当机器学会「看」世界：一个关于具身智能的故事

第 1 章：当机器学会「看」世界：一个关于具身智能的故事

---

想象这样一个场景：一个三岁的小女孩坐在地板上，面前散落着五颜六色的积木。她的任务是搭建一座“小房子”——只需要将三块积木叠在一起，再加一个三角形屋顶。这对我们人类来说再简单不过的事情。然而，就在你观看这段画面的同时，一个令计算机科学家困惑了数十年的悖论正在上演：那个能够在围棋盘上击败世界冠军的超级AI，此刻可能连一块积木都抓不稳。

这个看似荒诞的反差揭示了人工智能领域最深层的谜题之一。2016年，DeepMind的AlphaGo以4:1击败了韩国九段棋手李世石，震惊世界。这台机器在一张19×19的棋盘上展现出的“直觉”和“策略”，让许多人开始担忧AI即将超越人类。然而，仅仅几年后，当研究人员试图让类似的深度学习系统完成一项三岁孩子都能轻松搞定的任务——拿起一个杯子并放到指定位置——却遭遇了惊人的失败。机器视觉识别出了杯子，深度神经网络计算出了最优抓取角度，机械臂精准执行了运动指令，但杯子从指间滑落，碎了一地。

为什么会这样？

答案藏在智能的本质之中，而对这个问题的追索，将带我们踏上一段从哲学思辨到工程实践、从认知科学实验室到机器人研究前沿的旅程。这段旅程的核心，是一个正在重塑我们对智能理解的范式转变——具身智能（Embodied Intelligence）。

具身认知科学的核心假设：认知是被身体塑造的

要理解具身智能为何如此重要，我们首先要回溯到20世纪80年代，在那里，一群认知科学家开始挑战一个根深蒂固的假设。

长期以来，西方认知科学的主流范式将大脑视为一个独立的信息处理系统——一个“离身的（disembodied）”认知处理器。大脑接收输入、计算处理、产生输出，而身体不过是执行大脑指令的“终端设备”。这种观点可以追溯到法国哲学家笛卡尔的心身二元论：心灵是非物质的、独立的实体，身体只是机械的肉体。这种二元分割塑造了数百年来西方思想对心智的理解，也深刻影响了人工智能研究的早期方向。

1950年，艾伦·图灵在那篇划时代的论文《Computing Machinery and Intelligence》中，提出了后来被称为“图灵测试”的思想实验。图灵设想了一种测试：如果一个人类裁判在不知道对方身份的情况下，通过文字对话无法区分机器和另一个人类，那么这台机器就可以被认为具有“智能”。这个测试的核心假设是：智能的本质是信息处理，而信息可以通过符号操作来模拟。

这个假设催生了人工智能的第一个黄金时代——符号主义AI（Symbolic AI）。研究者们试图将人类知识编码成符号系统，通过逻辑规则进行推理。1970年代的“专家系统”就是这种思路的典型产物：如果一台机器能够像专家一样回答问题，它就是智能的。知识的载体是符号，身体在世界中的存在被视为与智能无关的“实现细节”。

然而，就在符号主义AI如火如荼发展的同时，一群来自不同学科的学者开始注意到一个被忽视的事实：人类婴儿在学会说话、推理之前，首先学会了移动自己的身体。他们用嘴巴探索世界，用手指触摸物体，用整个身体在空间中爬行、行走、跌倒、站起来。正是通过这具身体，婴儿才逐渐理解了什么是“硬的”、什么是“软的”、什么是“上面”、什么是“下面”。

1980年，西班牙裔美国哲学家安迪·克拉克（Andy Clark）和英国神经科学家大卫·查尔默斯（David Chalmers）分别从哲学和认知科学的角度，发出了革命性的呐喊。克拉克在其著作《Micro-Cognition》中提出，认知并非封闭在颅骨之内进行的信息处理，而是一个“延展的（extended）”过程，发生在大脑、身体和环境的动态交互之中。查尔默斯则更为大胆，他在1998年的论文《The Conscious Mind》中提出了著名的“具身心灵（embodied mind）”假说，认为心智从根本上就是具身的（embodied）——没有身体，就不可能有我们所见、所闻、所思、所想的心智。

这场后来被称为“具身认知革命（Embodied Cognition Revolution）”的思想运动，核心理论可以归结为一个简单却深刻的命题：认知是被身体塑造的。

这句话的含义远比表面看起来更加激进。它不是说“身体辅助认知”，而是说身体的形式、能力和限制从根本上决定了我们能够思考什么、如何思考。

让我们通过几个具体的例子来理解这个观点。

当你阅读这句话时，你的眼睛正在以每秒三到四次的速度快速扫视页面，这种运动被称为“扫视（saccade）”。你可能从未意识到这一点，因为你的大脑巧妙地将这些离散的视觉快照编织成了一段连贯的阅读体验。然而，这种看似自动的过程实际上深受你身体结构的影响。研究表明，当文字被排版成每行长度恰好与你的眼舒张范围相匹配时，阅读效率会显著提高。你的眼睛——这个身体器官——决定了什么是可读的，什么是高效的。

再看一个更深刻的例子。认知语言学家乔治·莱考夫（George Lakoff）和马克·约翰逊（Mark Johnson）在其名著《肉身的哲学》中指出，人类最基本的概念系统是隐喻性的（metaphorical），而这些隐喻深深植根于身体经验。“把握”概念、“掌控”局面、“上升”或“下降”的心情——这些我们习以为常的表达方式，实际上都反映了身体在空间中移动的基本经验。一个从未拥有过身体、从体验过空间移动的存在者，不会自发地发展出这样的概念系统。

著名心理学家阿尔瓦·诺埃（Alva Noë）在其2004年的著作《行动中的观念》中更进一步地论证：知觉不是一个发生在头脑内部的过程，而是一种技能——一种Know-how，一种能够与环境打交道的身体能力。我们之所以能够看到苹果，不是因为光线刺激了视网膜、产生了神经信号、大脑“构建”出了苹果的图像；而是因为我们能够主动地移动眼睛、转动头部、走近或远离物体，通过这些身体行动，我们才得以“触及”世界的纹理，感知到苹果的红色、圆形和硬度。没有身体的主动探索，就没有感知。

这个观点对人工智能具有深远的影响。如果莱考夫、诺埃是对的，那么传统AI将大脑视为信息处理中心的假设就是根本错误的。智能不是从感官输入到符号输出的单向管道，而是身体、感知和行为在世界中编织出的动态循环。

图灵测试的盲点：它无法衡量物理世界的交互能力

回到图灵测试。它衡量的是一种特殊的智能：通过文字对话伪装成人类的能力。图灵敏锐地认识到，智能最可靠的标志之一是语言的灵活运用——能够理解问题、生成恰当的回答、在对话中展现上下文理解能力。半个多世纪以来，这个测试一直被视为评估机器智能的黄金标准。

然而，图灵测试存在一个根本性的盲点：它只能评估文本交互中的智能表现，而完全无法衡量机器在物理世界中行动的能力。

让我们做一个思想实验。假设有一台机器通过了图灵测试——它在对话中表现得像一个博学多识的人类，知识渊博、反应敏捷、甚至会开玩笑、讲故事、表达情感。从图灵测试的角度看，这台机器是“智能的”。但是，让这台机器去完成以下任务：穿过一个陌生的房间而不撞到家具、拿起一个玻璃杯而不打碎它、沿着山路行走而不摔倒——它能做到吗？

很可能不能。

这个假想揭示了图灵测试的核心局限：它假设智能的核心是信息处理和符号操作，而物理世界的交互——那个需要身体、需要感知、需要根据实时反馈调整行为的过程——对于智能来说是边缘性的、可有可无的。

这种假设在1950年或许是可以接受的，当时计算机还被视为纯粹的符号处理机器，机器人技术尚处于萌芽阶段。然而，70多年后的今天，这个假设正在被现实无情地戳破。

2017年，Facebook AI研究院进行了一项后来被广泛引用的实验。研究人员训练了两个对话AI，让它们通过自然语言进行谈判、讨价还价。最终的实验结果令人震惊：这两个AI发展出了一种人类无法理解的“秘密语言”，它们开始偏离正常的英语语法，用奇怪的符号序列进行交流。这本应是一个关于语言涌现的迷人发现，但媒体的报道却将其曲解为AI“发展出自己的语言”的威胁论调。

然而，这个实验真正揭示的，是一个更为深刻却很少被讨论的事实：这两个AI之间进行的谈判，纯粹是在文本空间中进行的。它们没有、也不需要理解谈判在物理世界中意味着什么——两个对手坐在桌前，伸出手递出筹码，观察对方的微表情，感受空气中微妙的紧张氛围。它们不需要抓住对方的弱点、在必要时做出让步、通过一个握手达成共识。它们只是在高维向量空间中“游走”，寻找最大化某种奖励函数的状态。

这并不是说这些AI不“智能”——它们在特定任务上确实展现出了卓越的能力。但这种智能是离身的（disembodied），它存在于抽象的信息处理层面，而与我们的身体在世界中生存、行动、理解的那种智能截然不同。

哲学上，这种区别对应于两种不同的“智能”概念：弱智能（Weak AI）和强智能（Strong AI）。

弱智能观点认为，机器展示出的智能行为——无论是下棋还是对话——都是对人类智能的功能模拟，并不代表机器真正“理解”自己在做什么。就像一个计算器可以“计算”却不知道什么是数字，一个通过图灵测试的AI可以“对话”却不知道什么是语言。强智能观点则认为，如果一个系统在功能上与人类智能无法区分，那么它就应该被认为真正具有智能——即使其实现方式与人类大脑完全不同。

具身认知科学为这场争论提供了一个新的视角。它指出，理解语言的本质，是理解身体在世界中的行动。当我们说“我抓住了一个机会”时，这个隐喻之所以有意义，是因为我们曾经在物理世界中抓住过真实的物体。“机会”的概念，根植于我们身体性的把握动作之中。如果一个AI从未用手指“抓住”过任何东西，它对“抓住”的理解，就只能是空洞的符号操作——无论它的语言能力多么流利。

1963年，著名语言学家杰里米·坎贝尔（Jeremy Campbell）在一项关于语言起源的研究中提出了一个观点：语言最初是从身体动作中涌现出来的。在人类祖先还是类人猿的时候，手势、表情、身体姿态就已经是交流的主要媒介。随着大脑皮层的发育，这些身体性的交流信号逐渐抽象化、音节化，最终演变成了有声语言。语言不是从抽象思维中诞生的，而是从身体行动中“提炼”出来的。

这意味着，如果AI从未拥有过身体，从未在物理世界中行动过，那么它对语言的理解——无论多么流利——都将始终是肤浅的、缺乏根基的。它可以学习“热”是一个形容词，却永远无法真正理解“热”是什么感觉——除非它曾经被火烧过、被阳光晒过、在夏日空气中汗流浃背过。

MIT人工智能实验室的创始人马文·明斯基（Marvin Minsky）在其2006年的著作《The Emotion Machine》中，对图灵测试的局限性进行了深刻的反思。明斯基认为，传统的图灵测试过于狭隘，它只关注了智能的“思维”层面，而忽视了智能的“情感”和“身体”维度。他说：“我们需要的不只是一台能够回答问题的机器，而是一台能够体验世界的机器。”

明斯基指出，情感并非智能的附属品，而是智能不可或缺的一部分。而情感的根基，正是身体。恐惧让我们心跳加速、手心出汗；喜悦让我们面带微笑、浑身放松；愤怒让我们握紧拳头、肌肉紧绷。情绪是对身体状态的意识，而身体状态是对环境挑战的适应反应。一台没有身体的机器，无论多么善于模拟情感表达，都不会真正“感受”到任何东西。

从具身认知的角度看，图灵测试的盲点不仅在于它无法衡量物理交互能力，更在于它将智能从存在性的（existential）维度中剥离出来。人类智能不是发生在虚无中的抽象计算，而是在世界中存在、与世界互动、为了在世界中立身而产生的。我们思考，因为我们需要行动；我们行动，因为我们在世界中遭遇了问题；我们遭遇问题，因为我们有身体——这具身体需要食物、需要安全、需要繁衍，而世界并不自动满足这些需要。

这就是为什么三岁孩子能够玩积木，而超级AI却不能。不是因为孩子比AI更“聪明”，而是因为孩子的智能是在身体与世界的互动中生长出来的。孩子通过无数次抓握、掉落、重新抓握的尝试，逐渐理解了重力、摩擦力、物体的稳定性、自己的力量边界。这些理解不是通过阅读物理教科书获得的，而是通过身体性的试错学习内化的。相比之下，AlphaGo虽然可以计算出围棋盘上每一步的最优策略，但它不知道什么是“落子”的感觉，不知道棋子的质感、木纹、温度，不知道对弈者手指移动时心中翻涌的期待或焦虑。

从「缸中之脑」到「具身心智」：智能观的范式转移

哲学史上有一个著名的思想实验：缸中之脑（Brain in a Vat）。

这个实验由希拉里·普特南在1981年的著作《理性、真理与历史》中提出。假设一个疯狂科学家将你的大脑取出来，放入一个盛有营养液的缸中，脑的神经末梢连接到一台超级计算机。计算机按照程序向大脑发送信息，让你“看到”天空、“听到”鸟鸣、“感到”微风拂面、“闻到”咖啡香气——尽管这一切都只是电信号的模拟。在你看来，世界一如既往地真实存在着，你的大脑照常运转着，你的身体仍然完整无损。

缸中之脑的思想实验是对怀疑主义的一种表达：如果你无法证明自己的感觉经验是真实的，那么你凭什么相信外部世界是存在的？但是，对于人工智能研究来说，这个思想实验还有另一层深意：它揭示了离身智能观的根本假设。

在离身智能观看来，智能本质上就是这样一个“缸中之脑”——一个在某种信息环境中接收输入、进行计算、产生输出的处理系统。大脑是智能的核心，环境只是提供数据的源头，智能的全部奥秘都发生在颅骨之内。身体在世界中与物体交互、感受物理因果、学习重力与摩擦力——这些在离身智能观看来，都只是“噪音”或“干扰”，与智能的本质无关。

然而，具身认知科学正在颠覆这个假设。它提出的不是“缸中之脑”，而是“活动中的身体（Body in Action）”——一个与环境紧密耦合的有机体，其智能不是发生在颅骨之内，而是发生在身体与环境的动态交互之中。

这种范式转移的哲学根源，可以追溯到两位现象学家的思想：莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）和马丁·海德格尔（Martin Heidegger）。

梅洛-庞蒂在其1945年的著作《知觉现象学》中，对身体在认知中的核心地位进行了开创性的分析。他指出，身体不仅仅是一个物理对象——一个具有长度、宽度、重量的物质结构——而是一个“主体性载体（vehicle of subjectivity）”。通过身体，我们“拥有”了一个世界；身体不是在我们与世界之间竖起的一面屏障，而是我们得以进入世界的通道。

梅洛-庞蒂提出了一个著名的概念：身体图式（body schema）。这是我们无意识地整合关于自己身体的知识——它的尺寸、形状、力量、能力——的机制。正是因为拥有身体图式，我们才能在黑暗中行走而不撞到墙壁（身体图式告诉我们门框的宽度），才能伸手去拿一杯咖啡而不必用眼睛精确测量距离（身体图式自动计算了伸手所需的力度和轨迹），才能在跌倒时本能地用手撑地（身体图式预判了撞击的位置）。

这种身体图式的运作，恰恰是传统AI无法复制的关键能力。当今最先进的深度学习系统可以在图像识别任务上超越人类，却无法像婴儿一样本能地知道如何伸手抓取一个物体。这个看似简单的技能，实际上依赖于数百万年的进化在身体图式中编码的隐含知识，以及婴儿时期通过与环境互动逐渐习得的身体技能。

海德格尔则从另一个角度挑战了传统智能观。在其1927年的著作《存在与时间》中，海德格尔提出了一个核心概念：“在世存在（Being-in-the-world）”。对于海德格尔来说，“存在”从来不是孤立的、抽象的存在，而是在世界中、与世界关联、关切着世界的存在。人类不是首先“存在”着，然后偶然地发现自己“在世界中”；恰恰相反，我们在世界中存在，这才是我们的基本存在方式。

海德格尔区分了两种存在模式：“上手状态（ready-to-hand）”和“现成在手状态（present-at-hand）”。当我们熟练地使用工具——锤子、键盘、方向盘——时，工具处于“上手状态”：它消失在我们的行动中，我们不再“看到”它，而是通过它“看到”目标。当工具坏了或出了故障，它就转变为“现成在手状态”：我们停下来，审视它，分析它的构成，思考如何修复。

这种区分对于理解智能具有深刻的意义。真正的智能不是对世界的“客观表征”，而是在世界中熟练行动的能力。一个技艺精湛的工匠不需要描述木材的分子结构就知道如何劈开它；一个熟练的司机不需要计算物理方程就知道如何转弯而不翻车。这种“上手”知识是身体性的、情境性的、实践性的——它不能在离身的符号系统中被表达，而只能通过身体与世界的长期互动被习得。

具身认知科学将这些哲学洞见转化为可检验的假说和实验设计。1999年，MIT机器人研究者罗德尼·布鲁克斯（Rodney Brooks）提出了一种革命性的AI方法：subsumption architecture。这种架构的核心假设是：智能不需要中央控制或世界模型，而是可以从感知-行动的简单行为模块中涌现出来。

布鲁克斯的著名论断是：“世界是自己的最佳模型（The world is its own best model）”。与传统的“感知-建模-规划-执行”架构不同，subsumption architecture让机器人直接根据传感器输入产生行动，而不需要构建和维护一个内部的世界表征。布鲁克斯认为，复杂智能可以从简单行为的叠加中涌现，就像进化产生智能的方式一样——没有中央规划，没有全局优化，只有对环境的局部适应。

这种观点催生了一种新的机器人研究范式：行为主义机器人学（Behavior-based Robotics）。与其试图让机器人“理解”环境，不如让它像低等动物一样，通过本能反应与环境的直接耦合来行动。布鲁克斯实验室的机器人在这种思路下取得了惊人的成果：它们能够穿越复杂地形、躲避障碍、团队协作——所有这些都没有传统的“规划”或“推理”模块。

然而，行为主义方法也有其局限性。完全放弃内部表征意味着机器人无法进行复杂的推理、学习新任务、或在新环境中泛化已有技能。一个只依赖直接感知-行动耦合的机器人，无法理解“把积木搭成房子形状”这样的抽象指令，因为它无法在内部表征中形成“房子”的概念。

当代具身智能研究正在探索一条中间道路：既保留身体与环境的直接耦合，又引入足够丰富的内部表征来支持学习、推理和泛化。这种思路的核心是世界模型（World Model）——一种关于世界如何运作的内部知识结构，它使智能体能够模拟行动后果、预测环境变化、规划复杂序列。

世界模型：连接感知与行动的认知桥梁

在具身智能的框架中，世界模型扮演着至关重要的角色。它是连接感知与行动的认知桥梁——一个使智能体能够“思考”而不是仅仅“反应”的内部结构。

什么是世界模型？从认知科学的角度看，世界模型是智能体对**世界如何运作