具身智能导论：什么是「活」的AI | Introduction to Embodied AI: What is 'Living' AI

第 1 章：具身智能导论：什么是「活」的 AI

1.1 开篇：一个看似简单的问题

试想一个场景。你走进一间陌生的房间，环顾四周，迅速判断出哪里是入口、哪里是出口、哪些东西可以移动、哪些是固定的——尽管你从未见过这间房间。你没有查阅房间的平面图，没有测量每一面墙的精确长度，但你对这间房间的「理解」，足以支撑你在其中自由行走、拿取物品、甚至在紧急情况下快速撤离。

现在，让一台当今最先进的大语言模型（Large Language Model）来「看」这张房间的照片。它能详细描述房间的布局、陈设，甚至能推断出房间主人的职业和性格。但它能做到以下这些事吗？——伸手推开挡在路上的椅子，弯腰绕过茶几，从门口走到窗边拉开窗帘？

不能。这台模型可以回答关于这个房间的无数问题，但它的「理解」始终停留在二维的文字符号层面。它无法真正置身于这个房间之中，无法感知地板的摩擦力对行走的影响，无法理解门把手的转动需要多大的扭矩，更无法理解「这扇门开着的方向决定了它会被风吹关」这样一个对人类而言不言自明的物理常识。

这个对比揭示了一个深刻的问题：什么是真正的智能？ 一个能够通过大量文本训练、在语言测试中取得高分的人工智能系统，是否就等同于一个「智能体」？更进一步，我们需要追问——智能是否必须「具身」（embodied）？ 如果智能系统想要真正理解和与物理世界交互，它是否必须拥有某种形式的「身体」？

这些正是本书开篇要回答的核心问题。我们将从「什么是具身智能」出发，带领读者理解为什么「身体」对于真正的智能如此关键，以及具身智能与我们熟知的传统机器学习究竟有何本质不同。

1.2 具身智能的定义：超越「大脑即智能」的假设

1.2.1 从「会思考」到「能行动」

在深入定义具身智能之前，我们需要先审视一个根深蒂固的假设——「智能等于计算」。这一假设几乎主导了整个计算机科学和人工智能领域近八十年的发展轨迹。从阿兰·图灵（Alan Turing）在 1950 年提出的「图灵测试」，到 1997 年深蓝（Deep Blue）击败国际象棋冠军卡斯帕罗夫，再到 2023 年 ChatGPT 横空出世，几乎所有人工智能史上的标志性成就，都建立在同一个隐含前提之上：智能是一种处理符号和信息的计算能力。

这一范式下的典型工作流程是：收集大量数据（包括文本、图像、声音），通过精心设计的算法让机器从数据中提取模式和规律，然后利用这些模式来完成预测或生成任务。大语言模型正是这一范式在 2020 年代达到的巅峰——它吸收了互联网上几乎全部的文本数据，能够生成连贯的文章、编写代码、通过各种知识测试。按理说，这样的系统已经足够「智能」了，不是吗？

然而，如果我们认真审视这类系统的运作方式，就会发现一个令人不安的事实：它们从未真正接触过物理世界。语言模型处理的一切——文字、符号、概率分布——都是人类预先加工过的信息。它们不知道重力是什么，除非有人在一段文字中描述过重力；它们不知道「热的咖啡会烫嘴」，除非这个知识被某个人写进了训练语料。更重要的是，它们没有任何能力去验证这些知识——它们无法亲自端起一杯咖啡、感受它的温度、决定是吹一吹还是直接喝下去。

具身智能（Embodied AI）正是对这一根本性缺陷的直接回应。具身智能的核心主张是：真正的智能不仅需要处理信息的能力，更需要通过身体与物理世界持续交互来获取意义和理解。一个智能体如果从未「活」在世界中，从未用它的「身体」去触碰、推拉、移动、感知这个世界，它对世界的「理解」将始终是不完整甚至扭曲的。

1.2.2 什么是具身智能

那么，究竟什么是具身智能？从学术定义出发，具身智能指的是一类智能系统，其核心特征是通过物理身体（通常是机器人形态）与环境进行实时交互来完成感知、学习和决策。这里的「具身」（embodied）不仅指系统拥有一个物理载体，更重要的是强调：智能不是发生在「大脑」中的孤立计算过程，而是身体-环境耦合系统的涌现行为。

为了更准确地理解这个定义，我们可以将它拆解为三个关键维度：

第一，物理性（Physicality）。 具身智能系统必须拥有某种形式的物理身体。这个身体可以是四足机器人的四条腿，可以是人形机器人的双手和双足，可以是自动驾驶汽车的车轮和传感器，也可以是一个在虚拟环境中运行的软件智能体——只要它能够感知并作用于一个外部环境，就算满足了物理性的要求。值得注意的是，物理性并不一定意味着「实体形态」，在强化学习（Reinforcement Learning）和仿真训练中，智能体的「身体」可以是虚拟的，但它仍然需要遵循物理交互的基本约束。

第二，交互性（Interactivity）。 具身智能系统的学习和发展依赖于与环境的持续反馈循环。这与传统的「离线学习」（offline learning）模式形成了鲜明对比——后者在训练阶段使用固定的数据集，训练完成后模型参数就固定下来；而前者则强调智能体必须在环境中「试错」，通过感知行动的结果来调整自己的行为策略。你可以把这种方式类比为人类婴儿学习抓握物体的过程：婴儿不是通过阅读手册学会抓握的，而是在一次次伸手、触摸、抓取、掉落的过程中，逐渐建立了手-眼-脑的协调能力。

第三，情境性（Situatedness）。 具身智能系统的智能表现高度依赖于它所处的具体情境。一台在工厂流水线上精确装配零件的机械臂，在家庭环境中可能完全不知所措；一台在白天运行的自动驾驶汽车，在暴雨夜间环境下可能表现急剧下降。这种对具体情境的敏感性，恰恰说明了具身智能与传统机器学习系统的本质区别——后者追求的是在训练数据分布上的泛化能力，而前者则强调智能体在特定环境中的适应性和鲁棒性（robustness）。

这三个维度——物理性、交互性、情境性——共同构成了具身智能区别于传统人工智能的本质特征。理解了这三个维度，我们就把握住了本书后续所有内容的核心线索。

1.3 哲学源流：身体如何成为认知的一部分

1.3.1 梅洛-庞蒂的身体现象学

如果说上一节是从技术角度来定义具身智能，那么本节我们要追溯其背后的哲学根基。具身认知（Embodied Cognition）并非计算机科学家凭空提出的新概念，它深深植根于 20 世纪的欧洲哲学传统，尤其是法国哲学家莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty） 的身体现象学（Phenomenology of Perception）。

梅洛-庞蒂在其 1945 年的代表作《知觉现象学》（*Phénoménologie de la perception*）中，提出了一个颠覆性的观点：我们的意识不是脱离身体的「幽灵」，而是通过身体与世界建立联系。在他看来，我们对世界的理解不是首先发生在大脑中，然后传递给身体去执行；相反，认知从一开始就扎根于身体对世界的直接「体验」之中。

这个观点初听可能令人困惑。让我们用一个具体的例子来说明。想象你要伸手去拿桌上的一杯水。你并没有先在大脑中计算手应该以多少角度伸出、需要多大的肌肉力量、水杯距离我多少厘米——尽管你的大脑确实在做这些计算，但你的主观体验并非如此。你只是「直接」伸手去拿，这杯水就在那里，这种「上手状态」（德语：Zuhandenheit，梅洛-庞蒂借鉴了海德格尔的术语）是身体对世界的原初把握方式。

梅洛-庞蒂进一步指出，我们的身体不仅仅是执行命令的工具，它本身就是一个「主体」（le corps propre，可译为「拥有的身体」或「活的身体」）。我们的身体有其自己的「理解力」——这是一种无法被完全语言化和符号化的知识，比如骑自行车、游泳、演奏乐器时身体对动作的微妙把握。你无法通过阅读一本手册来学会骑自行车，因为这种技能很大程度上是身体性的、「默会的」（tacit knowledge，波兰尼 Michael Polanyi 的术语）。

1.3.2 认知科学的具身转向

梅洛-庞蒂的哲学思想在沉寂了数十年之后，终于在 20 世纪 80 年代末至 90 年代初，借助认知科学的发展获得了新的生命力。心理学家劳伦斯·巴尔塞洛缪（Lawrence Barsalou） 在 1999 年提出的「感知符号系统理论」（Perceptual Symbol Systems），标志着认知科学领域「具身转向」（embodied turn）的重要一步。巴尔塞洛缪的核心论点是：概念不是抽象的符号表征，而是与感知运动系统紧密绑定的。当我们理解「拿起咖啡杯」这个概念时，我们大脑中激活的区域与实际执行拿起咖啡杯动作时激活的区域高度重叠。

此后，一系列跨学科研究不断证实了具身认知假说的有效性。神经科学发现，人类的镜像神经元（mirror neurons）系统在理解他人行为时发挥着关键作用——我们不仅通过视觉观察到他人的动作，还通过自身的运动系统「模拟」这些动作来获得理解。语言学研究则发现，抽象概念的理解高度依赖隐喻（metaphor），而这些隐喻的根源恰恰在于身体经验——我们用「上」表示积极（"upbeat", "high spirits"），用「下」表示消极（"down in the dumps"），这种关联并非任意，而是源于直立行走的人类身体对「上」与「下」的不同体验。

这一系列来自哲学、心理学和神经科学的洞察，为人工智能研究者提供了重要的启示：如果我们想要构建真正理解世界的智能系统，也许不能仅仅依赖于抽象的符号操作，还需要让系统拥有某种形式的「身体」，让它能够像人类一样，通过身体与世界的交互来建立对世界的深层理解。这一哲学洞见，正是具身智能从理论走向工程实践的思想起点。

1.4 离身 AI vs 具身 AI：两种智能范式的根本分野

1.4.1 静态推理与动态交互

理解了具身智能的哲学基础后，我们可以更清晰地对比「离身 AI」（Disembodied AI）与「具身 AI」（Embodied AI）之间的本质差异。这种对比不仅有助于我们理解两类系统的不同，更能帮助我们理解为什么在某些任务上，即使用户体验到的「智能感」相似，两类系统的能力边界却有着根本性的区别。

让我们先从信息处理的范式说起。离身 AI 的核心工作模式是静态推理（Static Reasoning）——它接收一个输入（可以是一段文字、一张图片或一段音频），基于训练阶段学到的统计规律生成一个输出。整个过程中，模型与外部世界的连接仅限于输入端的信息读取，一旦输出生成完毕，它就与这个具体的情境彻底「断开」了。

大语言模型是离身 AI 的典型代表。当你向 ChatGPT 提问时，它的回答完全基于训练数据中文字符号之间的统计关联。无论你的问题多么具体、多么涉及当前发生的事件，模型给出的回答始终是对人类语言统计规律的「投影」，而不是对一个真实情境的实时感知和回应。模型不知道你此刻正在哪里、周围环境如何、你的身体状态如何——它对这些现实情况完全「盲」。

具身 AI 的核心工作模式则是动态交互（Dynamic Interaction）——它不仅仅「看」这个世界，它在世界中「行动」，并根据行动的结果不断调整自己的认知和策略。这种交互是持续的、多模态的：智能体通过摄像头和传感器「看见」环境，通过力矩传感器「感受」抓取物体的软硬和重量，通过自身的电机驱动实现移动和操作。每一个行动都产生即时的反馈，这些反馈又成为下一轮感知-决策-行动的输入，形成一个永不中断的闭环。

用一个生活场景来类比也许更直观。假设你走进一个黑暗的房间，需要找到电灯开关。离身 AI 的做法是：根据你提供的房间描述（或者一张照片），从它的知识库中推断「大多数住宅的开关位于进门右手边的墙上」。这个推断可能正确也可能错误，但它无法亲自走进那个黑暗的房间去验证。具身 AI 则会实际走进房间，用手摸索墙壁，感受不同材质和形状的差异，通过试探性的动作逐步缩小搜索范围，最终找到开关——这个过程虽然可能更慢，但获得的答案是基于实地的直接感知，而非纯粹的统计推断。

1.4.2 知识获取方式的对立

两种范式的第二个根本差异在于知识获取的方式。离身 AI 的知识来自人类生成的数据——文本、图片、视频。这些数据是人类在物理世界中活动的结果，其中蕴含了大量关于物理世界的间接信息（比如语言描述中包含的物理常识），但这些信息经过了人类感知的「过滤」和语言的「编码」，不可避免地存在信息损失和偏差。

以「水是湿的」这个常识为例。离身 AI 从未「摸过」水，它对「湿」的理解完全来自文本语料中关于「湿」的描述——物体表面有水分子覆盖、接触时会有湿润的触感、会使纸张变得柔软等等。这些描述是「湿」这个概念的间接语言表征，而非「湿」的直接体验。具身 AI 则可以通过其触觉传感器实际接触水，直接获取「湿」这一物理属性的第一手感知数据。这种直接获取的知识，与通过语言间接获得的知识，在深度和可靠性上有着本质的区别。

具身 AI 的支持者们还指出，身体在与环境交互的过程中，不仅能获取关于环境的知识，还能发展出一种「运动智能」（Motor Intelligence）——即灵活、协调、高效地执行物理动作的能力。这种能力类似于人类所说的「手感」、「车感」、「球感」，它是大量身体经验积累的结果，难以通过纯粹的符号操作来复制。波士顿动力（Boston Dynamics）的机器人能够完成后空翻、跑酷等高难度动作，正是因为它的「身体」通过仿真训练积累了海量的物理交互经验，这些经验被编码在控制器的参数中，但绝非简单地从文本数据中「读」出来的。

1.4.3 泛化能力的不同性质

第三点需要强调的是两类系统泛化能力（generalization）的本质区别。离身 AI 的泛化能力体现在分布内泛化（in-distribution generalization）——当测试样本与训练样本来自相似的概率分布时，系统表现良好。例如，一个在大量英文新闻文章上训练的语言模型，在面对新的英文新闻时通常能给出合理的回答。但当测试场景偏离训练分布时——比如要求模型处理一个高度专业化的领域（如深海地质勘探）或一个完全不同的模态（如需要物理操作的任务）——性能往往会显著下降，这就是所谓的「分布偏移」（distribution shift）问题。

具身 AI 面对的泛化挑战则截然不同。由于它必须在具体的物理环境中运作，它必须应对的不仅仅是数据分布的变化，更是物理环境本身的无限复杂性。现实世界的物理场景几乎不可能被完整地建模和仿真——光照条件的变化、地面的摩擦系数差异、物体的形状和材质多样性、人体行为的不可预测性——这些都是无法通过扩大训练数据集来完全解决的问题。

因此，具身 AI 的泛化更强调适应性（adaptability）和鲁棒性（robustness）。一个真正有能力的具身智能系统，应当能够在面对从未见过的环境时，通过有限次数的探索和试错，快速建立对环境的有效理解，并据此调整自己的行为策略。这种能力有时被称为「零样本泛化」（zero-shot generalization）或「少样本适应」（few-shot adaptation），它要求智能体不仅依赖预先训练的知识，还需要具备实时学习和即时调整的能力。

下面用一张对比表格来总结两类系统的核心差异：

| 维度 | 离身 AI | 具身 AI | |------|---------|---------| | 智能载体 | 纯算法模型，无物理身体 | 机器人/智能体，拥有物理或虚拟身体 | | 信息获取 | 依赖人类生成的标注/无标注数据 | 通过传感器直接感知物理环境 | | 学习模式 | 离线批量训练，模型参数固定 | 在线持续学习，身体-环境闭环 | | 知识类型 | 符号性、语言性、间接性知识 | 感知运动性、直接性、情境化知识 | | 交互方式 | 被动接收输入，主动生成输出后断开 | 持续与物理环境交互，形成闭环反馈 | | 泛化挑战 | 分布偏移、领域适应 | 物理场景无限复杂性、实时适应性 | | 典型代表 | 大语言模型（GPT-4, Claude） | 人形机器人（Figure 01, Atlas） | | 核心局限 | 缺乏物理世界直接经验 | 数据采集成本高、安全风险大 |

1.5 具身智能的发展简史：从 Shakey 到 Figure 01

1.5.1 开创期：Shakey 的时代（1966-1972）

如果说具身智能作为一个概念有着深刻的哲学渊源，那么它作为一门工程学科的历史，则要从一台名为 Shakey 的机器人说起。

1966 年，在斯坦福研究院（Stanford Research Institute，SRI），由尼尔斯·尼尔森（Nils Nilsson） 领导的研究团队开始研发世界上第一台能够自主感知环境、规划路径并执行行动的移动机器人——Shakey。这台机器人装备了电视摄像机、测距仪和碰撞传感器，能够感知周围环境中的障碍物，并根据给定的任务目标（如「推动房间中央的箱子」）自动规划行动序列。

Shakey 的技术意义在于它首次将感知（Perception）、规划（Planning）和执行（Execution） 三个功能模块集成到一个能够自主运行的系统中。在 Shakey 之前，机器人的感知和行动往往是脱节的；Shakey 则证明了通过传感器的反馈信息来驱动规划和控制循环的可行性。当然，以今天的标准来看，Shakey 的能力非常有限——它需要数小时来计算一条简单的路径，而且只能在受控的室内环境中运行。

但 Shakey 的历史意义远超其技术能力本身。它不仅催生了「感知-规划-行动」（Sense-Plan-Act）这一经典机器人架构范式，更重要的是，它让研究者们第一次看到了「会思考的机器」从理论走向现实的可能性。在 Shakey 之后，具身智能研究逐渐形成了两个相互竞争但又相互促进的路线：一是以 Rodney Brooks 为代表的「行为主义」路线，主张智能应该直接从身体与环境的交互中涌现，不需要复杂的内部表征；二是以经典人工智能为代表的「表征主义」路线，主张智能的核心是构建世界模型（world model）并进行基于模型的推理。我们将在后续章节中详细展开这场持续数十年的学术争论。

1.5.2 发展期：机器人的「文艺复兴」（1980-2010）

进入 80 年代，具身智能研究迎来了一个重要转折点。1986 年，麻省理工学院人工智能实验室的罗德尼·布鲁克斯（Rodney Brooks） 发表了一篇至今仍被广泛引用的论文《没有表征的智能》（*Intelligence without Representation*），系统地批判了传统人工智能过度依赖符号表征的路线。

布鲁克斯的核心论点是：**智能不需要建立在复杂的内部世界模型之上，简单的感知-反应机制（subsumption architecture