范式转变：从符号主义到具身智能 / Paradigm Shift: From Symbolicism to Embodied Intelligence

范式转变：从符号主义到具身智能 / Paradigm Shift: From Symbolicism to Embodied Intelligence

2023 年 10 月，Figure AI 在 Figure 01 人形机器人上接入 OpenAI 的 GPT-4o 视觉语言模型，仅用 13 天训练就让一个完全无经验的机械臂完成了"把苹果递给人类"这一对两岁儿童而言毫不费力的任务。同月，DeepMind 发布的 RT-2 将 55B 参数的 PaLI-X 与 12B 参数的 PaLM-E 融合，在 17 个新任务上实现了 62% 的成功率——而其纯视觉语言版本在同样任务上的成功率仅为 32%。这两个数字之间 30 个百分点的鸿沟，并非来自更大的语言模型或更深的网络，而来自一个跨越 35 年、被主流 AI 学界反复搁置又反复回归的命题：智能必须被"具身"（embodied），即必须通过身体与环境的实时交互才能完成完整定义。本章要回答的核心问题是：为什么 2020 年代会成为具身智能（Embodied Intelligence）从边缘研究走向舞台中央的转折点？"预测即决策"（prediction-as-decision）这一新范式如何统一感知、行动与认知？理解这一范式转变，是阅读本书后续所有算法、系统和前沿讨论的逻辑前提。

1.1 三次寒冬与五代范式之争：被压抑的具身路线

AI 作为一门学科诞生于 1956 年达特茅斯会议，其最初的承诺——"让机器模拟人类智能的每一个方面"——在随后 70 年里经历了三次显著的寒冬（AI Winter）与五次范式更替。每一次范式更替都伴随着对"具身"问题的不同态度，而 2020 年代的转折，本质上是这一态度的周期性回归。

第一次寒冬（1974—1980） 主要由符号主义（Symbolicism）的算力瓶颈触发。Newell 与 Simon 在 1956 年的"Logic Theorist"以及后续的"General Problem Solver"将智能还原为对符号的逻辑操作，这一思路在 1970 年代的专家系统（Expert Systems）如 MYCIN、DENDRAL 中达到顶峰。然而，Lighthill 报告（1973）严正指出这些系统对"组合爆炸"（combinatorial explosion）毫无抵抗力，政府资助在英国几乎归零，美国 DARPA 也大幅削减拨款。在这次寒冬中，控制论（Cybernetics）传统下的具身路线被一并冷藏：Grey Walter 的"机械乌龟"（1953）、Shakey 机器人（1969—1972）所代表的"感知-行动回路"（sense-model-plan-act）思路，因其无法清晰表述为符号规则而被归入"工程问题"而非"智能问题"。

第二次寒冬（1987—1993） 同样以符号主义失败为标志，但更具讽刺意味的是，连接主义（Connectionism）也几乎同时陨落。1986 年 Rumelhart、Hinton 与 Williams 重新发现反向传播算法（Backpropagation），掀起神经网络的第二次浪潮；然而 Minsky 与 Papert 1969 年《Perceptrons》中关于 XOR 问题的限制被反复炒作，加上 1990 年代初专用硬件跟不上模型规模，连接主义也陷入低谷。这一时期，真正坚持具身路线的，是 Rodney Brooks 在 MIT 人工智能实验室的工作。1986 年他发表 "A Robust Layered Control System for a Mobile Robot"，提出包容式架构（Subsumption Architecture）；1989 年发表 "Elephants Don't Play Chess"，明确反对"中央符号模型"假设；1991 年他与 Anita Flynn 共同推出仿昆虫机器人 Genghis。这些工作构成第二次寒冬中最孤独、也最固执的具身学派。

第三次"软"寒冬（1995—2010） 表面上是统计学习的崛起（SVM、CRF、Boosting），实质上仍是符号与连接两条主线的相互妥协。具身路线被进一步边缘化，迁移到机器人学（Robotics）学科内部，主要在 SLAM（Simultaneous Localization and Mapping）与运动学（Kinematics）领域继续发展，与"AI"的语义场域几乎完全脱钩。

第四次范式更替（2012—2017） 由 AlexNet（Krizhevsky et al., 2012）触发，深度学习（Deep Learning）接管了几乎所有感知任务。ImageNet 错误率从 26% 骤降至 16%，语音识别错误率减半，但这一阶段的模型依然是"无身的观察者"——它们接受静态标注数据，输出分类或回归结果，从未与物理世界产生闭环反馈。

第五次范式（2017—） 才是我们今天所处的转折点。Vaswani 等人 2017 年的 "Attention Is All You Need" 与同年 Ha & Schmidhuber 的 "World Models" 几乎同时出现，但走向了完全不同的方向：前者催生了以 GPT、BERT、PaLM 为代表的大语言模型（LLM）路线，专注于符号化文本的生成与理解；后者则将智能体（Agent）放入"内部世界模型 + 强化学习"的双系统框架中，重新拾起具身传统。两条路线在前四年几乎平行发展，直到 2022 年底 ChatGPT 的爆发出乎意料地揭示了一个矛盾：纯文本规模化的路径在"动作"维度上彻底失语。

这一矛盾迫使研究者回望五代范式之争中被反复压抑的具身传统，也重新激活了一个经典命题——Moravec 悖论。

1.2 Moravec 悖论与现代 Scaling 法则的失配

1988 年 Hans Moravec 在《Mind Children》中抛出一个被后世无数论文引用却始终未被工程化解决的现象：

> "使计算机在智力测试或下棋中达到成人水平相对容易，而赋予其一岁儿童在感知与运动方面的能力却困难甚至不可能。"

Moravec 的解释是进化论的：人类的高级认知（推理、规划、语言）是新近进化的产物，建立在底层感知-运动硬件之上，而底层硬件经过了 5 亿年自然选择的优化，其工程复杂度远高于符号推理。当研究者用 SLT、SAT solver、Transformer 在文本与棋类上获得指数级提升时，机器人领域的进展却呈线性甚至停滞——这并非工程投入不足，而是基础硬件-软件栈的范式本身与具身智能的内在要求不匹配。

从 Chinchilla Scaling Law（Hoffmann et al., 2022）出发可以更清晰地看到这一失配。Chinchilla 法则指出，最优语言模型的计算最优配置是训练 token 数与参数规模等比放大，比例约为 20:1。这一法则已被 GPT-4、PaLM-2、Gemini 等模型反复验证。然而，当我们将同样的尺度律（scaling law）外推到机器人领域，会立刻遇到三个根本性瓶颈：

第一，数据形态不匹配。高质量语言数据的存量约为 5—10 万亿 token，来源于互联网的零成本爬取；而机器人轨迹数据（即"状态-动作"对序列）的存量，即使把 Open X-Embodiment（2023）的 60 个数据集、超过 200 万条轨迹全部汇总，也只有约 1 PB——而这已经是全球数十家顶级实验室三年协作的成果。更关键的是，轨迹数据无法众包：每一次采集都需要真实的物理硬件与人类示教（teleoperation），单位成本高出文本数据 6—8 个数量级。

第二，归纳偏置（inductive bias）冲突。Transformer 假设输入是置换不变的 token 序列，擅长捕获长程统计依赖；而物理交互是连续的、部分可观察的、因果耦合的、不可重置的——这要求模型具有 3D 几何等变性（SO(3) equivariance）、时间因果性、接触动力学先验。直接对原始传感器-动作数据应用 LLaMA 架构，相当于用通用函数逼近器解决控制论问题，效率低下且泛化性差。

第三，闭环反馈的时间结构不匹配。LLM 的训练是离线的、单向的（数据 → 参数），而机器人必须在线、实时、连续地与环境交互。GPT-4 推理一次需要 200—500 ms，而人形机器人的控制回路要求 1—10 kHz 的关节级频率。这一千倍以上的时序鸿沟，决定了"大模型 + 微调"路线无法直接迁移到物理硬件。

Moravec 悖论因此从 1988 年的观察命题，演化为 2020 年代的工程命题：继续沿着纯文本 scaling 路径走下去，模型在 IQ-test 类任务上的能力将持续增长，但在物理交互能力上注定遭遇天花板。这正是 2022—2024 年大量顶尖实验室同时转向具身智能的根本动因——不是预测突破，而是承认单一 scaling 轴的边际收益已经触及物理学约束。

1.3 具身认知的科学根基：从 Varela 到 Brooks 的四块理论基石

具身智能的当代复兴并非单纯工程问题的副产品，而是建立在四块相互支撑的理论基石之上。理解这些根源，是避免把"具身"简化为"机器人 + AI 模型"这一浅层拼装的关键。

第一块基石：Varela、Thompson、Rosch 的现象学路径。1991 年 Francisco Varela、Evan Thompson、Eleanor Rosch 出版 *The Embodied Mind: Cognitive Science and Human Experience*，提出"生成认知"（enaction） 概念：认知不是大脑对外部世界的表征（representation），而是身体-大脑-环境通过结构性耦合（structural coupling）共同产生意义的过程。Varela 本人受佛教唯识学影响，强调"无表征智能"（representation-free cognition）的可能性。这一思路直接启发了 Brooks 的机器人哲学，也成为当代"主动推理"（active inference）框架的哲学源头。

第二块基石：Pfeifer 与 Scheier 的"理解智能"。Rolf Pfeifer 与 Christian Scheier 1999 年出版的 *Understanding Intelligence* 系统化了形态计算（morphological computation）概念：智能不仅在大脑中，也在身体的物理形态中——软体手指的被动柔顺、人类足弓的弹簧储能、章鱼臂的分布式神经控制，都是"被物质分担的计算"。这一观点在 2020 年代的软体机器人（soft robotics）与共驱机器人（co-design）研究中获得了量化验证。例如，MIT 的 Zahid et al.（2020）证明，为四足机器人设计具有被动柔顺性的柔性蒙皮，可将所需控制器参数减少 40%，并将能效提升 25%。

第三块基石：Brooks 的包容式架构。Rodney Brooks 1986 年提出的包容式架构（Subsumption Architecture）有三个反主流的核心主张：（1）无中央模型——智能体不维护全局世界模型，而是由多个并行的"行为层"（behavior layer）组成，低层完全自治，高层仅在需要时"包容"（subsume）低层输出；（2）自下而上构建——从最简单的避障行为开始，逐步叠加到探索、建图、目标推理；（3）通过真实世界验证——拒绝纯仿真，主张"the world is its own best model"。这一架构直接催生了 Roomba、Boston Dynamics 早期 BigDog 等一系列商业产品，其哲学遗产——"智能是涌现的，不是被表征的"——在 2020 年代的世界模型（World Models）与具身基础模型中以新的形式复活。

第四块基石：Friston 的自由能原理。Karl Friston 在 2010 年前后系统化提出的自由能原理（Free Energy Principle）将感知与行动统一为同一目标：最小化"变分自由能"（variational free energy），即模型预测与实际观察之间的差异。这一框架在数学上等价于主动推理（active inference）：智能体通过改变自身感知（perception）或改变环境（action）来减少预测误差。Friston 的工作为"预测即决策"这一新范式提供了贝叶斯意义上的形式化基底。

四块基石的共同特征是：拒绝将认知还原为符号操作或纯统计拟合，强调身体、环境、时间在智能形成中的不可分割性。这与 1950—2010 年间主流 AI 的"输入-处理-输出"框架形成根本对立，也为 2020 年代将大语言模型重新"接入"物理硬件提供了哲学正当性。

1.4 深度学习时代的分裂：语言模型的"失语"与控制论的"失聪"

2017—2023 年是 AI 历史上罕见的"双轨制"时期。一条轨道是自然语言处理与多模态感知，诞生了 BERT、GPT-2/3/4、CLIP、PaLI、ViT-22B 等模型；另一条轨道是机器人控制，主要在 ROS（Robot Operating System）生态下发展，依旧以模型预测控制（MPC）、经典 SLAM、行为树（Behavior Tree）为主流。两条轨道之间的技术栈、人才、评测基准、会议体系几乎完全分离。

语言模型一端，2018—2023 年的核心叙事是"规模即智能"。GPT-3（175B）展示出上下文学习（in-context learning），PaLM（540B）展示出思维链（chain-of-thought）推理，GPT-4 通过 RLHF 实现了人类对齐。这些模型在 MMLU、HumanEval、GSM8K 等基准上达到或超过人类平均水平。然而，所有这些能力都局限在"文本 → 文本"的封闭语义空间内：模型不能改变物理世界，不能通过触觉反馈验证自己的预测，不能在时间维度上展开长程因果推理。这是"失语"——不是不会说话，而是说的话无法被环境证伪。

控制一端，2017—2023 年并非完全停滞。Google DeepMind 的 AlphaGo Zero（2017）展示了自对弈强化学习的极限，OpenAI Five 在 Dota 2（2019）击败世界冠军，Waymo 在凤凰城完成超过 2000 万公里的真实路测。但这些系统的共同特征是专用性（narrowness）——AlphaGo 不会下棋，Waymo 不会抓取咖啡杯。它们缺乏对世界因果结构的语义级理解，无法接受人类高层指令（如"把桌子收拾干净"）并自主分解为子任务。这是"失聪"——不是听不到声音，而是无法将声音映射到具有物理意义的动作。

双轨制的代价在 2022 年底暴露得最彻底。ChatGPT 爆发的同一时间，Tesla 在 AI Day 2022 上展示 Optimus 原型机跌跌撞撞地搬运箱子，Boston Dynamics 的 Atlas 仍依赖预先编排的行为脚本完成跑酷，Figure 01 尚未启动。AGI 的"通用性"叙事与具身的"物理性"叙事在公众认知中产生了尖锐错位：最强的"智能"无法走出屏幕，最强"的身体"无法理解"请把红苹果放到蓝色碗里"这样的自然语言指令。

这种错位是 2023 年具身智能复兴的直接催化剂。三条技术路径几乎同时被开启：

1. VLA 路径：将视觉语言模型（VLM）扩展为视觉-语言-动作（Vision-Language-Action）模型。代表是 Google 的 RT-1（Brohan et al., 2022）、RT-2（Brohan et al., 2023），以及 2024 年的 OpenVLA、π₀（Physical Intelligence）。 2. 世界模型路径：训练生成式视频模型作为内部模拟器，模型在"想象"中规划。代表是 Wayve 的 GAIA-1（2023）、NVIDIA 的 DRIVE Sim、英伟达的 Cosmos 系列、WAIR 的 UniSim。 3. 端到端人形机器人控制：将强化学习、模仿学习、世界模型整合到单一策略网络。代表是 Figure 01 + OpenAI、1X Technologies 的 Neo、Apptronik 的 Apollo、Sanctuary 的 Phoenix。

三条路径并非互斥，而是同一深层范式的不同切面：把"语言"与"动作"重新放在同一个表征空间内，让"预测"成为决策的代理目标。

1.5 预测即决策：世界模型作为统一范式

"预测即决策"是 2020 年代具身智能最核心的范式主张，其数学形式可被严谨地表达如下：

设智能体在时间 $t$ 处于状态 $s_t$，执行动作 $a_t$，转移到 $s_{t+1}$ 并获得奖励 $r_t$。传统强化学习的目标是学习策略 $\pi(a_t \mid s_t)$，最大化未来累积奖励 $\sum_t \gamma^t r_t$。"预测即决策"范式则要求智能体额外学习一个生成式世界模型 $p_\theta(s_{t+1}, r_t \mid s_t, a_t)$，并通过在模型内部"展开"未来轨迹来辅助决策。具体地，最优动作可被形式化为：

$$ a_t^* = \arg\max_{a_t} \mathbb{E}_{p_\theta} \left[ \sum_{k=0}^{H-1} \gamma^k r_{t+k} + V_\phi(s_{t+H}) \right] $$

其中 $H$ 是想象视野（imagination horizon），$V_\phi$ 是价值函数。世界模型 $p_\theta$ 既充当"模拟器"（用于 MPC、rollout），也充当"表征提取器"（其潜在状态 $z_t$ 用作策略网络的输入）。

这一范式的早期证据来自 Ha & Schmidhuber 2018 年的 "World Models"：他们用一个小型 VAE 编码状态，一个 RNN 预测下一潜在状态，一个简单控制器在 Car Racing 和 VizDoom 任务上达到当时 SOTA，且训练样本效率提升 5—10 倍。2019—2024 年的 Dreamer 系列（Dreamer V1/V2/V3，Hafner et al.）进一步在 Atari、DeepMind Control Suite、MyoSuite 上验证了"在想象中学习"的有效性。Dreamer V3（2023）使用固定超参数在 150 多个任务上达到或超过人类水平，是世界模型范式最具说服力的工程实证