第一章 雨中的机器人：为什么智能需要身体 / The Robot in the Rain: Why Intelligence Needs a Body
雨中的机器人：为什么智能需要身体
The Robot in the Rain: Why Intelligence Needs a Body
1.1 开场：GRACE-7 的黄昏
时间：2027 年 9 月，深圳，南山区科技园。
GRACE-7 是一台第三代家用服务机器人。身高一米六二，体重 47 公斤，全身由碳纤维复合材料和软性聚氨酯构成。它的"大脑"里装着最新一代多模态大语言模型——这个模型在 14 万亿 token 的网页文本、8600 万小时的视频、超过 200 万张机器人操作图谱上训练出来，能够流利地说 73 种语言，能在 0.4 秒内回答"世界上最高的山是哪座"，也能写出比大部分人类记者更工整的新闻稿。
下午五点四十分，GRACE-7 接到一条来自住户周明的指令："帮我把阳台上晾着的衣服收进来，要下雨了。"
它启动导航模块，离开客厅，滑过走廊，进入阳台。深圳的九月，午后雷暴说来就来——上一秒还阳光灼人，下一秒天色已经暗下来，空气中弥漫着一种沉闷的、带着臭氧味的压迫感。
GRACE-7 的视觉模块识别出天空中的云层形状——卷积云，正在迅速堆积。气象数据接口返回"未来 15 分钟内降水概率 87%"。它伸出第一只机械臂，握住晾衣架。
然后，雨来了。
不是毛毛雨。是那种深圳特有的暴雨——雨滴的直径可以达到 5 毫米，落地速度接近 9 米每秒，砸在 GRACE-7 的碳纤维外壳上发出密集的"噼啪"声。
接下来发生的事情，让周明在客厅的监控屏幕上看得目瞪口呆：
GRACE-7 停了下来。它的大脑里，视觉模型、触觉模型、语音模型同时出现混乱——
- 雨滴打在它的光学镜头上，形成不规则的水膜和水痕，破坏了它训练数据里那种"清晰、稳定、干净"的图像分布；
- 触觉传感器（遍布全身的电容阵列）被突如其来的、密集的、来自无数方向的力信号淹没，它的物理常识模型从未在训练中见过这种输入；
- 关节处的伺服电机因为低温（暴雨让关节温度在 30 秒内下降 4°C）和水汽进入，发出异常的电流波动；
- 它的"语言模块"在用语言向自己解释发生了什么：*<雨是液体降水，由凝结的水蒸气形成，温度低于环境……>* ——这些知识完全正确，但完全没用。
GRACE-7 在阳台上僵立了 4.7 秒。它不知道该用多大的力握紧晾衣架（湿衣服比干衣服重 40%），不知道该用怎样的步态穿过湿滑的地砖（它的训练数据里没有"暴雨中行走"这个类别），不知道雨水会不会让它的机械手指打滑。
它"知道"雨是什么。它"不知道"雨打在自己身上是什么感觉。
这 4.7 秒里，晾衣杆倒在阳台栏杆上，三件白衬衫被风吹落，跌入楼下的灌木丛。
周明叹了口气，拨通了售后电话。
---
这是一个虚构的场景。但如果你去翻阅 2024—2027 年关于家用服务机器人的事故报告，你会发现这个场景的"原型"几乎每天都在发生：扫地机器人在地毯边缘被充电线缠住、陪伴机器人在婴儿突然大哭时陷入循环回答、配送机器人在过马路时被突如其来的暴雨"定住"。
它们都"知道"理论。它们都"不懂"实践。
这就是本书第一章要回答的核心问题：
> 智能真的需要身体吗？脱离身体的"纯思维"AI，为什么到了真实世界就会变成"白痴"？
---
1.2 离身 AI 的三大失败模式
要回答这个问题，我们先要看清楚"离身 AI"——也就是过去十年里以大语言模型（LLM, Large Language Model）和大视觉模型（LVM, Large Vision Model）为代表的、主要依赖互联网文本和图像训练的人工智能——在真实物理世界面前究竟是怎么失败的。
我可以把它们的失败归纳为三种典型模式。
失败模式一：分布外脆弱（OOD Fragility）
在机器学习里，"分布"（distribution）指的是数据的统计特征。比如，模型训练时见过的图片，绝大多数有干净的背景、均匀的光照、清晰的主体。当测试时的数据分布和训练时不同——也就是遇到"分布外"（OOD, Out-of-Distribution）的样本——模型的性能会断崖式下降。
GRACE-7 的雨滴问题就是典型的 OOD：它的视觉模型从未在训练中见过"镜头被雨打湿"这个类别的图像。
但 OOD 问题在离身 AI 中是结构性的。互联网上的图片和文字，本质上是"人类用设备记录下来的、经过选择和编辑的"世界。这个世界里没有：
- 机器人自己关节里的电流；
- 摄像头镜头上的水珠；
- 软性聚氨酯在雨中的摩擦系数；
- 三岁小孩突然冲向马路的轨迹分布。
OpenAI 的 GPT-4o、Google 的 Gemini 2.5、Anthropic 的 Claude 4，这些"云端大脑"——它们的核心是"分布内"的统计学习。它们在分布内非常强大；它们在分布外就非常脆弱。
失败模式二：缺乏物理常识（Physical Common Sense）
人类小孩在三岁左右就掌握了大量"不言自明"的物理知识：球会滚下斜坡、杯子掉在地上会碎、纸浸了水会变软、湿的地面比干的滑、推重物比推轻物费力。
这种知识叫物理常识。它不是从书本里学来的，它是从婴儿期开始，通过数百万次摔跤、抓握、碰撞、撕咬，与真实世界互动中长出来的。
大语言模型可以告诉你"湿地板比干地板滑，摩擦系数降低 30%—50%"——这是百度百科式的知识。但它不知道在那种摩擦系数下，一个 47 公斤的双足机器人应该用什么样的步态频率、什么样的重心转移策略、什么样的手臂摆动幅度来保持平衡。
这种知识需要身体和环境的耦合反馈才能建立。纯文本学习建立不起来。
失败模式三：无法从错误中快速恢复（Slow Error Recovery）
人类运动员会在比赛中犯错，但能在 0.5 秒内调整。优秀的厨师会失手把盐放多了，但能用一秒钟判断并加水或加糖补偿。资深的司机在爆胎瞬间能完成一系列复杂的肌肉反应。
这种快速错误恢复依赖于身体在长期训练中形成的"内隐技能"——一种高度并行、不需要意识参与的、由脊髓和小脑深度参与的反应模式。
离身 AI 的错误恢复则非常缓慢和笨拙。它需要：
1. 错误发生； 2. 错误被某个外部观察者或自己记录； 3. 错误被转写为文本或可处理的结构化数据； 4. 数据被送回训练集群； 5. 新模型经过数周或数月训练； 6. 新模型部署。
这个循环可能需要几个月。但现实世界里的错误，等待不起。
> 小结一下：离身 AI 的三大失败——OOD 脆弱、缺乏物理常识、恢复缓慢——本质上都是同一种病的不同症状：它的"身体"从未真正进入它的学习过程。它的"智能"是从别人用身体记录下来的二手数据中提炼出来的，不是它自己用身体和世界碰撞出来的。
---
1.3 具身认知：被哲学家想通了半个世纪的常识
事实上，"智能需要身体"这个观点并不是机器人学家的新发明。它在哲学里已经被严肃地讨论了将近一百年。
海德格尔的"在手"与"上手"
德国哲学家马丁·海德格尔（Martin Heidegger）在 1927 年的《存在与时间》（*Sein und Zeit*）里，提出了一个深刻的现象学区分：
- **"在手"**（Vorhandenheit, presence-at-hand）：当我们把一个锤子当作一个"物体"来研究——分析它的材质、重量、化学成分——这就是"在手"的认识方式。
- **"上手"**（Zuhandenheit, readiness-to-hand）：当我们真正在用锤子钉钉子时，我们根本不会想到"锤子是由钢铁和木头组成的"。锤子消失在我们的行动中。它是我们的手、我们的意图、我们的世界的一部分。
海德格尔的意思是：我们与世界最深刻的认识，不是通过抽象思考，而是通过"使用"和"上手"。当你第一次学开车时，你满脑子都是"方向盘转 15 度、油门踩下 1 厘米"；当你成为老司机时，你根本不"想"这些——车是你的身体的延伸。
这个思想对机器人学意义重大：真正智能的机器人，不应该把世界当作一堆需要分析的"在手"对象，而应该让工具（也就是它的身体）"消失在行动中"。
梅洛-庞蒂的身体现象学
法国哲学家莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）在 1945 年的《知觉现象学》（*Phénoménologie de la perception*）里进一步推进了这个观点。
他提出：身体是我们"拥有世界的一般方式"。
一个盲人的手杖——使用一段时间后，手杖不再是"工具"，而是触觉器官的延伸。盲人能"感觉到"手杖末端的细微振动，这些振动传递了路面的纹理、质地、距离。
梅洛-庞蒂把这个现象叫做"身体图式"（body schema）——身体不是大脑的仆人，大脑也不是身体的指挥中心；身体和大脑是一个耦合的整体。
这种哲学思想后来深刻影响了机器人学家。我们将在第三章看到，当一个机器人拥有足够好的"身体图式"——当它的触觉、视觉、动作之间形成紧密的反馈闭环——它的"智能"会自然涌现。
罗德尼·布鲁克斯的"无表征智能"
MIT 的澳大利亚裔机器人学家 Rodney Brooks 在 1990 年发表了一篇后来成为经典的论文：《大象不会下棋》（*Elephants Don't Play Chess*，这里的"大象"是相对于 Brooks 自嘲说自己做的机器人像大象一样笨拙）。
他提出了一个革命性的观点——"无表征智能"（intelligence without representation）：
- 传统 AI 试图建立世界的内部模型（地图、物体清单、规则库），然后用逻辑推理来决定行动；
- 真正的智能（昆虫、动物、人类）则不依赖完整的内部表征，而是通过**简单行为模块的并行组合**+**与环境的实时反馈**产生。
Brooks 设计了一系列基于"包容架构"（subsumption architecture）的机器人——它们没有地图、没有全局规划，只有几十个简单的行为模块（"避障"、"前进"、"避光"），但能在真实环境中稳健行走。
这些机器人看起来"笨"，但它们在真实世界里不脆弱。
Brooks 在 1991 年的著名论文《无表征智能的进一步证据》（*Intelligence Without Representation*, 1991）里说了一句被无数机器人学家引用的话：
> "The world is its own best model. It is always up to date." > （世界就是它自己最好的模型。它永远是最新鲜的。）
这句话的意思是：与其让机器在内部建立一个滞后的、过时的世界模型，不如让机器直接和真实世界交互。真实世界永远是"ground truth"（事实基准）。
这是具身智能的奠基性论断。
---
1.4 历史的四个浪潮：从控制论到大模型
现在让我们把时间拉长，从 1940 年代开始，看看"如何让机器拥有智能"这个问题是怎么一步步走到今天的。我把它概括为四个浪潮。
第一波：控制论（Cybernetics, 1940s—1960s）
1948 年，MIT 数学家诺伯特·维纳（Norbert Wiener）出版了《控制论：或关于在动物和机器中控制和通信的科学》（*Cybernetics: Or Control and Communication in the Animal and the Machine*）。
控制论的核心思想是反馈（feedback）：系统通过感知自身的输出和目标之间的偏差，自动调整行为。最经典的例子是恒温器——它不断测量室温，与设定值比较，动态调节加热器。
这一波的代表是 Grey Walter 的机械乌龟（Elmer and Elsie, 1948—1949）——这些乌龟大小的机器人只有两个电子管构成的"大脑"，但它们能：
- 自动寻找光源（趋光行为）；
- 当电量低时回到充电桩（自我保护行为）；
- 避免撞墙（避障行为）。
它们没有"语言"，没有"知识库"，但它们表现出了某种类似智能的行为。
控制论的局限是：它处理的系统通常很简单，规则可以由工程师手写。复杂、开放的环境超出了它的能力。
第二波：行为机器人学（Behavior-Based Robotics, 1980s—1990s）
这就是我们刚才提到的 Brooks 时代。
这一波的核心转变是：从"思考然后行动"转向"感知-行动直接耦合"。
- Rodney Brooks 的 Genghis（1989）——六足爬行机器人，22 个伺服电机，没有中央地图，只有简单行为层；
- MIT AI Lab 的 Cog（1990s）——人形机器人，尝试模拟婴儿的认知发展；
- CMU 的 NavLab 系列——早期自动驾驶研究。
这一波证明了：没有"世界模型"也能做出在真实世界中稳健运行的机器人。但它的代价是——这种机器人做不了复杂任务。它们能走路，但不会端茶；能避障，但不会打扫房间。
第三波：深度强化学习（Deep RL, 2013—2019）
2013 年，DeepMind 的 DQN（Deep Q-Network）在 Atari 游戏上取得了突破——同一个神经网络模型，可以学习玩 49 种不同的 Atari 游戏，并且在一半以上达到或超过人类水平。
2016—2017 年，AlphaGo 战胜李世石和柯洁，让全世界第一次直观感受到"AI 在复杂任务上超越人类"。
这一波的核心思想是：让智能体（agent）在与环境的反复试错中，通过奖励信号学习最优策略。智能体在虚拟环境里玩了上百万次游戏，最终学会了下棋、玩游戏、控制机器人。
但这一波的局限也立刻显现：
- 训练需要**海量样本**（AlphaGo 训练用了 3000 万盘人类棋谱 + 自我对弈）；
- 训练出来的策略**高度专门化**（下围棋的 AI 不会下象棋）；
- **样本效率极低**——一个真实机器人不可能在真实世界里摔 1000 万次来学会走路。
2018—2019 年，OpenAI 的 Dactyl（机械手）试图用仿真到现实（sim-to-real）的迁移，让机械手在虚拟环境里学会拧魔方。这个项目是这一波的高峰，也是它的终点。
第四波：用于机器人的基础模型（Foundation Models for Robotics, 2022—至今）
2022 年开始，一波新的浪潮开始涌动：把互联网规模训练的大语言模型和大视觉模型，作为机器人的"大脑"。
- **PaLM-E**（Google, 2023）——5620 亿参数的多模态模型，直接接受机器人的视觉输入和语言指令，输出机器人动作。
- **RT-2**（Google DeepMind, 2023）——把互联网规模的视觉-语言数据和机器人操作数据联合训练，让模型能"读懂"自然语言指令，并直接输出机器人动作 token。
- **Figure 01**（Figure AI, 2024）——由 OpenAI 提供"大脑"的人形机器人，能与人类对话、识别物体、协作完成任务。
- **Optimus Gen 2**（Tesla, 2024）——马斯克的人形机器人，搭载 Tesla 自研的 FSD 芯片与世界模型。
这一波的关键思想是：基础模型的"常识"可以加速机器人学习。GPT-4 知道"鸡蛋是易碎的"、"杯子可以装水"、"门把手需要往下压才能打开"——这些知识不需要机器人重新从零学起，可以直接从语言模型里"继承"。
但正如我们在 GRACE-7 故事里看到的——这种"继承"是有边界的。语言模型可以告诉机器人"雨会让人打滑"，但不能告诉机器人"在我的 47 公斤双足结构、当前的关节角度分布、本地的地面材质参数下，我应该用什么样的步态"。
这正是世界模型的用武之地。
---
1.5 世界模型：机器的"内心宇宙"
现在我们可以引入本书的核心概念：世界模型（World Model）。
我给它一个非形式化的定义：
> 世界模型是机器对"环境如何因我的行动而变化"的内部模拟器。
更精确一点，世界模型是一个函数：
$$f_{\text{world}}: (s_t, a_t) \rightarrow \hat{s}_{t+1}$$
其中 $s_t$ 是当前状态（来自传感器），$a_t$ 是当前动作（即将执行），$\hat{s}_{t+1}$ 是对下一状态的预测。
这个函数可以是显式的——一个用数学写出来的物理引擎；也可以是隐式的——一个用神经网络学出来的、人类读不懂的"压缩物理学"。
世界模型在"感知-思考-行动"循环中的位置
下面这张图展示了世界模型在具身智能中的核心位置：
```mermaid flowchart LR S[Sensors<br/>感知] --> WM[World Model<br/>世界模型] WM --> P[Prediction<br/>预测] P --> A[Action Selection<br/>行动选择] A --> M[Motors<br/>执行] M --> E[Environment<br/>真实世界] E --> S WM -.feedback loop.-> WM ```
解读：
- 机器人通过传感器（Sensors）感知环境；
- 这些感知被送入世界模型（World Model）；
- 世界模型基于历史经验和当前状态，预测各种可能的未来；
- 行动选择模块（Action Selection）根据预测，选择最优动作；
- 动作被送入电机（Motors）执行；
- 执行改变了真实环境（Environment）；
- 新一轮感知开始。
世界模型是这个循环的"心脏"。没有它，机器人只能"反射"（直接感知-动作耦合，像 Brooks 的 Genghis）；有了它，机器人可以"想象"——在想清楚后果之后，再行动。
世界模型的两大功能
功能一：预测（Prediction）
世界模型可以回答："如果我现在做 X，接下来会发生什么？"
比如，自动驾驶的世界模型可以预测：
- 如果我现在变道，10 秒后我会在哪个位置；
- 前方的行人在 3 秒后会不会走到我的车道上；
- 暴雨会让前方 200 米处的水坑深度看起来增加多少。
功能二：反事实推理（Counterfactual Reasoning）
世界模型可以回答："如果我做了不同的事，结果会怎样？"
比如，一个家庭机器人可以推理：
- 如果我用右手端的这个角度接住杯子，水会不会洒出来？
- 如果我晚 0.5 秒开门，门口这位老人会不会摔倒？
这种"如果……那么……"的推理能力，是常识的核心，也是高水平智能的标