事实与当前决策相关，哪些可以保持不变？其二是符号接地问题（symbol grounding problem），由 Harnad 在 1990 年明确提出：一个从未感知过世界的纯符号系统，如何能够将"猫"这个抽象符号与现实世界中具体的多模态感官经验联系起来？这两个问题在本质上揭示了符号主义对"身体"和"环境"的忽视——它假定智能可以脱离物质载体而存在。

第二次浪潮：行为主义与连接主义。 为了回应符号主义的困境，20 世纪 80 年代涌现出两条互补的研究路径。行为主义路径以 Brooks 的包容架构（subsumption architecture）为代表，主张智能应源于"感知-动作"循环中涌现的简单行为模块，而非显式的符号表示。连接主义路径则借助反向传播算法与神经网络，让系统能够从数据中自动学习特征表示，并在 2010 年后随着深度学习的兴起迎来爆发。然而，无论是行为主义机器人还是深度神经网络，它们虽然在感知任务（图像识别、语音转录）上取得了突破，却往往在"决策"层面呈现出"无身智能"的特征——一个在 ImageNet 上分类准确率超过 95% 的卷积网络，仍然不理解重力、惯性和物体持久性等基本物理概念。这种"感知过载、认知贫乏"的现象，促使研究者重新审视"身体"在认知过程中的角色。

第三次浪潮：第三代人工智能与具身认知。 进入 21 世纪 20 年代，受脑科学、认知科学、现象学交叉影响，学界逐步形成了所谓的"具身认知"（embodied cognition）立场。该立场可概括为"4E 认知"：认知是具身的（Embodied，受身体形态约束）、嵌入的（Embedded，发生在具体环境之中）、施为的（Enactive，由行动塑造）、延展的（Extended，可借助外部工具延伸）。这一立场认为，智能并非在颅骨内孤立运作的程序，而是身体、环境与大脑三者耦合交互的产物。Rodney Brooks 早在 1991 年就指出："世界本身就是它最好的模型"，主张机器人应该直接利用与环境的物理交互来回避显式建模的难题。但在算力与数据规模都呈指数级增长的今天，研究者开始尝试一种更精细的中间路线：既承认世界本身是最好的模型，又在智能体内部学习该模型的近似。这正是世界模型范式兴起的认知动因。

1.2 强化学习的困境与世界模型范式的回归

具身智能的核心任务是让智能体在真实物理环境中通过试错学会决策。强化学习（Reinforcement Learning, RL）正是为此而设计的数学框架。智能体在每个时刻 $t$ 观测到状态 $s_t$，根据策略 $\pi(a_t|s_t)$ 选择动作 $a_t$，环境反馈奖励 $r_{t+1}$ 并转移到下一状态 $s_{t+1}$，其目标是最大化累积期望奖励 $\mathbb{E}\left[\sum_{t=0}^{\infty}\gamma^t r_t\right]$。在这一形式化体系中，过去十年最成功的工作几乎都属于无模型强化学习（model-free RL）家族：从 Atari 游戏上的 DQN、到连续控制中的 PPO 与 SAC，再到 AlphaGo Zero 的自我对弈。然而，无模型方法在向"具身智能"跨越的过程中，暴露出四类结构性瓶颈。

样本效率问题。 无模型 RL 通常需要数千万至数十亿次环境交互才能学到合理策略。例如，OpenAI Five 在 Dota 2 上使用了相当于 180 年实时游戏的算力，AlphaStar 在《星际争霸 II》上的训练消耗了 200 年量级的游戏经验。对于真实机器人而言，每一次交互都意味着数秒至数小时的物理时间、不可逆的硬件磨损以及潜在的安全风险。试想一个机械臂需要通过千万次摔倒才能学会走路，这种成本显然不可接受。

泛化能力薄弱。 无模型 RL 学到的策略本质上是"状态-动作"的直接映射，它对训练环境的物理参数（摩擦系数、重力加速度、机器人形态）极度敏感。一旦环境发生微小扰动，策略性能便会急剧下降。这种脆弱性源于一个深层原因：策略中没有对环境动力学的显式理解，因此不具备"举一反三"的推理能力。

可解释性缺失。 神经网络策略是一个"黑盒"：给定一个状态，我们能得到一个动作分布，但无法回答"为什么这个动作是合理的"。在自动驾驶、医疗机器人等高风险应用场景中，这种不可解释性会引发法律、伦理与用户信任的多重危机。

安全性难以保障。 无模型策略在训练过程中会以不可预测的方式探索状态空间，这可能导致智能体做出对自身或他人有害的行为（如碰撞、跌落、触电）。如果智能体在每次执行前就能在"内心"预演动作后果，许多事故本可避免。

这四类瓶颈指向同一个解决方案：让智能体在内部构建一个可微分的、可被反复查询的环境模拟器，即世界模型。有了这个内部模拟器，智能体便能在想象中"试错"——在模型内部生成大量合成经验用于学习策略，或者借助模型进行长视野规划与反事实推理。模型预测控制（Model Predictive Control, MPC）早在 1980 年代就提出过类似思想，但当时受限于模型必须是手工设计、白盒且低维。深度学习时代的革命性在于，世界模型可以与策略一起端到端地从数据中学习——这正是 Ha 与 Schmidhuber 在 2018 年的开创性论文《World Models》中所示范的方向。

1.3 世界模型的定义、构成与功能角色

尽管"世界模型"这一术语在近五年被广泛使用，但对其精确含义仍缺乏共识。本书采用如下操作性定义：世界模型是一个参数化函数 $f_\theta$，在给定历史信息 $h_t = (s_0, a_0, s_1, a_1, \ldots, s_t)$ 与候选动作序列 $a_{t:t+H}$ 的条件下，能够预测未来 $H$ 步的状态轨迹与奖励信号：

$$\hat{s}_{t+1}, \hat{r}_{t+1}, \ldots, \hat{s}_{t+H}, \hat{r}_{t+H} = f_\theta(h_t, a_{t:t+H})$$

从这一形式定义出发，可以解构出世界模型的三个核心功能。

功能一：预测（Prediction）。世界模型最基本的作用是回答"如果我做了 X，会发生什么？"。预测的对象既可以是像素级的视频帧（如 GAIA-1），也可以是抽象的潜在变量（如 Dreamer）。预测能力是规划的基石——只有能够预演未来，智能体才能比较不同行动路线的优劣。

功能二：规划（Planning）。给定世界模型，智能体可以借助树搜索、随机采样或梯度优化在模型内部寻找最优动作序列。LeCun 提出的 JEPA（Joint Embedding Predictive Architecture）框架更进一步将世界模型视为"非生成式预测器"：它不预测像素细节，而只预测抽象语义层面的演化，从而规避了高维观测空间中的不确定性累积。

功能三：想象与反事实（Imagination & Counterfactuals）。世界模型允许智能体回答"如果当初我选择了另一个动作，结果会怎样？"。这种反事实推理能力对于策略学习至关重要：Dreamer 系列工作表明，智能体可以在学习到的潜在空间中"做梦"，并从梦境中提取策略梯度，从而将真实环境的交互需求降低 1 到 2 个数量级。

从系统结构上看，世界模型处于"感知"与"动作"之间的中间层：它接收感知模块编码的状态表征，向规划模块提供可查询的模拟器，并将规划结果翻译为底层控制指令。一个完整的具身智能闭环可形式化为：

$$\text{感知} \;\xrightarrow{\;\phi\;}\; \text{世界模型} \;\xrightarrow{\;f_\theta\;}\; \text{规划} \;\xrightarrow{\;\pi_\psi\;}\; \text{动作} \;\xrightarrow{\;T\;}\; \text{环境}$$

其中 $\phi$ 为编码器，$\pi_\psi$ 为策略网络，$T$ 为真实环境转移函数。世界模型 $f_\theta$ 在闭环中的位置，决定了它必须同时满足三个性质：可微性（以便从规划误差反向传播）、可采样性（以便支持基于想象的强化学习）以及对长视野外推的鲁棒性（以便支持多步规划）。

值得注意的是，世界模型与三类既有概念存在密切联系但并不等同。它区别于"心智模型"（mental model，认知科学术语，强调人类对物理世界的朴素理论）、"生成模型"（generative model，强调从噪声生成样本的统计模型）以及"系统辨识"（system identification，强调从输入输出数据估计动力学参数）。世界模型强调的是任务驱动的、可服务于决策的、可学习的内部模拟器这一综合属性。

1.4 里程碑案例：从 AlphaGo 到 RT-2 的范式示范

为了帮助读者直观理解世界模型在实践中的样貌，本节剖析四个里程碑系统。需要强调的是，这些系统的设计动机、表示粒度与应用领域各异，但都体现了"在内部构建环境模型并用于决策"这一共同思想。

案例一：AlphaGo 与 AlphaGo Zero。 2016 年战胜李世石的 AlphaGo 采用了"蒙特卡洛树搜索 + 价值网络 + 策略网络"的混合架构。其中价值网络 $V_\theta(s)$ 用于评估任意局面的胜率，可视为一个高度凝练的世界模型：它将围棋中无穷无尽的状态空间映射到一个标量值，从而为树搜索提供信号。2017 年的 AlphaGo Zero 进一步将策略网络与价值网络统一为单一神经网络，并通过纯自我对弈训练。其内部的表征学习已经隐式编码了"提子数目、势力范围、劫争"等高级概念——这正是围棋世界模型的雏形。AlphaGo 系列的范式贡献在于：在完美信息博弈这种"环境"中，策略与价值网络就是世界模型本身。

案例二：Dreamer 系列。 DeepMind 的 Hafner 等人于 2019 年提出 Dreamer，将世界模型与策略学习完全解耦。其工作流分为三步：首先，一个循环状态空间模型（Recurrent State-Space Model, RSSM）在像素观测上学习潜在动力学；然后，智能体在潜在空间中"做梦"——通过解码器重渲染想象的轨迹，并利用策略网络从梦境中提取行为；最后，将学到的策略部署到真实环境。DreamerV2（2021）在 Atari 100k 基准上首次以仅 2% 的训练数据达到人类水平；DreamerV3（2023）则证明同一套超参数可以横跨 150 余种任务。Dreamer 系列的范式贡献在于：它确立了"在潜在空间学习世界模型 + 从想象中学习策略"的标准流程，并展示了世界模型在样本效率上的巨大优势。

案例三：GAIA-1。 2023 年，Wayve 发布 GAIA-1，这是一个面向自动驾驶的大规模视频世界模型。GAIA-1 基于 Transformer 架构，融合了视频、文本与动作三种模态作为条件输入，能够生成高度逼真的驾驶场景视频，并允许用户通过提示控制车辆行为。GAIA-1 的范式贡献在于：它证明世界模型可以成为一种生成式的具身基础模型——通过在数十亿帧驾驶数据上预训练，模型学习到了物理世界的因果结构、交通参与者的意图模式以及场景的时序演化规律。这种预训练-微调范式与自然语言处理中的 GPT 系列如出一辙，标志着世界模型正从"任务专用模拟器"迈向"通用世界先验"。

案例四：RT-2。 Google DeepMind 在 2023 年发布的 RT-2（Robotics Transformer 2）将机器人控制问题重新定义为视觉-语言-动作（Vision-Language-Action, VLA）问题。它在 PaLI-X 与 PaLM-E 等视觉-语言大模型的基础上，将动作视为一种"外语"，并在机器人轨迹数据上进行微调。RT-2 展现出了"涌现的语义推理能力"：面对"把可乐罐移到泰勒·斯威夫特的照片上"这样的复杂指令，模型能够先在语言层面理解指令的意图，再将其翻译为动作序列。虽然 RT-2 本身没有显式地构建未来预测模型，但其内部表征中编码了关于物理世界的丰富先验知识，可被视为一种隐式的世界模型。RT-2 的范式贡献在于：它揭示了基础模型的规模效应同样适用于具身决策，提示我们通向通用机器人的路径可能与通向通用语言智能的路径殊途同归。

这四个案例涵盖了从博弈智能到具身机器人、从显式建模到隐式先验、从任务专用到通用基础模型的全谱系。它们的共同启示是：世界模型并非单一技术，而是一种贯穿感知、预测、规划与控制的系统级设计哲学。

1.5 全书知识地图：15 章的递进路线

本书共 15 章，按照"基础理论 → 核心方法 → 前沿应用"的递进逻辑组织，可划分为五个板块。下图给出了具身智能的闭环结构与本书各章的对应位置。

```mermaid flowchart LR P["感知层<br/>Ch 2-3"] --> M["世界模型层<br/>Ch 4-7"] M --> PL["规划层<br/>Ch 8-10"] PL --> A["动作层<br/>Ch 11-12"] A --> P F["基础理论<br/>Ch 13"] --> P F --> M F --> PL F --> A AP["前沿应用<br/>Ch 14-15"] --> M AP --> PL AP --> A ```

第一板块：认知与数学基础（第 2-3 章）。第 2 章从认知科学与神经科学角度讨论具身智能的生理与心理基础，回答"身体如何塑造认知"这一基本问题；第 3 章系统复习强化学习、概率图模型、随机过程等数学工具，为后续章节建立共同语言。

第二板块：世界模型的表示与学习（第 4-7 章）。第 4 章介绍世界模型的概率框架与设计原则；第 5 章深入潜在动力学模型，包括 RSSM、Transformer-XL 等循环架构；第 6 章聚焦视觉世界模型，讨论变分自编码器、扩散模型在潜在空间学习中的应用；第 7 章专门讨论视频生成与世界模型的关系，并以 GAIA-1、Sora 等系统为案例。

第三板块：基于世界模型的规划与决策（第 8-10 章）。第 8 章梳理经典规划方法（动态规划、模型预测控制）；第 9 章讨论蒙特卡洛树搜索与基于想象的策略评估；第 10 章介绍现代模型基础强化学习算法（PILCO、MBPO、SimPLe 等）。

第四板块：具身动作与基础模型（第 11-13 章）。第 11 章讨论视觉-语言-动作模型，以 RT-2、Octo、Pi-0 等为代表；第 12 章深入机器人基础模型与大规模预训练；第 13 章回到基础理论层面，讨论具身智能的数学基础，包括范畴论、信息论与因果推断的最新进展。

第五板块：前沿应用与展望（第 14-15 章）。第 14 章以自动驾驶为例，展示世界模型在工业级系统中的落地；第 15 章展望具身智能通往通用人工智能的可能路径，探讨安全、伦理与哲学议题。

读者可以根据自身背景选择阅读路径：研究人员可重点关注第二、三板块；工程师可优先阅读第四、五板块；学生与初学者则建议按章节顺序通读，并在第 3 章数学基础与第 4 章世界模型框架处多花时间打牢基础。每个章节末尾均配有"延伸阅读"与"动手实践"小节，前者指向关键论文与开源代码，后者给出可在个人电脑上复现的迷你实验。

本章小结

本章以"具身智能为何需要世界模型"为核心问题，回顾了人工智能从符号主义到第三代具身认知的范式演进，剖析了无模型强化学习在样本效率、泛化、可解释性与安全性四方面的结构性瓶颈，并给出了世界模型的操作性定义与三大核心功能——预测、规划、想象。通过 AlphaGo、Dreamer、GAIA-1 与 RT-2 四个里程碑案例，本章揭示了世界模型范式在不同任务中的多样化实现路径，并提供了覆盖基础理论、核心方法与前沿应用的三板块 15 章学习地图。

下一章将进入具身智能的认知基础。我们将走出工程视角，回到脑科学、认知心理学与现象学传统，深入探讨"身体、环境、大脑"三者如何在演化与发育的时间尺度上耦合出智能。这一认知框架将为后续的数学形式化提供直觉源头，也为理解为什么世界模型必然是具身的这一论断提供生物学证据。