具身智能概论：从符号主义到具身认知 / Introduction to Embodied Intelligence: From Symbolism to Embodied Cognition

第1章：具身智能概论：从符号主义到具身认知

1.1 智能的本质追问：为何具身性不可或缺

智能究竟是什么？这是一个困扰哲学家数千年、令人工智能研究者魂牵梦萦的根本问题。1956年达特茅斯会议标志着人工智能作为独立学科的诞生，彼时的研究者们怀揣着宏伟愿景：创造能够像人类一样思考的机器。然而，六十八年后的今天，当我们审视人工智能领域的研究版图时，一个深刻的范式转变正在悄然发生——从“智能是符号操作”转向“智能是身体与环境持续交互的产物”。这一转变的核心，正是具身智能（Embodied Intelligence）概念的兴起。

要理解具身智能的本质，我们首先需要直面一个看似简单却极为深刻的问题：为什么一个没有实体的符号系统无法产生真正的智能？这个问题的重要性在于，它触及了智能认知最根本的特性——意向性（intentionality）、情境性（situatedness）和生成性（generativity）。传统符号主义人工智能将智能视为对抽象符号的操纵，认为只要给予足够多的符号规则和知识表示，智能就会自然涌现。然而，这种观点忽视了一个关键事实：人类智能从不是在真空中运作的，它始终根植于身体与物理世界的持续互动之中。

具身智能的核心主张可以概括为一个简洁而深刻的命题：认知是大脑、身体与环境共同作用的结果，智能行为是从这种动态耦合中涌现出来的。这意味着，仅仅拥有处理符号的算法是不够的；真正的智能需要与物理世界建立紧密的联系，需要通过身体在环境中的活动来获取意义、形成理解、积累经验。这一主张并非凭空产生，而是建立在认知科学、心理学、神经科学和哲学数十年交叉研究的坚实基础之上。

理解具身智能的重要性，需要我们暂时放下对“智能是什么”的抽象追问，转而思考“智能是如何产生的”。当我们观察一个婴儿如何学习抓握物体、一个幼儿如何学会行走、一个熟练的工匠如何凭借直觉判断材料特性时，我们会发现一个共同模式：智能不是被“编程”进去的，而是在身体与环境的持续交互中逐步建构的。婴儿通过无数次伸手、触碰、抓握的尝试，逐步建立起关于物体大小、重量、质地的感知-运动表征；儿童通过在环境中行走、探索、试错，逐步形成关于空间关系的直觉理解。这种学习模式的核心特征是主动性与生成性——智能体不是被动地接收信息，而是主动地与环境互动，在互动中创造自身的感知经验和行为能力。

具身智能研究的核心问题域涵盖多个相互关联的层面。在感知-运动协调层面，研究者关注的是生物体如何协调视觉、触觉、本体感觉等多模态信息，以实现对环境的精确感知和行为的精确控制。在主动感知层面，研究者探讨的是智能体如何主动选择性地关注环境中的特定信息，而非被动地接收所有刺激。在持续学习层面，研究者面临的核心挑战是：如何在动态变化的环境中实现终身学习，避免灾难性遗忘，同时保持对新任务的适应能力。在跨模态表征层面，研究者关注的是不同感觉通道的信息如何在统一的内部表征中整合。这些问题共同构成了具身智能研究的基本问题空间。

本章将系统性地梳理具身智能研究的理论基础、历史演进和核心问题域。我们将从人工智能研究范式的演变入手，追溯从符号主义到连接主义再到具身认知的思想脉络；继而深入探讨具身认知的哲学基础，考察Piaget、Gibson、Varela等学者的理论贡献；在此基础上，我们将勾勒具身智能研究的核心问题域和评价基准；最后，我们将讨论具身智能与通用人工智能的关联，以及当前研究面临的核心挑战。通过这一系统性梳理，读者将建立起对具身智能研究领域的全景式认知，理解为何世界模型、主动感知、持续学习等议题在当代AI研究中占据核心地位。

1.2 从符号到行为：人工智能研究范式的历史演进

1.2.1 物理符号系统假说：符号主义的黄金时代

理解具身智能的兴起，需要我们首先回溯人工智能研究范式的历史演变。1956年达特茅斯会议之后，符号主义（Symbolicism）迅速成为人工智能研究的主导范式，其理论基础是物理符号系统假说（Physical Symbol System Hypothesis）。这一假说由Newell和Simon在1976年正式提出，其核心主张是：任何能够操纵符号的物理符号系统，都具有产生智能行为的必要且充分手段。换言之，智能被理解为对抽象符号的加工和处理，只要一个系统具备存储符号、组合符号、对符号进行操作的能力，它就能够表现出智能行为。

物理符号系统假说的提出有其深刻的历史背景和理论渊源。从历史背景看，20世纪中叶的计算革命——图灵机模型的提出、香农信息论的发展、数字计算机的出现——为人们理解思维提供了新的类比框架。思维可以被理解为计算，而计算可以被理解为符号操作。这种观念为人工智能研究提供了基本的方法论承诺：只要我们能够为智能行为找到合适的符号表示，并设计出相应的操作规则，智能就可以被“编程”进机器。从理论渊源看，物理符号系统假说继承了西方哲学中根深蒂固的表征主义（representationalism）传统，将认知视为对外部世界的内部表征的加工。在这种框架下，智能的核心问题是：如何用符号准确地表征外部世界的结构和关系？如何设计操作这些符号的规则以产生智能行为？

在符号主义的理论框架下，人工智能研究取得了诸多重要成就。通用问题求解程序（General Problem Solver, GPS）展示了如何将一般性的搜索和推理技术应用于各类问题求解；专家系统（Expert Systems）通过将领域专家的知识编码为规则集，在医学诊断、地质勘探、化学分析等领域实现了接近人类专家水平的性能；规划系统（Planning Systems）发展出了如STRIPS、H PLAN等 formalism，能够在复杂状态空间中进行目标导向的行动序列规划。这些成就似乎验证了物理符号系统假说的核心主张：智能确实可以通过符号操作来实现。

然而，符号主义范式也面临着深刻的理论困境和实践局限。框架问题（Frame Problem）是其中最具代表性的理论困难：当智能体需要预测行动后果时，它如何知道哪些环境属性会发生变化、哪些不会？用符号规则明确列举所有相关变化在计算上是不可行的，而隐式假设则可能导致不可预测的错误。这一问题揭示了符号表征的根本局限：符号系统缺乏对情境相关性的直觉判断能力。符号主义面临的另一重要批评是其符号接地问题（Symbol Grounding Problem）：符号系统中的符号本身是无意义的，只有在与外部世界的某种对应关系中才能获得意义。然而，这种对应关系无法在符号系统内部自我建立，必须依赖外部的“翻译者”或“解释者”。Harnad的经典论述指出，符号系统面临“符号从何获得意义”的根本困境。

1.2.2 连接主义的复兴与神经网络革命

面对符号主义的困境，研究者们开始寻求新的研究范式。20世纪80年代，连接主义（Connectionism）的兴起标志着人工智能研究的一次重要转向。连接主义的核心思想是：智能和认知不是基于符号操作，而是从大量简单单元的并行交互中涌现出来的。这种观点受到了神经科学的启发：大脑由约860亿个神经元组成，每个神经元通过突触与其他神经元相连；复杂的认知功能——如感知、记忆、决策——不是由某个中央处理器产生的，而是从这些神经元的动态交互中涌现出来的。

Hopfield网络（1982）和反向传播算法的提出，标志着连接主义革命的实际启动。Hopfield网络展示了如何用简单非线性单元的交互来存储和检索模式，为理解分布式表征和内容可寻址记忆提供了计算模型。反向传播算法（虽然最早由Werbos在1974年提出，但由Rumelhart、Hinton和Williams在1986年系统化推广）使得训练多层神经网络成为可能，为深度学习的发展奠定了方法论基础。1998年LeCun等人提出的卷积神经网络（Convolutional Neural Networks, CNN）在手写数字识别任务上取得了突破性进展，展示了层次化特征学习在视觉识别中的强大能力。

连接主义的核心特征可以概括为以下几点。首先是分布式表征（Distributed Representation）：与传统符号系统的局部表征不同，连接主义系统中的知识不是存储在单个节点中，而是分布在整个网络的连接权重中。同一概念可以激活多个单元，同一单元可以参与多个概念的表征。这种表征方式具有更好的容错性和泛化能力。其次是并行分布处理（Parallel Distributed Processing）：信息的处理不是在串行的、模块化的步骤中进行的，而是在大量单元的并行交互中同时进行。这种处理模式与人脑的信息加工方式更为接近。再次是学习驱动（Learning-driven）：连接主义系统不需要手工编码规则，而是通过与数据的直接交互来自主学习表征和功能。这种学习通常是端到端的——从原始输入到最终输出，系统自动学习中间层的表征。

然而，早期连接主义也面临着严重的局限。1986年Rumelhart和McClelland等人关于语言处理的连接主义研究虽然展示了分布表征在语言现象建模中的潜力，但也暴露了这种方法在处理结构化知识、长程依赖等方面的困难。更重要的是，纯粹的数据驱动方法难以解释认知的结构性和组合性特征。感知器（Perceptron）定理早就证明，单层神经网络无法学习非线性可分的函数，如XOR问题。虽然多层网络在理论上可以解决这些问题，但早期缺乏有效的训练算法。连接主义的这些局限，为具身认知思潮的兴起提供了重要的理论契机。

1.2.3 具身转向：智能体-环境耦合的新视角

20世纪80年代末至90年代初，人工智能研究经历了所谓的“具身转向”（Embodied Turn）。这一转向的核心特征是：将智能理解为智能体与环境持续交互的产物，而非仅仅是内部表征的产物。具身转向的兴起受到了多个学科发展的推动：认知心理学的实证研究表明，身体经验对于概念形成和认知发展具有根本性的作用；机器人学的研究表明，在物理环境中实现智能行为远比在模拟器中困难得多；哲学的现象学传统——特别是梅洛-庞蒂（Merleau-Ponty）的身体现象学——为理解身体在认知中的核心地位提供了理论资源。

Brooks的无表征机器人（Representation-free Robotics）研究是具身转向的标志性工作。1991年，Brooks发表了一篇影响深远的论文《Intelligence without Representation》，明确挑战了传统人工智能的基本假设：智能行为不需要显式的世界模型或符号表征，而是可以从感知-运动控制器与环境的直接交互中涌现。Brooks的移动机器人采用分层的行为控制结构，每一层负责在特定情境下产生行为响应；更高层的行为可以通过抑制更低层的输出来控制整体行为选择。这种“包容式架构”（Subsumption Architecture）无需全局世界模型，在与环境的实时交互中展现出了令人印象深刻的适应性行为——导航、避障、探索等。

Brooks的工作引发了人工智能领域的深刻反思：表征是否真的是智能的必要条件？ 如果没有显式表征的机器人能够表现出看似智能的行为，那么内部世界模型的重要性何在？这些问题至今仍是具身智能研究的核心议题。需要指出的是，Brooks的立场并非完全否定表征的作用，而是强调表征不必是全局性的、抽象的、命题式的。在后续的研究中，Brooks自己也承认，某些形式的表征——特别是情境化的、分布式的、隐式嵌入在感知-运动耦合中的表征——对于复杂行为是必要的。

具身转向的另一重要推动力量来自认知科学内部的理论发展。Varela、Thompson和Roch（1991）在《具身：认知科学和人类经验》中系统阐述了具身认知的理论框架，提出了理解具身智能的三个核心原则：具身性（embodiment）、涌现（emergence）和临现（presence/experience）。具身性原则强调，认知不是发生在“颅内”的孤立过程，而是深深地根植于身体与环境的交互之中；身体不只是承载认知的载体，更是认知结构本身的构成要素。涌现原则强调，高层次的认知现象——如意识、自我、意义——是从低层次的神经-身体-环境动力学中涌现出来的，不能被还原为简单的因果解释。临现原则强调，认知始终是处于特定情境中的、正在进行着的活动，我们与世界的互动构成了认知的基本模式。

这一历史演进的脉络可以通过以下流程图来概括：

```mermaid flowchart TD A[符号主义<br/>Physical Symbol System] --> B[核心假设：智能=符号操作] A --> C[成就：专家系统、规划算法] A --> D[局限：框架问题、符号接地]

E[连接主义<br/>Connectionism] --> F[核心假设：智能=神经网络动力学] E --> G[成就：CNN、反向传播] E --> H[局限：结构化知识、长程依赖]

I[具身认知<br/>Embodied Cognition] --> J[核心假设：智能=体-境耦合涌现] I --> K[理论基础：Gibson生态心理学<br/>Varela具身认知框架] I --> L[研究方法：物理机器人<br/>感知-运动耦合]

M[范式转变：从内部表征到体-境耦合] --> N[具身智能研究的核心问题域]

style A fill:#e1f5fe style E fill:#e8f5e8 style I fill:#fff3e0 style N fill:#fce4ec ```

1.3 具身智能的哲学基础与理论渊源

1.3.1 Piaget的认知发展理论：建构主义视角

理解具身智能的理论基础，需要我们追溯到发展心理学的经典理论。瑞士心理学家Jean Piaget（1896-1980）提出的认知发展理论，为我们理解智能如何从身体与环境的交互中逐步建构提供了深刻的理论框架。Piaget的核心立场是：认知既非先验的、也非仅由经验塑造的，而是主体通过与环境的主动交互逐步建构的。这种立场通常被称为建构主义（Constructivism），它既反对先验论，也反对经验论的简单版本，强调主体在认知形成中的能动作用。

Piaget将儿童认知发展划分为四个阶段：感觉运动阶段（0-2岁）、前运算阶段（2-7岁）、具体运算阶段（7-11岁）和形式运算阶段（11岁以后）。对于具身智能研究而言，感觉运动阶段具有特别重要的理论意义。在这一阶段，婴幼儿尚未发展出语言和抽象思维能力，其认知发展完全依赖于身体与环境的直接交互。Piaget观察到，这一阶段的婴幼儿通过一系列感觉运动图式（sensorimotor schemas）来组织其与世界的互动：吮吸、抓握、注视、推拉等基本动作构成了认知的基本单元。更为重要的是，婴幼儿通过这些动作的协调，逐步建构起关于客体永恒性（object permanence）、空间关系、因果关系等基本概念。

Piaget理论对具身智能研究的启示是双重的。首先，认知发展是一个渐进的过程，从简单的感知-运动协调逐步发展到抽象思维。这一观点为具身智能系统的设计提供了重要参照：复杂智能行为可能需要从简单的感知-运动基础逐步构建，而非一步到位地实现完整的认知功能。其次，知识不是被动的记录，而是主动建构的产物。智能体必须通过与环境的交互来“测试”其假设、修正其表征、发展其能力。这种建构性的学习观点与当代持续学习、主动学习的研究密切相关。

然而，Piaget的理论也面临着批评。部分批评来自其理论的核心假设——运算（operation）作为认知的核心机制。Piaget强调认知的结构性和可逆性，倾向于将认知理解为类似逻辑运算的形式化过程。一些研究者认为，这种观点过于强调认知的符号-逻辑层面，忽视了感知-运动层面的非表征性知识。此外，Piaget的理论主要基于对少数儿童的系统观察，样本量和方法论的可重复性受到质疑。尽管如此，Piaget关于认知发展的基本框架——从感觉运动到抽象思维的渐进建构——仍是理解具身智能不可或缺的理论资源。

1.3.2 Gibson的生态心理学与可供性理论

如果说Piaget的理论为具身智能提供了认知发展的视角，那么美国心理学家James J. Gibson（1904-1979）的生态心理学则为具身智能提供了感知理论的基础。Gibson的可供性理论（Affordance Theory）是20世纪感知研究领域最具影响力的理论创新之一，其核心思想是：感知不是从感觉数据中“重建”世界的表征，而是直接检测环境中可供（afford）行动的可能性。

传统感知理论——无论是建构主义还是信息处理理论——都假设感知是一个从刺激到表征的推理过程。视网膜上的光学模式（刺激）被感官接收，经过神经处理，最终在意识层面重建为关于外部世界的表征（知觉）。在这种框架下，感知始终是间接的——我们感知到的不是世界本身，而是世界在我们感官上的投影。Gibson对这一传统观点提出了根本性的挑战。在Gibson看来，感知是直接的——我们直接感知到的是环境本身，以及环境能够提供的行动可能性。

可供性（affordance）是Gibson理论的核心概念。这个术语指环境提供给有机体的行动可能性——环境“可以让我做什么”。Gibson写道：“环境中的客体提供行动的可能性，无论有机体是否能够感知到这些可能性，或者是否有能力接受它们。”一张椅子可供坐、一个水平表面可供放置物体、一个可以攀爬的表面可供行走。重要的是，可供性不是客体的客观属性，也不是主观的感知经验，而是有机体-环境关系的产物。同一张椅子对一只蚂蚁和一头大象意味着完全不同的可供性——对蚂蚁而言，椅腿之间的空间可供穿行；对大象而言，椅子根本无法承重。可供性既不是“在那里等着被发现”的客观属性，也不是“由观察者投射上去”的主观经验，而是两者交互的产物。

Gibson还提出了直接感知（direct perception）的理论，强调环境提供了丰富的光学结构——光流（optical flow）、质地梯度（texture gradients）等——使得感知系统可以直接获取关于环境结构和属性的信息，无需复杂的推理过程。这种光学阵列中的信息被称为可供性信息（affordance information），而感知系统的任务是检测这些信息。Gibson认为，生物体的感知系统是“被设计来”检测特定可供性信息的，这是长期演化的结果。例如，苍蝇的复眼能够检测特定模式的光流，以实现精确的飞行控制；人类的视觉系统擅长检测深度、材质、运动等与生存密切相关的环境特征。

Gibson的理论对具身智能研究产生了深远影响。首先，**