← 9. Extended Mind 与延展心智目录11. 当工具成为身体：操作形态假说 →

10. 具身 AI 与机器人认知

第 10 章 · 具身 AI 与机器人认知

"身体不只是执行命令——身体本身是智能的一部分。"

学习目标

完成本章后，读者应能够：

  1. 复述 Brooks subsumption 架构的核心思想
  2. 解释 Pfeifer"形态决定智能"原理
  3. 描述 embodied foundation models (PaLM-E, RT-2, Octo) 的设计
  4. 评估 embodied AI 与 LLM Agent 的关系
  5. 区分物理机器人 Agent 与软件 LLM Agent 的关键差异

先修知识

章节地图

10.1 经典 AI 的身体缺失

经典 AI（1950s–1990s）几乎完全忽视了身体。研究者专注于符号操作和启发式搜索——心灵被等同于"在颅骨内运行的算法"。这种"离身认知"假设的后果是：

  1. 符号接地问题（Searle, Harnad）：机器人能"理解"符号吗？还是只是"无意义的字符串操作"？
  2. 框架问题：智能体如何在变化的环境中高效地决定"什么是不变的、什么是变化的"？
  3. Moravec 悖论（Moravec's Paradox）：让计算机下棋容易，让计算机像 1 岁小孩一样感知和运动却极难。

Moravec 悖论（1988）揭示了一个深刻的事实：对人类简单的事（走路、看东西、说话），对机器极其困难。原因不是算法问题——而是身体问题。智能不是抽象的符号操作，而是深深根植于身体与环境的交互中。

这正是 4E Cognition 运动的认知科学根源——具身 AI（Embodied AI） 在 1990 年代应运而生，主张：要让机器智能，必须给 AI 一个真实的身体——让 AI 经历与人类相似的感知-运动耦合。

关键点：经典 AI 的"离身"假设是 Moravec 悖论的根源。要解决 AI 的"难"问题，必须从身体入手。

10.2 Brooks：subsumption 架构与"无表征智能"

Rodney Brooks 是具身 AI 运动的开创者。他在 1991 年的里程碑论文《Intelligence Without Representation》中提出 subsumption 架构（Subsumption Architecture）——一种完全抛弃符号表征的机器人控制架构。

图 10.1 · subsumption 架构的层级结构

   ┌─────────────────────────────────────┐
   │  Level 4: 推理 (Reasoning)            │  ← 可选，从未实现
   │  - 长期规划、抽象思考                │
   └────────────────┬────────────────────┘
                    │ subsumes
   ┌────────────────▼────────────────────┐
   │  Level 3: 规划 (Planning)             │  ← 可选，从未实现
   │  - 短期路径规划                      │
   └────────────────┬────────────────────┘
                    │ subsumes
   ┌────────────────▼────────────────────┐
   │  Level 2: 探索 (Exploration)          │  ← 部分实现
   │  - 主动观察环境、识别目标              │
   └────────────────┬────────────────────┘
                    │ subsumes
   ┌────────────────▼────────────────────┐
   │  Level 1: 运动 (Locomotion)            │  ← 完全实现
   │  - 避障、趋向目标                    │
   └────────────────┬────────────────────┘
                    │ subsumes
   ┌────────────────▼────────────────────┐
   │  Level 0: 避障 (Avoid)                │  ← 完全实现
   │  - 撞墙、撞人立刻停下                │
   └─────────────────────────────────────┘

关键点：subsumption 架构中，每个层级都是独立的行为模块，高层级"覆盖"（subsume）低层级的行为。机器人不需要"中央表征"——它的智能是所有层级行为的涌现。

subsumption 架构的 4 个核心原则：

  1. 情境化（Situatedness）：机器人处于真实世界，而非符号世界。
  2. 具身化（Embodiment）：机器人有物理身体，必须与物理世界交互。
  3. 智能涌现（Intelligence from Emergence）：智能不是被设计出来的，而是从底层行为中涌现。
  4. 无表征（No Representation）：不需要中央符号数据库——行为是分布式的。

Brooks 用他的机器人 Herbert（收集空可乐罐）和 Genghis（六足机器人）验证了 subsumption 架构。这些机器人在没有中央表征的情况下，能完成"感知-运动"耦合任务，震惊了当时的 AI 界。

Brooks 的代表名言：

"The world is its own best model."（世界是它自己的最佳模型。）

这意味着：与其在机器人脑中建立"世界模型"，不如让机器人直接通过传感器感知世界。世界本身比任何内部模型都更准确、更实时、更完整。

subsumption 架构对 LLM Agent 的启示是颠覆性的：

复述框 · 10.2 节要点

  • Brooks 是具身 AI 运动的开创者。
  • Subsumption 架构：4 个独立行为层级，高层覆盖低层，无中央表征。
  • 4 个核心原则：情境化、具身化、涌现、无表征。
  • "世界是它自己的最佳模型"：不要建立内部模型，直接感知世界。

10.3 Pfeifer：形态学与智能

Rolf Pfeifer 是苏黎世大学的人工智能教授，他在《How the Body Shapes the Way We Think》（2007）中提出 "形态学假设（Morphology Hypothesis）"：

身体的物理形态（形态学、感觉系统、运动系统）不仅承载认知，而且决定认知的内容和结构。

Pfeifer 用大量生物学例子证明这一点：

图 10.2 · 形态学决定认知的三个机制

   ┌────────────────────────────────────────┐
   │      形态学决定认知的三个机制             │
   │                                          │
   │   1. 形态学简化感知 (Morphology Simplifies Sensing)
   │      - 形状决定"看到什么"               │
   │      - 例：眼睛的形状决定视野范围         │
   │                                          │
   │   2. 形态学影响控制 (Morphology Affects Control)
   │      - 关节数量决定运动自由度             │
   │      - 例：人手 27 个自由度 = 灵活操作     │
   │                                          │
   │   3. 形态学提供 affordance (Morphology Provides Affordance)
   │      - 物理形态 afford 特定行为            │
   │      - 例：球形 afford 滚动              │
   └────────────────────────────────────────┘

关键点：形态学不是"实现认知的工具"——"形态学是认知的一部分"。

Pfeifer 的"形态学假设"对 LLM Agent 设计的启示：

具体而言： - 一个只有搜索工具的 Agent "看到"的是搜索结果的世界 - 一个有代码执行工具的 Agent "看到"的是可编程的世界 - 一个有数据库工具的 Agent "看到"的是结构化查询的世界

复述框 · 10.3 节要点

  • Pfeifer 的形态学假设：身体形态决定认知内容和结构。
  • 3 个机制：形态学简化感知、影响控制、提供 affordance。
  • 对 LLM Agent：工具集 = Agent 的形态学；工具集设计 = 认知范围设计。

10.4 Embodied Foundation Models：PaLM-E、RT-2、Octo

2023–2025 年间，Embodied Foundation Models 爆发——把 LLM 与机器人控制结合，形成 "VLA（Vision-Language-Action）" 模型。

表 10.1 · 3 个代表性 Embodied Foundation Model

模型 时间 核心思想 关键创新 开源
PaLM-E 2023-03 562B 参数多模态 LLM，可输出机器人控制 把图像+文本作为输入，连续 token 作为输出 否
RT-2 2023-07 把机器人动作当作"语言 token" 视觉-语言-动作统一在文本生成中 部分
Octo 2024-04 开源通用机器人策略 27M 训练样本、8 种机器人本体 是

图 10.3 · RT-2 的统一 token 框架

   ┌────────────────────────────────────────┐
   │  输入: 图像 + 文本指令                    │
   │  - 图像 → ViT 编码为视觉 token            │
   │  - 文本 → 文本 tokenizer                │
   └────────────────┬───────────────────────┘
                    │
                    ▼
   ┌────────────────────────────────────────┐
   │  统一 Transformer (PaLI-X)               │
   │  - 处理视觉 + 文本 + 历史 token          │
   └────────────────┬───────────────────────┘
                    │
                    ▼
   ┌────────────────────────────────────────┐
   │  输出: 机器人动作 token                    │
   │  - 6D 末端执行器位姿                       │
   │  - 离散化为 256 词表                       │
   │  - "把动作当作另一种语言"                 │
   └────────────────────────────────────────┘

关键点：RT-2 的革命性创新是"把动作当作语言"——机器人控制变成"输出特定的文本 token"。

Embodied Foundation Models 的 4 个共同特征：

  1. 多模态输入：图像 + 文本 + 历史（可选）
  2. 大规模预训练：基于已有的 LLM/VLM 权重
  3. 动作输出统一：把控制视为"另一种语言"
  4. 少样本泛化：能泛化到训练时没见过的任务

Embodied Foundation Models 对 LLM Agent 的启示是双向的：

复述框 · 10.4 节要点

  • Embodied Foundation Models：VLA（Vision-Language-Action）统一架构。
  • 3 个代表：PaLM-E（多模态 LLM）、RT-2（动作=语言）、Octo（开源通用）。
  • 4 个特征：多模态输入、大规模预训练、统一动作、少样本泛化。

10.5 Embodied AI 与 LLM Agent 的关系

最后，我们对比物理 embodied AI 与软件 LLM Agent，明确两者的关系。

表 10.2 · 物理 embodied AI vs 软件 LLM Agent

维度 物理 embodied AI 软件 LLM Agent
身体 物理机器人（关节、传感器） 软件工具集（P, T, M, C）
感知 视觉、触觉、力觉 文本、API 返回
行动 物理动作（移动、抓取） 工具调用、文本生成
认知 分布式（每条触手都有"神经节"） 中心化（LLM 单点）
autopoietic 真正自创生 依赖外部服务（不是自创生）
4E 体现 完全（Embodied + Embedded + Enacted + Extended） 部分（Extended + Embedded，缺真正的 Embodied）
认知地位 真正的认知主体（Varela 立场） 认知模拟器（本书立场）

两者在 4E 框架下的关系是：

这给出本书核心主张之一：

LLM Agent 与 Embodied AI 不是竞争关系，而是层级关系——LLM Agent 是 Embodied AI 的"认知层"，Embodied AI 是 LLM Agent 的"物理层"。两者的结合（即 VLA）才是"完整"的智能体。

复述框 · 10.5 节要点

  • 物理 embodied AI vs 软件 LLM Agent：4E 实现程度不同。
  • LLM Agent 是认知模拟器，Embodied AI 是真正的认知主体。
  • 两者是层级关系：LLM Agent = 认知层，Embodied AI = 物理层。
  • VLA 是统一两者的框架。

10.6 本章小结与第 11 章预告

本章从认知科学（4E Cognition）转向人工智能（Embodied AI）。经典 AI 的身体缺失催生了具身 AI 运动。Brooks 的 subsumption 架构主张"无表征智能"，提出"世界是它自己的最佳模型"。Pfeifer 的形态学假设主张身体形态决定认知内容。Embodied Foundation Models（PaLM-E、RT-2、Octo）把 LLM 与机器人控制结合，形成 VLA 统一框架。Embodied AI 与 LLM Agent 是层级关系——LLM Agent 是认知层，Embodied AI 是物理层，VLA 是统一两者的框架。

常见误区

  • ❌ 把"具身"理解为"有身体"：具身是 4E 的综合，不只是"有身体"——还包括 affordance、enaction、extension。
  • ❌ 把 Brooks 误读为"反对表征"：Brooks 反对的是"中央表征"，不是"所有表征"。现代 subsumption 仍允许局部表征。
  • ❌ 把 VLA 误读为"机器人+LLM 简单组合"：VLA 是统一的多模态架构，不是叠加——动作 token 与语言 token 共享词表。
  • ❌ 把"形态学决定智能"理解为"形态决定一切"：Pfeifer 的形态学是认知的一部分，不是全部。
  • ❌ 把 LLM Agent 当作"完整智能体"：LLM Agent 缺真正的 Embodied，必须与 VLA 结合才是完整形态。

第 11 章将进入操作形态学形式化。第 7-10 章我们从 4E Cognition 走向 Embodied AI，建立了"身体塑造认知"的认识论基础；第 11 章将把这套哲学框架形式化为 B = {P, T, M, C} + 元控制器 U + 5 个可证伪假设——这是全书的理论中枢。

本章小结

推荐阅读

练习题

  1. 概念题：用一段话解释 Moravec 悖论为何指向了具身 AI 的必然性。
  2. 分析题：选一个真实机器人系统（如波士顿动力的 Spot、特斯拉的 Optimus），分析它是否实现了 Brooks 的 subsumption 架构。具体说：它有中央表征吗？高层覆盖低层吗？涌现智能吗？
  3. 设计题：为一个 LLM Agent 设计"形态学"——Agent 应该有哪 5 个工具？这 5 个工具的组合 afford 哪些能力？形态学如何影响 Agent 的"认知"？
  4. 批判题：Pfeifer 的"形态学决定认知"主张是否适用于 LLM Agent？工具集的设计能否"塑造"Agent 的认知？请举例说明。
  5. 工程题：把 RT-2 的"动作=语言 token"思想应用到 LLM Agent——把工具调用统一为"action token"，给出完整的数据流设计。
  6. 哲学题：Brooks 的"世界是它自己的最佳模型"是否适用于 LLM Agent？LLM Agent 是否有"自己的世界"？还是说 LLM Agent 永远在"重建世界模型"？

参考文献（本章内）

  1. Brooks, R. A. (1991). Intelligence Without Representation. Artificial Intelligence, 47(1-3), 139-159. $TRAE_REF
  2. Pfeifer, R., & Bongard, J. (2007). How the Body Shapes the Way We Think: A New View of Intelligence. MIT Press. $TRAE_REF
  3. Pfeifer, R., Lungarella, M., & Iida, F. (2007). Self-Organization, Embodiment, and Biologically Inspired Robotics. Science, 318(5853), 1088-1093. $TRAE_REF
  4. Driess, D., et al. (2023). PaLM-E: An Embodied Multimodal Language Model. arXiv:2303.03378. $TRAE_REF
  5. Brohan, A., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. arXiv:2307.15818. $TRAE_REF
  6. Team, O., et al. (2024). Octo: An Open-Source Generalist Robot Policy. RSS. $TRAE_REF
  7. Moravec, H. (1988). Mind Children: The Future of Robot and Human Intelligence. Harvard University Press.
  8. Moravec, H. (1999). Robot: Mere Machine to Transcendent Mind. Oxford University Press.
  9. Clark, A. (1997). Being There: Putting Brain, Body, and World Together Again. MIT Press.
  10. Ziemke, T. (2001). Are Robots Embodied? In CogSci-2001 Workshop on Epistemological Issues in Embodied AI.

本章进度：10.1–10.6 节全部完成（约 5,500 字，含 3 张图 + 2 张表 + 10 篇引用 + 6 题 + 5 误区 + 5 推荐），达到 26 页计划。status: final。

Part II 进度：4/5 章完结（Ch 7, 8, 9, 10）。下一章是全书理论中枢：第 11 章 · 操作形态学形式化。

← 9. Extended Mind 与延展心智目录11. 当工具成为身体：操作形态假说 →