智能的起源：机器人能够思考吗？

第 1 章 智能的起源：机器人能够思考吗？

清晨六点，你家的扫地机器人悄悄启动，沿着地板边缘清洁灰尘。它能避开椅子腿、识别地毯边缘，甚至能在电量不足时自己跑回充电桩。同一时刻，隔壁的小明正在搭积木——他把三角形木块放在正方形木块上面，发现放不稳，于是换成两个三角形叠成菱形，问题解决了。一个是机器，一个是孩子；一个写满代码，一个连乘法都不会。但它们似乎都在"想办法完成任务"。

这究竟是不是同一种能力？如果扫地机器人具备"智能"，它是真正在思考，还是只是在执行预设程序？如果小明具备"智能"，他的"想办法"又是如何发生的？这些问题看起来简单，却困扰了科学家七十多年。要回答它们，我们必须回到一个更基础的问题：到底什么是智能？

1.1 智能的定义：感知、推理、学习与行动的整合

在日常生活中，我们常常把"聪明"等同于"算得快"。能在一秒内算出 $999 \times 999 = 998001$ 的计算器似乎很"聪明"，但你绝不会说它"理解"了数学。这种直觉背后，藏着一个关键区别：单纯的计算并不等于智能。真正的智能，至少要包含四种能力的整合——感知、推理、学习、行动。

感知（Perception） 是智能的入口。它意味着系统能从环境中获取信息，并把这些信息转化为有意义的表征。对人类而言，感知通过眼睛、耳朵、皮肤、鼻子等感觉器官完成；对机器人而言，则借助摄像头、激光雷达、麦克风、触觉传感器等设备完成。感知不是被动接收，而是主动筛选——在嘈杂的房间里，你能"听见"朋友叫你名字，是因为你的大脑自动过滤掉了背景噪音；在一堆杂乱的物品中，你能"一眼"看到自己的钥匙，是因为视觉系统在毫秒级完成了注意力分配。同样，一台优秀的自动驾驶汽车必须能在暴雨中辨认出一百米外突然横穿马路的儿童，必须能在逆光条件下读懂限速标志，必须能在雷达回波中区分行人、车辆、自行车。这些看似简单的感知任务，背后是数十年计算机视觉和信号处理研究的积累。

推理（Reasoning） 是智能的核心。它意味着系统能基于已有信息，得出新的结论或制定计划。推理可以是逻辑的（"如果明天下雨，地会湿；地湿了，球会弹得低"），也可以是直觉的（"这道题看起来要这么解"）。人类幼儿的推理能力很早就开始发展——他们知道物体掉到桌子下面不会消失（"物体恒存性"概念，通常在 8 个月左右出现），能预测水从一个宽杯子倒进窄杯子时水位会升高（"守恒概念"，通常在 6-7 岁发展成熟），能根据"小丽比小明高，小明比小红高"推断"小丽比小红高"（传递性推理，5 岁左右掌握）。这些看似简单的推理，对机器来说曾经是巨大挑战。即使在今天，让机器具备一个三岁儿童的常识推理能力，仍然是一个未完全解决的科学难题。

学习（Learning） 是智能的引擎。它意味着系统能从经验中提取规律，改进自己的表现。学习让智能体从"只会做一件事"变成"能做越来越多的事"。人类婴儿通过反复抓握练习掌握精细动作，通过听大人说话学会语法，通过摔倒学会平衡。这种学习的效率极高——一个正常儿童在 5 岁前就能掌握母语的全部基本语法，而要让机器达到同样的水平，需要数百万小时的语音数据和数十亿参数的神经网络。更令人惊叹的是，人类学习的"样本效率"远超机器：婴儿看到一只猫，就能识别出世界上所有的猫；机器则可能需要看上万张猫的图片才能学会。理解并缩小这种差距，是当代人工智能研究的核心挑战之一。

行动（Action） 是智能的出口。感知、推理、学习的结果必须能转化为对世界的影响，否则智能就只是空想。行动可以是人类的一次握手、机器人的一次抓取、汽车的一次转弯。行动让智能体真正"存在于世界中"，而不只是一段代码悬浮在服务器里。值得注意的是，行动本身也是感知的来源——你伸手触摸一个物体时，触觉反馈立即更新了你对这个物体的认识。这就是著名的感知-行动循环（Perception-Action Loop）。

四种能力必须形成闭环：行动影响环境，环境产生新的感知，新的感知触发新的推理，新的推理指导新的学习，新的学习改进新的行动。这个不断循环的闭环，正是生命系统最显著的特征，也是衡量"是否真正智能"的核心标准。为了直观理解这个闭环，我们可以借助下面的流程图：

```mermaid flowchart LR A[感知] --> B[推理] B --> C[学习] C --> D[行动] D --> A ```

任何一环缺失，智能都不完整。一个只会感知但不会行动的生物只是一个被动的感受器；一个只会推理但不能感知的系统只能处理抽象符号；一个只会学习但不能行动的智能体无法改造世界。这种"四能力闭环"的视角，正是现代智能科学区别于传统计算科学的关键。

值得注意的是，这里讨论的智能是广义智能（General Intelligence），而不是狭义智能（Narrow Intelligence）。狭义智能指在某个特定任务上表现优异的能力——比如战胜围棋世界冠军的 AlphaGo、识别猫狗图像的分类器、自动驾驶的避障系统、写作文案的 GPT 模型。广义智能则强调跨任务、跨场景、跨模态的综合能力——像人类那样，既能做饭，又能写诗，还能修理漏水的水龙头。狭义智能在 2020 年代取得了巨大成功，但广义智能仍然是科学难题。本书讨论的"具身智能"，本质上正是通向广义智能的一条重要路径。

可以用一个简单的数学表达式来形式化这种区分：设智能体 $A$ 在任务集 $T = \{T_1, T_2, \ldots, T_n\}$ 上的表现分数为 $S(A, T_i)$，那么狭义智能优化单一任务 $T_k$ 的表现，广义智能则要求同时在多个任务上达到较高水平：

$$\text{Narrow: } \max_{A} S(A, T_k) \quad \text{vs.} \quad \text{General: } \max_{A} \frac{1}{n}\sum_{i=1}^{n} S(A, T_i)$$

这一对比看似简单，但它揭示了 AI 研究的两个根本方向：让一个系统在单一任务上超越人类 vs. 让一个系统在多种任务上接近人类。本书聚焦的是后者——而这条路，几乎不可避免地要经过"具身"。

1.2 图灵测试与思考的边界

如果让一台机器和一个真人同时藏在屏幕后面，你会问什么问题才能分辨它们？这正是英国数学家阿兰·图灵（Alan Turing）在 1950 年提出的著名思想实验。那一年，他发表了一篇划时代论文《计算机器与智能》（*Computing Machinery and Intelligence*），文章开篇就抛出了一个大胆的问题："机器能思考吗？"（Can machines think?）为了避免陷入无休止的哲学争论，他巧妙地把这个问题转化为一个可操作的测试——这就是后来被称为图灵测试（Turing Test）的实验设计。

图灵测试的原始设想是这样的：一位提问者通过文字与两个对象交流——一个是人，一个是机器。提问者无法看到对方，只能通过打字提问。如果经过一定时间的对话后，提问者无法可靠地区分哪个是人、哪个是机器，那么这台机器就可以被认为"具有智能"。图灵当时预测，到 2000 年前后，存储达到 10 亿比特（约 125 MB）的程序就能让普通提问者 70% 以上无法分辨。他还设想了"模仿游戏"的多种变体，比如让机器模仿一个特定的人（比如一个不懂英语的人用打字机与他人对话），以避免依赖机器的运算速度优势。

历史证明，图灵低估了人类语言的复杂性，也高估了纯粹文字对话能传递的信息。2014 年，一个名为"尤金·古斯特曼"（Eugene Goostman）的聊天程序据说让 33% 的评委相信它是人类——但仔细审视它的对话风格就能发现，它大量依赖青少年男性特有的"装作不懂"策略（"我才 13 岁，别问我这么复杂的问题"），用回避代替回答。这种"通过图灵测试"显然不是图灵所期待的。但图灵测试的核心思想——用行为而非结构来判断智能——深刻地影响了后来的人工智能研究。它引导科学家们关注一个朴素但有力的原则：如果一个系统在行为表现上无法与人类区分，那它在实践意义上就具有智能。这种思想后来被称为行为主义立场（Behaviorism）或功能主义立场（Functionalism）。

然而，原始图灵测试在今天看来有明显局限。它把智能限定在文字对话这一狭窄的窗口内，而人类大量的智能体现在物理世界中——比如搬东西、修理钟表、跳舞、做手术。把"会不会聊天"作为智能的唯一标准，相当于只看一个人的考试成绩，却忽略了他的运动能力、社交能力、生存能力。这显然不公平。

更重要的是，图灵测试容易被"作弊"。一个足够聪明的程序可以用各种话术绕过问题——比如故意打错字、声称是外国人不熟悉当地文化、给模棱两可的回答。它通过的不是"展示智能"，而是"伪装智能"。这与图灵的初衷——让真正具有智能的机器胜出——背道而驰。

现代研究者提出了多种"升级版图灵测试"：

• **总图灵测试**（Total Turing Test）：不仅通过文字，还要通过视觉、听觉、触觉信号交流，要求机器在物理世界中表现得像人类。
• **威诺格拉德模式挑战**（Winograd Schema Challenge）：通过巧妙设计指代消歧问题测试机器是否真正理解语言背后的常识。例如，"奖杯放不进手提箱里，因为它太小了"，"它"指的是奖杯；而把"太小"换成"太大"，"它"就指手提箱。能正确回答这种问题需要理解物体的物理属性。
• **机器人图灵测试**：让机器人完成真实的物理任务，由人类裁判判断。例如，要求机器人在不熟悉的家庭环境中准备一杯茶——这需要它找到杯子、识别茶叶、操作热水壶、协调多步骤动作。
• **通用人工智能测试**（AGI Testing）：让智能体完成跨领域、跨模态的复合任务，评估其迁移能力。

这些扩展反映了一个共识：要判断一台机器是否真正具备智能，不能只看它在某一狭窄领域的表现，而要看它在多模态、多场景下的综合能力。这也正是具身 AI 研究的逻辑起点——如果我们想知道机器是否"真懂"世界，就必须让它在真实世界中行动、试错、适应。

在工程语境下，"思考"（thinking）这个词往往被赋予了更精确的含义。它并不一定意味着像人那样"有意识"，而是指系统能否根据内部表征，对未来做出合理预测并选择最优行动。例如，自动驾驶汽车在决定是否变道时，会预测其他车辆接下来的轨迹，然后选择最安全的一条——这就是一种"工程意义上的思考"。它不需要有意识、不需要理解"危险"这个概念的哲学含义，但它的决策逻辑与人类司机的推理过程异曲同工。

这种去神秘化的"思考"定义，为具身智能研究提供了坚实基础。我们不必纠结机器人是否真的"感到疼"，只需关注它能否在复杂环境中做出恰当反应。这种实用主义立场（Pragmatism）正是本章乃至全书的核心方法论。它让我们避开"机器是否有灵魂"这种无解的哲学争论，专注于"机器能否完成任务"这种可验证的工程问题。

1.3 具身性假设：身体是智能的必要条件

想象你被蒙上眼睛、戴上耳塞、塞住鼻子、捆住手脚——你还能思考吗？也许能，但你的思维一定会发生奇怪的变化。你会极度依赖记忆、想象和语言，但你会发现很难形成新的具体概念；你可能会反复思考抽象命题，但对"一杯水的温度"这样的具体感觉会逐渐模糊。这个思想实验揭示了一个深刻洞见：身体的感知和运动能力，与我们的思维方式密不可分。

这一观点在认知科学中被称为具身认知（Embodied Cognition），其核心主张可以概括为一句话：身体不是智能的载体，而是智能的构成部分。换句话说，没有身体，就没有完整的智能。这一假设并不否认抽象思维的存在，而是强调所有抽象思维都建立在身体经验的基础上。

生物学为这一假设提供了大量证据。我们来看几个典型例子：

第一个例子：空间推理与身体运动。人类对空间关系的理解——上、下、前、后、左、右——直接来源于我们身体的运动经验。我们理解"在……之上"（on top of）时，大脑会自动激活与平衡感相关的区域。著名语言学家莱考夫（George Lakoff）和约翰逊（Mark Johnson）在 1980 年的经典著作《我们赖以生存的隐喻》（*Metaphors We Live By*）中指出，英语中绝大多数抽象概念都通过身体隐喻来表达："我站在你的立场上"（立场 = 身体位置）、"她抬高了价格"（高 = 身体方向）、"我抓住了这个想法"（抓住 = 抓取动作）、"他的论点站不住脚"（站立 = 物理支撑）。如果人类没有身体，这些表达将变得不可思议。

第二个例子：手部动作与语言发展。婴儿在学会说话之前，会大量使用手势。著名发展心理学家皮亚杰（Jean Piaget）发现，婴儿手势的复杂程度与日后语言能力高度相关。神经科学家还发现，控制手部运动的布罗卡区（Broca's area）与语言处理区域高度重叠。一个有趣的研究显示，要求被试在说话时做手势，会让他们说出更复杂的句子；反之，限制手势会让语言表达变得更简单。这强烈暗示，手的运动与语言的产生共享神经基础。

第三个例子：动物智能与身体结构。章鱼拥有 5 亿个神经元，其中超过三分之二分布在八条触手中。这意味着章鱼的"思维"在很大程度上是分布式的——每条触手都能独立感知和决策，没有完全集中的"大脑"指令。这种独特的身体结构，使章鱼展现出令人惊叹的问题解决能力：它们能拧开瓶盖、用椰子壳当庇护所、模仿其他海洋生物、走出研究人员设计的迷宫。章鱼智能的存在提示我们：智能的形式不只一种，身体的形态本身就在塑造智能的内容。一个章鱼身体设计出的智能体，与一个人类身体设计出的智能体，将会有完全不同的思维方式。

第四个例子：婴儿的具身学习。著名发展心理学家安德鲁·梅尔佐夫（Andrew Meltzoff）和理查德·贝内特（Richard Bower）在 1970 年代做过一个经典实验：让 1 个月大的婴儿看到大人伸出舌头，婴儿也会模仿伸出舌头。这说明人类天生就具有"把别人的身体动作映射到自己身体上"的能力，这种能力被称为模仿学习（Imitation Learning）。这种能力让人类能够快速学习他人的技能，而不必自己重新探索。更进一步的研究显示，婴儿在模仿他人动作时，激活的大脑区域与实际执行该动作时相同——也就是说，观察本身就在某种程度上"执行"。这与机器学习中的"行为克隆"（Behavior Cloning）有异曲同工之妙，但人类婴儿的版本高效得多。

从这些例子出发，研究者们提出了具身性假设（Embodiment Hypothesis）的三个层次：

1. 弱具身性：身体的存在会影响智能的表现形式和效率。即使智能本质上可以脱离身体运行，物理身体也会让某些任务更容易完成。 2. 中等具身性：身体是智能形成和发展的必要条件，但没有身体也能产生某些抽象智能。例如，人类可以"在脑子里"推演数学公式，不需要物理操作。 3. 强具身性：没有身体，就不可能产生真正的智能，智能必须根植于身体与环境的持续交互。即使是数学思维，本质上也建立在身体经验之上。

本书采取的是中等偏强的立场。我们认为，对于绝大多数现实世界的智能任务——尤其是那些需要与物理环境打交道的任务——身体是不可或缺的。这也是为什么近年来机器人领域重新兴起，而不仅仅是软件算法的进步。我们将在后续章节看到，许多 AI 领域的"突破"之所以停留在狭义智能层面，正是因为它们没有身体；而真正让人感到"通用"的 AI 系统，几乎都需要某种形式的物理或模拟身体。

具身性假设对人工智能研究具有深远影响。它引导研究者把注意力从"如何让算法更聪明"转向"如何让机器拥有合适的形态与丰富的感知"。这不仅意味着加装更多传感器，更意味着重新设计机器人的身体结构，让它更适合在真实世界中运动、操作和交互。例如，软体机器人的兴起，正是因为刚性机械臂在抓取水果、挤过缝隙时表现糟糕，而柔性结构能更好地适应环境。

1.4 从符号 AI 到具身 AI 的范式转变

人工智能并非一开始就像今天这样强调"身体"。事实上，20 世纪中期的 AI 研究恰恰相反——它试图摆脱身体，专注于抽象符号的处理。

符号 AI（Symbolic AI），又称古典人工智能（Good Old-Fashioned AI, GOFAI），兴起于 1956 年的达特茅斯会议。这种范式认为，智能的本质是对符号的逻辑操作。人类思维可以用形式逻辑表达，知识可以用"如果……那么……"的规则编码，问题求解可以归结为符号搜索。1958 年，司马贺（Herbert Simon）和纽厄尔（Allen Newell）开发的"逻辑理论家"（Logic Theorist）程序，成功证明了《数学原理》中 38 条定理的前若干条，让早期研究者极度乐观。他们预测："二十年内，机器将能完成人类能做到的任何工作。"1960 年代，麻省理工学院的约瑟夫·维森鲍姆（Joseph Weizenbaum）开发了 ELIZA——一个简单的心理咨询对话程序，它只是把用户的句子转化为"为什么你说……"这样的反问，但许多人却相信它在"理解"他们。这些早期成功让符号 AI 主导了 AI 研究的头三十年。

然而，符号 AI 很快遇到了常识问题（Commonsense Problem）。让机器理解"杯子掉到地上会摔碎"这样的常识极为困难，因为它需要大量关于物理世界、社会规则、因果关系的隐性知识。要把这些知识全部编码成规则，需要的数量大到无法想象——有人估计，一个三岁儿童掌握的常识如果写成规则，可能超过百万条。更棘手的是，许多常识是默认适用的：杯子通常是空的，桌子通常是稳定的，空气通常是透明的——这些"通常"无法用严格逻辑表达。1980 年代，Cyc 项目试图手工编码数百万条常识规则，但 30 多年过去仍未达到通用智能的水平。

到 20 世纪 80 年代末，符号 AI 陷入低潮，进入了后来被称为人工智能寒冬（AI Winter）的时期。研究经费大幅削减，许多公司倒闭，整个领域陷入停滞。

与此同时，另一条线索开始显现。1980 年代，研究者开始尝试让机器人通过与环境的直接交互来学习。罗德尼·布鲁克斯（Rodney Brooks）是其中的代表人物。他在 1986 年提出的包容架构（Subsumption Architecture）彻底颠覆了传统思路：机器人不需要先建立完整的世界模型再行动，而是把行为分解成多层简单的反射式模块（比如"避障"、"漫游"、"寻找目标"），高层模块可以"抑制"低层模块。这种架构不依赖中央化的符号推理，而是强调行为本身产生智能。布鲁克斯用一句口号总结了这种思想："世界是它自己最好的模型"（The world is its own best model）。他的论点是，与其让机器人在内部重建一个精确的物理世界，不如让它直接感知真实世界——真实世界永远比