具身智能的范式革命：从感知到认知的跃迁 / The Paradigm Revolution of Embodied Intelligence

第 1 章 具身智能的范式革命：从感知到认知的跃迁

1.1 问题的提出：为什么物理世界中的智能体必须「建模」？

智能的本质是否可以被还原为一个静态的函数逼近器？过去十年，深度学习对这个问题给出了几乎一致的回答：是。但当我们把这种「是」放置到物理世界中——一个由摩擦、惯性、接触、可变形物体、非完全可观测状态组成的高维、连续、部分可观测的动力学系统——同一个答案立刻变得可疑。一个被训练来识别 ImageNet 图像的 ResNet-152 拥有上亿参数，但它对「玻璃杯从桌面边缘滑落」这一事件的因果性预测能力为零。一个在 Atari 上达到超人水平的 DQN（Deep Q-Network）智能体，需要经历大约 200 帧的纯像素输入与近 10⁷ 次环境交互，才能学会在 Pong 中击败内置 AI；但一个三岁儿童在观察几次示范后就能掌握类似的击球策略，并且能在规则反转后迅速适应。这之间的鸿沟并不是「算力不足」或「数据不够」，而是范式的缺位：当前的端到端系统缺少一个对世界运作方式的内部可预测模型。

这就是具身智能（Embodied Intelligence, EI）必须回答的根本问题：为什么一个在物理世界中行动的智能体，需要一个关于环境的内部模型？ 这个问题的答案并不只是工程层面的样本效率优化，而是涉及认知科学对「智能」本身的重新定义。当 AlphaGo 在 2016 年击败李世石时，它的胜利并非来自对围棋棋理的「理解」，而是来自两个组件的协同：策略网络（Policy Network）与价值网络（Value Network）作为快速直觉评估器，蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）作为在内部模型中进行反事实推演的规划器。后者本质上就是 LeCun 所说的「世界模型」的雏形——AlphaGo 并不知道对手下一步会下在哪里，但它知道如果对手下在 A 点，棋盘将如何演变。这种基于模型的前瞻（lookahead）能力，正是无模型方法（model-free methods）所缺失的。

```mermaid flowchart LR A["Observation o_t"] --> B{"Has World Model?"} B -- "Model-Free" --> C["Policy/Value Net"] C --> D["Action a_t"] D --> E["Environment Step"] E --> A B -- "Model-Based" --> F["Predict s_{t+1}, r_{t+1}"] F --> G["Latent Rollout / Planning"] G --> H["Action a_t"] H --> I["Environment Step"] I --> J["Update Model from Error"] J --> F ```

`图 1.1：无模型与基于模型的决策链路对比。无模型回路是「观测→策略→动作」的闭环，而基于模型的回路增加了「预测下一状态→在潜空间中规划」的内部回路，这一回路允许智能体在不动用真实环境的前提下进行反事实推理。`

本章将沿着三条相互交织的脉络展开：其一，认知科学从符号主义到具身认知的范式迁移，特别是 4E 原则（Embodied, Embedded, Extended, Enacting）如何重新定义「智能」的边界；其二，世界模型（World Models）从 Hermann von Helmholtz 的「无意识推断」（unbewusster Schluss / unconscious inference）到现代神经动力学的思想谱系；其三，无模型强化学习（Model-free RL）与基于模型的强化学习（Model-based RL）在样本效率、可解释性、安全性与组合泛化能力上的本质差异。我们将剖析 JEPA（Joint Embedding Predictive Architecture）、Dreamer 系列、MuZero 等代表性架构，并最终回到产业现实——Boston Dynamics Atlas、Figure 02、Unitree H1、Tesla Optimus——来回答「世界模型如何从学术概念走向工程落地」这一关键问题。

1.2 认知科学中的具身转向：从表征主义到 4E 原则

1.2.1 三条路径的兴衰：符号主义、行为主义、连接主义

要理解为何「世界模型」在 2020 年代重新成为人工智能的核心议题，必须先回到认知科学百年来的三条主要路径及其内在张力。

符号主义（Symbolicism / GOFAI） 源于 Frege、Russell、Tarski 的逻辑传统，并在 1956 年 Dartmouth 会议后由 Newell、Simon、Minsky 等人发展为人工智能的奠基范式。其核心信念是：智能 = 物理符号系统 + 启发式搜索。Newell 和 Simon 在《Human Problem Solving》（1972）中提出的人类认知信息加工模型（Information Processing System, IPS）将心智视为一个对离散符号进行操作的计算引擎。这一范式在专家系统（Expert Systems）、自动定理证明（如 AUTOMATH）、通用问题求解器（GPS）等领域取得过辉煌成绩，但其根本局限在于「符号接地问题」（Symbol Grounding Problem, Harnad 1990）：符号与感官通道之间的语义鸿沟。一个从 `on(cup, table)` 推导到 `graspable(cup)` 的符号推理机，永远无法理解「杯子」在重力场中的实际物理行为。

行为主义（Behaviorism） 由 Watson、Skinner 倡导，在二十世纪中叶主导了心理学半个世纪。其信条是：心理学应只研究可观测的刺激-反应（S-R）关系，回避任何关于内部表征的黑箱讨论。这一思想在机器人学中的化身是行为机器人学（Behavior-based Robotics），由 Brooks 在 1986 年的《Elephants Don't Play Chess》中提出。Brooks 的包容架构（Subsumption Architecture）用分层的行为模块取代了中央规划器：「感知→动作」的直接回路避开了任何世界模型的构建。Brooks 的六足机器人 Genghis 能够在没有显式地图的情况下穿越不平地形，这被看作是行为主义的胜利。但行为主义的代价同样清晰：它无法解释那些需要前瞻、因果推理、抽象概念的操作——例如「把钥匙放在桌上以免丢失」这种跨时间尺度的目标管理。

连接主义（Connectionism） 在 1980 年代随着 Rumelhart、Hinton、LeCun 等人的工作复兴，并在 2012 年 AlexNet 之后主导了人工智能研究。其核心假设是：智能 = 高维参数空间中的梯度下降 + 大规模数据。深度网络是这一范式的工程化身：它通过堆叠的非线性变换逼近从输入到输出的复杂映射。连接主义在感知任务（视觉、语音、NLP）上取得了符号主义无法企及的成绩，但其根本问题在具身场景中暴露无遗：端到端训练的网络缺乏对因果结构的归纳偏置（inductive bias），无法进行反事实推理，也无法在分布外（Out-of-Distribution, OOD）泛化。一个在仿真中训练良好的自动驾驶策略，迁移到真实世界时往往因为「长尾事件」（long-tail events）的缺乏而失效——这并非数据量的问题，而是缺乏对物理因果的可分解表征。

这三条路径在 2010 年代之后并未真正消失，而是以混合架构的形式重新组合：现代大型语言模型（LLM）是符号主义（离散 token）与连接主义（Transformer）的融合；现代机器人系统是行为主义（低层反应式控制）与连接主义（视觉编码器）的叠加；而本书将要重点讨论的世界模型，则是这三者的更高阶整合——它既是连接主义的（神经网络参数化），又是行为主义的（与环境的实时交互），又是符号主义的（学习到的是可操作的、可推理的潜空间结构）。

1.2.2 4E 原则：Embodied, Embedded, Extended, Enacting

1990 年代以来，认知科学内部出现了一场深刻的范式转变，被称为具身认知（Embodied Cognition） 运动。Varela、Thompson、Rosch 在《The Embodied Mind》（1991）中提出了一个反笛卡尔主义的核心命题：认知不是大脑对外部世界的表征计算，而是身体、大脑、环境在动力学耦合中共同涌现的过程。这一思想后来被 Rowlands、Clark、Menary 等人发展为「4E 原则」，这四个 E 共同界定了具身智能的理论坐标系：

• **Embodied（具身的）**：认知过程依赖于身体的形态、感官、运动系统。物体的尺寸、重心、关节活动范围都直接塑造了「思考的内容」。一个六指的手套比五指的能实现更多的抓取策略，但需要不同的运动皮层表征。
• **Embedded（嵌入的）**：认知系统在物理环境中实时运行，环境不是被动的「棋盘」，而是认知的一部分。办公室的布局、白板的存在、同事的动作都是认知的延伸。
• **Extended（延展的）**：认知过程可以延展到身体之外的工具与符号系统。算盘是数学认知的延展，GPS 是空间认知的延展，编程语言是逻辑推理的延展。
• **Enacting（施为的）**：认知不是被动地「处理输入」，而是主动地「施为（enact）」——通过行动改变环境状态，进而影响后续的感知。这种「感知-动作回路」（Perception-Action Loop）是具身智能的核心动态结构。

这四个 E 共同指向一个对具身智能的工程化定义：智能体是一个在物理世界中通过主动施为来维持自身结构、达成目标、适应变化的动力学系统。这一定义立即引出了世界模型的必要性——为了让「施为」有意义，智能体必须能预测自己的行动将如何改变环境状态；而这种预测能力，就是世界模型的核心。

1.2.3 从表征到预测：Friston 的主动推断

在 4E 原则的神经科学基础中，Karl Friston 的自由能原理（Free Energy Principle, FEP） 占据核心地位。Friston 在 2010 年的《The free-energy principle: a unified brain theory?》中提出：任何自组织系统（从单细胞到大脑）都在最小化其自由能（variational free energy），即感觉输入与内部生成模型（generative model）之间的预测误差。这一思想的技术核心是主动推断（Active Inference, ActInf）：智能体不直接选择最大化奖励的动作，而是选择能够最小化未来预期自由能（即最大化模型证据下界 ELBO）的动作。

主动推断与经典强化学习的区别是根本性的。在经典 RL 中，奖励函数 $r(s, a)$ 是外部给定的标量信号；在主动推断中，「奖励」被替换为先验偏好（prior preference）——智能体对某些状态（如「站得稳」）有先验的偏好，任何偏离这些偏好的状态都会产生预测误差，进而驱动行动以最小化这种误差。这与世界模型的哲学高度一致：智能体的目标不是「做某个动作」，而是「让世界处于某种符合先验偏好的状态」。在这种框架下，行动（action）与感知（perception）是同一优化问题的两个不同解法：通过改变身体来改变感觉输入，或通过改变感觉输入来更新内部模型。

这一理论为现代世界模型研究提供了数学化的统一语言：世界模型就是一个生成式潜变量模型 $\hat{p}(s_{t+1} | s_t, a_t)$，其训练目标是最小化重构误差或预测误差的下界，而行动选择则是这个模型在反事实推演中的优化输出。

1.3 世界模型的历史谱系：从 Helmholtz 到 Predictive Coding

1.3.1 Helmholtz 的「无意识推断」：感知作为假设检验

现代世界模型的思想根源可以追溯到 19 世纪德国生理学家 Hermann von Helmholtz。他在 1867 年的《Handbuch der Physiologischen Optik》中提出了一个革命性的观点：感知不是被动地「记录」外部世界的刺激，而是大脑对外部原因的最佳猜测（unconscious inference, unbewusster Schluss）。当我们看到一个立方体时，视网膜上的图像只是几条线段的二维投影，但我们的视觉系统会自动推断出这是一个三维立方体——这是基于先验知识（如「光通常来自上方」「物体通常是刚体」）对欠定问题的概率推断。

Helmholtz 的洞见在 150 年后被重新发现，并被 Andreas Tolias、Bjorn Naselaris、Konrad Kording 等人在 21 世纪初发展为预测编码（Predictive Coding, PC） 框架。在 PC 框架中，大脑皮层的层级结构执行着一种特殊的推断算法：每一层神经网络都对下一层的活动做出预测，只有预测误差（prediction error）被传递到更高层。这一框架与 Rao-Ballard 1999 年的神经计算模型、R Friston 2005 年的预测编码自由能形式化紧密相连，并在大脑皮层微电路、视觉皮层 V1 简单细胞与复杂细胞的功能分工、注意力机制等方面得到大量实验支持。

预测编码对世界模型的启发是根本性的：如果大脑的工作方式就是不断预测下一时刻的感官输入并修正预测误差，那么人工的具身智能体也应当具备同样的能力。这正是 JEPA、World Models、Dreamer 等架构的共同设计哲学：学习一个对环境动态的预测模型，并以预测误差作为学习的信号。

1.3.2 控制论与内部模型：Conant、Ashby 与现代控制理论

在认知科学之外，控制论（Cybernetics） 传统为世界模型提供了另一条独立但平行的思想线索。W. Ross Ashby 在《An Introduction to Cybernetics》（1956）中提出，任何有效的控制系统都必须在内部包含其环境的关键变量模型——这是「必要多样性法则」（Law of Requisite Variety）的推论：如果控制器要与环境耦合并保持稳定，其内部状态空间的多样性必须至少与环境扰动的多样性相当。Roger Conant 与 Ashby 在 1970 年的「Every good regulator of a system must be a model of that system」定理中，将这一思想形式化为：每一个好的系统调节器，必然是它所调节的系统的模型。

这一思想直接影响了现代机器人学中的内部模型控制（Internal Model Control, IMC） 架构。IMC 的核心是：控制器内部维护一个关于被控对象的显式模型 $\hat{G}(s)$，控制器输出经过 $\hat{G}$ 修正后施加到真实对象上，并通过反馈误差来在线更新 $\hat{G}$。这一架构在工业过程控制中应用了几十年，但它要求 $\hat{G}$ 是已知或可解析求解的——这在复杂的非结构化环境（如家庭、街道）中是不可能的。

基于模型的强化学习（Model-based RL, MBRL） 正是 IMC 思想在人工智能领域的延伸：在 MBRL 中，$\hat{G}$ 不再是解析形式，而是由神经网络参数化的可微分模型；它通过与环境交互来在线学习，并在规划阶段被反复查询。这与无模型 RL 的关键区别是：MBRL 把学习到的模型作为「认知基础设施」，使得规划、想象、反思成为可能。

1.3.3 现代神经动力学：Ha & Schmidhuber 的 World Models 论文

2018 年，David Ha 与 Jürgen Schmidhuber 在 NeurIPS 上发表了具有里程碑意义的论文《World Models》（arXiv:1803.10122）。这篇论文的贡献不在于某个具体的算法创新，而在于它清晰、完整、可复现地展示了世界模型的核心架构。Ha & Schmidhuber 将智能体分解为三个组件：

1. 视觉编码器 V（Variational Autoencoder, VAE）：将高维观察 $o_t$ 压缩到低维潜变量 $z_t$。 2. 记忆-预测网络 M（Mixture Density Network + RNN）：在潜空间中学习环境动力学 $\hat{p}(z_{t+1} | z_t, a_t, h_t)$，其中 $h_t$ 是 RNN 的隐藏状态。 3. 控制器 C（Controller / Policy Network）：在潜空间中根据 $z_t$ 与 $h_t$ 输出动作 $a_t$。

关键设计是三个组件的训练是分离的：V 用重构损失训练，M 用潜空间中的预测损失训练，C 在固定 V 和 M 的基础上用进化策略（Evolution Strategies, ES）训练。这种解耦使得每个组件都可以独立优化，并且因为 C 只在低维潜空间中决策，其训练效率比端到端 RL 高出几个数量级。

在实验中，Ha & Schmidhuber 用一个简单的赛车游戏（CarRacing-v0）展示了他们的世界模型能够：① 从随机采样的潜空间轨迹中「生成」看起来像真实游戏的画面（这证明了潜空间确实捕捉了环境的关键结构）；② 在 CarRacing 上达到与 PPO（Proximal Policy Optimization）等无模型方法相当的水平，但采样效率高出约 1-2 个数量级。更重要的是，他们展示了「梦境训练」（dream training）：智能体完全在 M 生成的潜空间轨迹中进行训练，无需任何真实环境交互——这是「在想象中学习」的最早清晰演示之一。

这篇论文的影响是深远的。它把世界模型从一个模糊的认知科学概念变成了一个可工程化、可量化、可比较的架构范式。在此之后，Dreamer（DeepMind, Hafner et al. 2020）、DreamerV2（2021）、DreamerV3（2023）、IRIS（2023）、DreamerPro（2024）等一系列工作沿着 Ha & Schmidhuber 开辟的路径不断推进，把世界模型推到了 Atari、DMControl、MyoSuite 等基准的最前沿。

1.3.4 Predictive Coding