从科幻到现实：什么是具身智能

第一篇 概念与觉醒（我是谁）

第1章 从科幻到现实：什么是具身智能

1.1 引子：两个具有全球影响力的瞬间

1.1.1 AlphaGo的"局限"：棋盘上无敌，棋盘外无知

2016年3月9日，韩国首尔四季酒店。世界围棋冠军李世石九段坐在一张深色木质棋盘前，对面没有人，只有一个屏幕和一台远在伦敦的电脑。这一天，被《科学》杂志称为"人工智能的登月时刻"——人类顶尖棋手与人工智能的首次公开对决正式拉开序幕。

赛前，几乎所有人都认为李世石会轻松取胜。毕竟，围棋曾被称作"人类智慧的堡垒"。它的棋盘上有361个交叉点，每一步棋的合法走法平均约有250种，一盘棋可能的走法数量超过了宇宙中的原子总数。2012年，国际象棋大师卡斯帕罗夫就预言："计算机要在围棋上战胜人类冠军，至少还需要二十年。"然而就在四年后，AlphaGo来了。

五局棋下来，比分是4:1，AlphaGo大获全胜。但这1:3中的那个"1"，却成为了整个人机大战中最耐人寻味的一页。

那是第四局的第78手。前三局已经0:3落后的李世石，面对的是一个几乎不可能翻盘的局面。AlphaGo的黑棋在棋盘上方围出了一片令人窒息的空地，白棋似乎被逼入了绝境。在观战室里，中国围棋冠军古力摇了摇头——即使是换成他和AlphaGo对调位置，他也觉得无力回天。

就在所有人的屏息注视中，李世石长考了二十多分钟，然后下出了一步谁都没有想到的棋——在棋盘中腹的一"挖"。这手棋违背了太多常识，在职业棋手眼中并不成立。古力在直播间里惊呼："这是'神之一手'！前四盘棋中最漂亮的一手！"

奇妙的事情发生了。在这手棋之后，AlphaGo接下来的五手棋陷入了明显的混乱，接连走出了毫无意义的"昏招"。局势瞬间倒向了白棋一方。坐在屏幕前替AlphaGo落子的黄士杰博士，第一次露出了困惑的表情——他需要把棋谱传回伦敦的DeepMind总部，等待超级计算机集群的决策。

AlphaGo的开发者哈萨比斯后来承认："AlphaGo在第79手犯了错，但直到第87手左右，它才意识到自己错了。"〔69〕〔72〕 最终，行至第180手，AlphaGo投子认负。这是人类对AlphaGo获得的唯一一场公开胜利。

李世石在赛后说，第78手是自己"看到唯一可以落子的地方"。但这恰恰暴露了一个深层问题：这手棋在围棋的棋理上是"不成立"的——如果AlphaGo应对正确，白棋依然无法出棋。可AlphaGo"漏算"了这一系列组合拳。为什么？因为深度学习学到的是统计知识，而非精确的逻辑知识。在复杂对杀和复杂劫争中，它存有盲点。李世石那看似"不成立"的一手棋，恰好落在了AlphaGo算法的盲区里。

但这并不是AlphaGo的"失误"那么简单。若从另一视角分析：AlphaGo能下出超越人类千年的棋，为什么会在一步看似简单的棋上出现判断偏差？

答案藏在AlphaGo的"身体"里——或者说，它根本没有身体。

AlphaGo是一个纯粹的"大脑"。它不吃不喝、不眠不休，用1920个CPU和280个GPU同时运算，能在几秒内评估数百万种棋局变化。但它从未真正"触摸"过一颗棋子，从未感受过棋子落在棋盘上的"咔哒"声，从未体验过对局室里紧张到凝固的空气，更不知道赢了一盘棋之后的香槟是什么味道。它的智能被永远锁死在围棋棋盘上——离开棋盘，AlphaGo不具备任何实际应用能力。它不能把围棋智慧迁移到任何其他任务，不能理解棋局之外的世界，更不能将棋盘上练就的"直觉"应用到生活中。

这就是AlphaGo的"局限"：其拥有人类无法企及的"超级大脑"，却永远无法成为真正意义上的"智能体"。李世石在2019年退役时留下一句话："围棋需要被人理解，而我，始终在寻找那种理解的极限。"〔66〕 十年后回望，这句话有了新解——AlphaGo理解了围棋的统计规律，却从未真正"理解"围棋，因为它没有身体去承载那种理解。

以下对该问题作进一步分析。AlphaGo的"大脑"本质上是一个超级复杂的模式匹配系统。它看过三千万盘棋谱，记住了每一种局面下胜率最高的走法。当你跟它下棋时，它并不是在"思考"这盘棋的战略意图，而是在它的"记忆库"里查找最相似的棋局，然后选择那个胜率最高的走法。这就是深度学习的本质：它不是"理解"，而是"联想"。

这种"联想式智能"在围棋这个封闭、规则明确、数据丰富的领域里如鱼得水。但在现实世界中，绝大多数问题都不是围棋。现实世界是开放的、混乱的、充满意外的。你不可能为"如何在拥挤的地铁里找到座位"准备三千万个训练样本，也不可能为"如何在暴雨中安全驾驶"穷尽所有可能的场景。AlphaGo的智能是"温室里的花朵"——在精心设计的棋盘上绽放，一旦移植到现实的土壤中，就会枯萎。

更深层的问题在于：即使你把AlphaGo的算法原封不动地搬到另一个领域——比如国际象棋——它也完全无能为力。不是因为它"不够聪明"，而是因为它的"聪明"是专门为围棋设计的。它的神经网络结构、它的输入数据格式、它的输出动作空间，都是为361个交叉点、黑白两色棋子、特定的围棋规则量身定制的。给它一副国际象棋棋盘，它连"这是一个棋盘"都认不出来，因为它的"眼睛"只认识围棋棋盘的像素模式。

这就是离身智能（Disembodied Intelligence）的根本局限：没有身体，就没有感知；没有感知，就没有与世界的交互；没有交互，智能就被永远锁死在特定的符号空间里。AlphaGo可以记住宇宙中所有的围棋棋局，但它永远不知道"拿起一颗棋子"是什么感觉。它可以计算出最优的胜率，但它永远不会因为一盘棋的胜负而心跳加速。它的"智能"是纯粹的、冰冷的、与身体割裂的——这就是为什么我们叫它"离身智能"。

1.1.2 波士顿动力Atlas的后空翻：身体知道答案

另一具有重大技术意义的瞬间是。

2017年11月，波士顿动力公司发布了一段视频：一个身高约1.5米的人形机器人在一个软垫前站定，双臂摆动，双腿弯曲，然后腾空而起，在空中完成一个360度后空翻，稳稳落地。它的名字叫Atlas。

那一刻，全世界为之震惊。YouTube上的视频播放量迅速突破千万。社交媒体上，人们在惊叹："这是什么黑科技？""机器人要统治世界了吗？"连一向冷静的《麻省理工科技评论》也发文感叹："这是机器人运动能力的一次飞跃。"

但真正的震撼，发生在近十年之后。

2026年2月，波士顿动力发布了最新视频：新一代全电动Atlas完成了一组连续动作——侧手翻接后空翻，动作衔接流畅，落地稳健。这不是简单的"更灵活了"，而是具身智能在物理世界中"落地生根"的缩影。〔54〕〔55〕

以下分析Atlas的物理构造：它拥有56个自由度（Degrees of Freedom, DOF）关节，每一个关节均可独立运动，相当于人类身体关节数的两倍以上。其配备了360度全向摄像头，无需转头即可观察身后环境。其运动算法融合了强化学习（Reinforcement Learning, RL）能力，可通过观察人类动作自主学习新技能。最关键的是，它采用了全电动驱动系统——不需要液压管、不需要外接电源，单靠自身的电池就能运行4个小时。〔67〕〔68〕

但Atlas的故事里，最具教学价值的并非成功本身，而是"试验中的失稳"。

2026年1月的CES展会上，Atlas在演示后空翻时落地不稳，手部保护罩甩飞了出去。这个片段被观众拍下来发到了网上，一时间成了科技圈的热议话题。但深入分析这一事件——"失稳"本身比"成功"更具教育意义。它提醒我们：物理世界的复杂性永远无法被完全建模。再先进的算法、再强大的算力，也无法保证机器人在每一次与真实世界的交互中都完美无缺。〔57〕〔58〕

那个甩飞的手部保护罩，恰恰是具身智能最真实的注脚。

而就在"失稳"的一个月后，Atlas就完成了连续空翻。从踉跄到稳健，只用了一个月。这不是魔法，而是具身智能的学习闭环在运转：感知（摄像头看到落地姿态）→认知（算法判断哪里出了问题）→行动（调整电机参数）→新的感知（下一次空翻更稳）→新的认知→新的行动……循环往复，直到"失稳"变为"成功"。

需要特别关注一个关键的区别。AlphaGo的"学习"发生在服务器机房里，通过分析数百万盘棋谱来完成。它的每一次"进步"都是离线的、抽象的、与物理世界无关的。但Atlas的"学习"发生在真实的物理空间中——它的每一次跳跃、每一次落地、每一次"失稳"，都是它与重力、摩擦力、惯性、空气阻力这些物理法则的直接对话。Atlas不是在"计算"后空翻，而是在"体验"后空翻。它的身体记住了"在空中收起手臂能让旋转更快"，它的关节记住了"落地时膝盖弯曲15度最能吸收冲击力"——这些"知识"不是写在代码里的，而是从身体与物理世界的无数次交互中"生长"出来的。

这就是为什么Atlas代表了一种完全不同的智能范式。AlphaGo告诉我们：给机器足够的数据和算力，它可以成为某个狭窄领域的超人。Atlas告诉我们：给机器一个身体，让它在真实世界中摸爬滚打，它可以获得一种完全不同的智能——一种扎根于物理世界、能够从经验中成长、能够适应未知环境的智能。这就是具身智能（Embodied Intelligence）的承诺。

2026年2月的最新消息：现代汽车集团已经向波士顿动力下了3万台Atlas的订单，计划2028年投入汽车工厂执行零件分拣任务。〔54〕〔59〕 那个曾经只会翻跟头的"特技演员"，即将穿上工装，走进生产线。这意味着什么？意味着具身智能不再只是实验室里的"表演艺术"，它正在变成改变世界的生产力。

1.1.3 两个故事的交汇：什么是智能的"完整形态"？

AlphaGo和Atlas，这两个看似截然不同的智能体实例，其实指向了同一个根本问题：什么是智能的"完整形态"？

AlphaGo拥有超级"大脑"，可以在围棋上碾压人类冠军，但它没有身体，无法与世界发生任何物理交互。它的智能是"离身"的——离开了围棋棋盘，它不具备任何通用能力。

Atlas拥有灵活的身体，可以在物理世界中奔跑、跳跃、翻转，但它的大脑还远远比不上AlphaGo。它不能下围棋、不能写诗、不能进行哲学思辨。它的智能是"具身"的——必须通过身体与世界的交互才能展现。

如果有一个"完整体"——既有AlphaGo那样的超级大脑，又有Atlas那样的灵活身体，能下棋也能翻跟头，能思考也能行动——那会是智能的终极形态吗？

也许。但在本书中，我们将带领读者探索一条不同的路径。不急于回答"终极形态是什么"，而是先问一个更根本的问题：

智能，是否必须依赖身体？

这个问题不是技术问题，而是哲学问题。它困扰了人类两千多年——从古希腊的柏拉图（Plato）到17世纪的笛卡尔（René Descartes），从20世纪的梅洛-庞蒂（Maurice Merleau-Ponty）到21世纪的认知科学家。柏拉图认为，真正的知识是灵魂对"理念世界"的回忆，身体是囚禁灵魂的"牢笼"；笛卡尔提出了著名的"我思故我在"（Cogito, ergo sum），把"思维"（心智）与"广延"（身体）彻底分离。这些思想在西方哲学中统治了两千多年，也在很大程度上塑造了传统人工智能的研究范式——"智能=大脑的符号运算，身体只是载体"。

但具身认知（Embodied Cognition）的兴起，正在动摇这个根深蒂固的观念。越来越多的证据表明：没有身体，就没有心智；没有与世界的交互，就没有真正的理解。AlphaGo也许是"离身智能"的巅峰之作——它在围棋这个封闭的符号空间里达到了超人的水平。但正是这种"离身"，注定了它的局限。而Atlas虽然还远未达到人类的认知水平，但它的每一次跳跃、每一次失稳后的重新站起，都在演绎着一个不同的智能范式——智能不是被"编程"出来的，而是从身体与世界的交互中"生长"出来的。

为了回答"智能是否必须依赖身体"这个问题，我们需要回到认知科学（Cognitive Science）的源头，看看"身体"和"心智"到底是什么关系。

1.2 离身与具身：身体如何决定心智？

1.2.1 离身智能："缸中之脑"的幻想

现提出一个思想实验。

假设你的大脑被一位科学家取了出来，放在一个装满营养液的缸子里。科学家用精密的电极连接你的大脑神经，向你输送所有感官信号——你看到的一切、听到的一切、感觉到的一切，都是计算机模拟出来的。你"看到"的阳光其实是电信号，你"触摸"到爱人的手其实也是电信号。你对此一无所知，你以为自己正坐在家里读这本书。

这就是哲学史上著名的"缸中之脑"（Brain in a Vat）思想实验，由美国哲学家希拉里·普特南（Hilary Putnam）在1981年提出。它的核心问题是：如果你的所有感官体验都是虚假的，你怎么知道自己不是"缸中之脑"？

传统的人工智能研究，某种程度上就是在构建"缸中之脑"。研究者们假设：智能的本质是大脑的符号运算，身体只是一个无关紧要的"硬件载体"。就像一台电脑——CPU才是重要的，机箱是什么形状、什么颜色，根本不影响计算能力。

在这种假设下，AlphaGo就是最完美的"离身智能"。它不需要身体，只需要足够大的算力和足够多的数据。给它足够的围棋棋谱，它就能成为围棋之神。给它足够多的医学影像，它就能成为诊断大师。给它足够多的法律文书，它就能成为最厉害的律师。

但问题来了：为什么AlphaGo在围棋上无敌，却无法回答"今天天气怎么样"？为什么它在棋盘上神机妙算，却在第78手时犯了一个业余级错误？

答案很简单：因为它没有身体。没有身体，就没有"世界"。没有世界，所有的智能都是空中楼阁。

以一个贴近日常经验的案例说明来说明。想象一下，你正在学习骑自行车。你读了无数本关于骑自行车的书——平衡原理、力学公式、重心计算。你甚至看了一万个骑自行车的教学视频。你觉得你已经"懂"了骑自行车。但当你第一次跨上自行车的时候，你还是会摇摇晃晃、摔倒在地。为什么？

因为骑自行车不是"知识"，而是"技能"。它不是储存在你大脑里的符号，而是你整个身体——包括你的肌肉、你的平衡感、你的前庭系统——与自行车和环境共同构成的一个动态系统。你的身体"知道"怎么保持平衡，但你的大脑可能"解释"不清。

这就是离身智能的根本局限：它只能处理符号，无法获得技能。

还有一个更深层的问题：离身智能无法真正"理解"它处理的内容。AlphaGo可以下出完美的围棋，但它不知道"围棋"是什么。对它来说，围棋只是一串数字——棋盘上每个交叉点的状态（0表示空、1表示黑棋、-1表示白棋），以及一个目标函数（最大化胜率）。它不知道围棋是两个人面对面坐着进行的古老游戏，不知道棋手在对弈时的紧张与兴奋，不知道一盘好棋可以像一首诗一样优美。它的"理解"是扁平的、去语境化的、没有"意义"的。

相比之下，一个会骑自行车的人"理解"骑自行车是什么——不是通过阅读说明书，而是通过他的身体记住了平衡的感觉、风从耳边吹过的感觉、转弯时身体倾斜的感觉。这种"理解"是嵌入在身体中的，是充满"意义"的。这就是为什么一个自行车冠军可能完全不懂力学公式，但他骑得比任何懂公式但不会骑的人都好。

1.2.2 具身认知：第二代认知科学的革命

20世纪80年代，认知科学领域发生了一场静悄悄的革命。一群心理学家、哲学家和神经科学家开始质疑一个流传了几百年的假设：心智真的可以被简化为大脑的符号运算吗？

其中最具影响力的一位，是法国现象学家莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）。他在1945年出版的《知觉现象学》（Phénoménologie de la Perception）中提出了一个开创性的观点：身体不是心智居住的容器，而是我们"拥有"一个世界、生成所有意义的原初视角和动态界面。³⁹⁴⁶

这一表述较为抽象，以下以简明方式加以阐释。

想象一下你正在伸手去拿桌上的一杯水。在离身智能的框架下，这个过程可以被描述为一系列符号运算：大脑通过视觉获取杯子的位置信息（x, y, z坐标），计算出手的运动轨迹，发送指令给手臂肌肉，完成抓取动作。听起来很合理，对吧？

但梅洛-庞蒂会说：这个描述漏掉了最重要的东西。当你伸手去拿杯子的时候，你并不是在"计算"杯子的坐标。你和杯子之间有一种直接的、前反思的联系——你的手臂"知道"杯子在哪里，就像你的脚"知道"地面在哪里。这种"知道"不是通过符号运算实现的，而是通过你的身体与世界的长期交互"沉淀"出来的。

换句话说，不是你"有一个身体"，而是你就是你的身体。 你的心智不是被困在头颅里的"小人"，而是从整个身体与环境的交互中"生长"出来的。

这场哲学思辨在20世纪80年代得到了实验科学的强力支持。认知科学家们设计了一系列精巧的实验，证实了"身体影响认知"的惊人发现。

有一个经典的实验：研究者让被试在嘴里横着咬一支铅笔（这个姿势会让面部肌肉呈现"微笑"的状态），然后给他们看一些卡通图片，让他们评价这些图片有多好笑。结果发现，咬着铅笔的被试认为图片更好笑。为什么？因为"微笑"的身体姿态真的影响了"开心"的认知判断。⁴⁹

还有一个实验：研究者让被试倾斜身体向前或向后，同时让他们判断一些词语是"积极的"还是"消极的"。结果发现，身体向前倾斜时，被试对积极词语的反应更快；身体向后倾斜时，对消极词语的反应更快。身体姿态影响了情绪判断。⁷⁸

再举一个更生动的例子：热咖啡实验。2008年，心理学家威廉姆斯和巴奇做了一个巧妙的实验。他们让被试在实验室的大厅里等几分钟，期间请一位工作人员走过来，请被试帮忙拿一杯咖啡。这杯咖啡有的是热的，有的是冰的。拿完咖啡后，被试进入实验室，读到一段关于某个人的描述，然后评价这个人的"人格温暖度"。结果令人震惊：拿到热咖啡的被试认为这个人更"温暖"、更"友好"；拿到冰咖啡的被试则认为这个人更"冷淡"。仅仅是手中咖啡的温度，就影响了他们对他人人格的判断！

这个实验揭示了一个深刻的事实：我们的身体状态——哪怕只是手心的温度——会无意识地渗透到我们的认知判断中。 这不是"分心"或"干扰"，而是认知的"默认工作模式"。我们的大脑从来不是在"真空"中思考的，它始终浸泡在身体提供的感知信息流（sensorimotor stream）中。

还有一个关于"重量与重要性"的实验。研究者让被试分别拿着一个沉重的写字板和一个轻便的写字板，然后让他们对一份简历进行评价。拿到沉重写字板的被试认为这份简历更重要、更有价值。重量——这种纯粹的物理感受——竟然影响了人们对"重要性"这种抽象概念的判断！这就是为什么在英文里"weight"既有"重量"的意思，也有"重要性"的意思；在中文里，我们也会说"这件事很有分量"。这些语言中的隐喻不是偶然的，它们反映了身体经验如何塑造了我们的概念系统。

这些实验揭示了一个反直觉的事实：你的大脑不是认知的"司令部"，你的身体也不是认知的"执行者"。认知是整个身体-环境系统的涌现属性。

基于这些发现，认知科学家们总结出具身认知的三大核心命题：³⁷⁴⁹

第一个命题：身体结构规定认知能力的范围。 蝙蝠用超声波感知世界，蛇用红外热感应捕食，鹰的视觉清晰度是人类的8倍。不同的身体结构，塑造了完全不同的"世界版本"。一只蝙蝠的"世界"里充满了回声的纹理，而这个世界对人类来说根本不存在。

第二个命题：身体结构决定认知产生的机理。 当你伸手去够一个物体时，"伸手"这个动作本身就在塑造你的空间认知。你不需要先在大脑里"计算"物体的位置，再发送指令给手臂。你的手臂和眼睛在交互中共同"生成"了空间感。这就是为什么盲人可以通过触摸来"看见"物体的形状——他们的身体找到了另一种方式来实现同样的认知功能。

第三个命题：身体、认知和环境组成动态统一体。 你不是"在你房间里"，你和房间是一个不可分割的系统。你坐在椅子上，椅子支撑着你，你也同时"感知"着椅子。你走过一扇门，门的宽度、高度、把手的位置，都在塑造你对"空间"的理解。如果把你的房间缩小一半，你对"宽敞"和"狭窄"的判断就会改变。你的身体、你的认知和你的环境，是共同演化的。

这三大命题构成了第二代认知科学的核心框架，也为我们理解具身智能奠定了哲学基础。

1.2.3 从哲学到工程：具身智能的诞生

如果说具身认知是"人类心智的科学"，那么具身智能就是"机器心智的工程"。

具身智能的基本思想很简单：如果我们想让机器拥有真正的智能，就不能只给它一个"大脑"（算法和算力），还必须给它一个"身体"（传感器和执行器），让它能够在真实世界中感知、行动、试错、学习。

中国工程院院士、西安交通大学人工智能与机器人研究所所长郑南宁教授，在2025年发表的一篇重要论文中给出了具身智能的权威定义：

"具身智能通过构建具有本体感知与行动能力的智能体，利用多模态传感器实时捕获环境状态，利用执行机构施加物理作用，并在连续时空维度中形成'感知-认知-决策-行动'的闭环学习系统。"⁷⁷

这段表述较为学术化，以下对该定义作结构化解析：

具身智能 =一个有身体的智能体（机器人、自动驾驶汽车、无人机等）+一套传感器（摄像头、激光雷达、毫米波雷达等，相当于机器的眼睛、耳朵、皮肤）+一套执行机构（电机、液压系统、轮子、机械臂等，相当于机器的四肢）+一个算法大脑（目标检测、路径规划、强化学习等）+一个闭环学习机制（感知→认知→行动→反馈→再感知……循环往复）。

但这里有一个非常重要的澄清：具身智能的"具身"，不是简单地"有身体"。

一张桌子有身体，但它不是具身智能。一块石头有身体，它也不是具身智能。关键不在于"有没有身体"，而在于身体是否能够与环境形成动态交互的闭环。也就是说，机器必须能够：

• 感知环境的状态（看到、听到、触摸到）

• 理解这些状态的含义（不是"有像素"，而是"有辆车冲过来了"）

• 决定如何行动（刹车、转向、避让）

• 执行行动（踩下刹车踏板、转动方向盘）

• 感知行动的结果（车停住了吗？距离够吗？）

• 调整下一步行动（继续刹车还是松一点？）

这个循环不断运转，每一次运转都是智能的一次"生长"。这就是具身智能的核心——不是"有身体"，而是"用身体与世界交互并从中学习"。

以下对AlphaGo与Atlas进行回顾比较。

AlphaGo没有传感器，没有执行器，没有与物理世界的任何交互。它只能在围棋棋盘上进行符号运算。所以它是离身智能——智能与身体完全分离。

Atlas有摄像头（感知），有电机和关节（执行），有与物理世界的持续交互（站立、行走、跳跃、摔倒、再站起来）。它在每一次交互中学习、调整、进化。所以它是具身智能——智能通过身体与世界的交互而涌现。

但这并不意味着Atlas比AlphaGo"更聪明"。Atlas不会下围棋，不会解数学题，不会写诗。它只是具身智能的一个"物种"——擅长身体运动的具身智能。具身智能的世界远比这丰富。以下介绍具身智能的"物种图谱"。

1.3 具身智能的系统观：感知、认知与行动的"三位一体"

1.3.1 感知（Perception）：世界的"入口"

机器"看见"某物，其技术内涵是什么？

若询问非专业人士，他可能会说："机器看见东西，不就是摄像头拍了一张照片吗？"这一表述部分成立。摄像头确实拍了一张照片，但"拍照片"不等于"看见"。

以一个生活中的案例说明。假设行人正走在一条熟悉的街道上，突然，前方人行道上的一个小东西吸引了其注意——那是一个被遗落的玩具球。在不到一秒钟的时间里，其大脑完成了一系列复杂的处理：其"认出"那是一个球（而不是一块石头或一团纸），其"判断"它的大小（约10厘米直径），其"预测"它可能的运动方式（如果滚动，它会往哪个方向），其"评估"它对行人的影响（行人需要绕开它吗？它会绊倒行人吗？）。

这一系列过程，才是真正的"看见"。

机器的感知，目标就是实现类似的"看懂"。但机器没有人类大脑中进化了几百万年的视觉皮层，它必须用人造传感器和算法来"模拟"这个过程。

目前，具身智能的感知系统主要依赖以下几类"人造感官"：

摄像头（Camera），这是机器最常用的"眼睛"。它和人眼有一个根本的区别：人眼看到的是"立体"的（因为有两只眼睛，大脑可以通过视差计算深度），而普通的单目摄像头只能拍摄"平面"的二维图像。这就好比单眼视觉——可见物体的形状和颜色，但难以准确判断其距离。为了解决这个问题，工程师们发明了双目摄像头（模仿人眼的双眼视差）、深度摄像头（主动发射红外光来测距）等。

激光雷达（Light Detection and Ranging, LiDAR），这相当于机器的"蝙蝠技能"。蝙蝠通过发射超声波并接收回波来判断障碍物的位置和距离。激光雷达的原理类似，只不过它发射的是激光束。激光雷达的输出不是图像，而是"点云"（Point Cloud）——三维空间中的无数个点，每个点代表激光击中的物体表面的位置。这些点连起来，就构成了环境的"数字骨架"。激光雷达的优势是测距非常精确（误差可以控制在几厘米以内），而且不受光照影响——白天能用，黑夜也能用。缺点是成本较高（虽然价格一直在下降），而且在雨雾天气中性能受限（激光束会被水滴散射）。

毫米波雷达（Millimeter-wave Radar），这相当于机器的"穿山甲技能"。穿山甲能在黑暗中探测到蚂蚁窝的位置，靠的是敏锐的嗅觉和触觉。毫米波雷达发射的是毫米级波长的电磁波，可以穿透雨雾、雾霾，甚至在一定程度上穿透墙壁。它的优势是能够在恶劣天气中工作，而且能直接测量物体的相对速度（利用多普勒效应）。缺点是分辨率比较低——它能告诉你"前方50米有一辆车"，但无法告诉你"那是一辆红色的小轿车，车牌号是……"

惯性测量单元（Inertial Measurement Unit, IMU），这相当于机器的"内耳"。人类的内耳中有前庭系统，负责感知身体的加速度和旋转，帮助我们保持平衡。IMU就是机器的"内耳"，它包含加速度计和陀螺仪，可以感知机器的加速度、角速度和姿态变化。你的手机里就有一个IMU——当你把手机从竖屏转到横屏时，屏幕会自动旋转，就是IMU在起作用。

超声波传感器（Ultrasonic Sensor），这相当于机器的"海豚技能"。海豚通过发射超声波并接收回波来探测水中的障碍物和猎物。超声波传感器原理相同，发射高频声波并测量回波时间。它成本极低、结构简单，但有效距离较短（通常只有几米），分辨率也有限。在自动驾驶中，超声波传感器常被安装在保险杠上，用于近距离泊车辅助——当你倒车时听到的"滴滴"警报声，就是超声波传感器在告诉你"后面有东西，越来越近了"。

全球导航卫星系统（Global Navigation Satellite System, GNSS，包括GPS和北斗），这相当于机器的"方向感"。人类通过太阳的位置、地标建筑、甚至身体对地磁场的微弱感知（虽然这种感知很弱）来判断方向。GNSS则通过接收多颗卫星的信号，精确计算出接收器在地球上的位置（精度可达米级甚至厘米级）。对于自动驾驶汽车来说，GNSS告诉它"我在哪里"，这是规划路线的基础。但GNSS也有局限——在高楼林立的"城市峡谷"中，卫星信号被遮挡，定位会漂移；在隧道和地下停车场中，GNSS完全失效。所以自动驾驶不能只依赖GNSS，必须结合其他传感器来"确认"自己的位置。

这些传感器各自有不同的优势和局限，就像人类五感各有分工一样。如果你蒙上眼睛，你还能靠听觉和触觉来判断环境；如果你堵住耳朵，你还能靠视觉来导航。具身智能的"人造感官"也需要这种"冗余设计"——当一种传感器失效时，其他传感器可以"补位"。这种"多传感器融合"（Multi-sensor Fusion）的策略，我们将在第2章详细探讨。

1.3.2 认知（Cognition）：大脑的"加工"

感知提供了"原材料"，但原材料本身不是智能。你不可能把一堆传感器数据扔给机器，然后期待它自动"明白"该怎么做。认知（Cognition），就是把这些原材料加工成"有意义的信息"的过程。

还是用生活中的例子。假设你正在开车，前方车辆的刹车灯突然亮了。在这一瞬间，你的大脑完成了什么？

你可能根本没有"思考"——你的脚已经自动移到了刹车踏板上。这就是认知的神奇之处：在熟练的驾驶中，大量的认知过程是在"潜意识"层面完成的。你的大脑"识别"出了刹车灯的含义（前车减速），"预测"了可能的后果（如果不减速，可能追尾），"决策"了行动方案（踩刹车），然后"执行"了动作——所有这些，发生在几百毫秒之内，你甚至可能意识不到自己"思考"了什么。

机器的认知，就是要模拟这个"从感知到决策"的加工过程。它包括：

目标检测（Object Detection）：在传感器数据中"找到"物体——"那里有辆车""那边有个行人"。这是认知的第一步。

语义分割（Semantic Segmentation）：不仅要"找到"物体，还要"理解"场景——"这是可行驶区域""那是人行道""这是车道线"。

预测建模（Predictive Modeling）：基于当前状态，预测未来可能发生的事情——"那个行人可能要过马路""那辆车可能要变道"。

因果推理（Causal Reasoning）：理解"为什么"——"因为信号灯变红了，所以前面的车停了下来""因为路面有积水，所以需要减速"。

认知是具身智能最核心、也最具挑战性的环节。它决定了机器是否能从"看见"进化到"看懂"，从"反应"进化到"预判"。

这里需要特别强调一个关键的区别。传统的人工智能研究（也就是AlphaGo所代表的那条路线）把"认知"理解为"符号运算"——输入数据、处理数据、输出结果。这种认知是"离身的"，与物理世界没有直接关系。但在具身智能中，认知是"嵌入的"（Embedded）——它不是在大脑的"真空"中进行的，而是发生在特定的身体中、特定的环境中、特定的任务中。

举个例子：一个自动驾驶系统在拥堵的城市道路上行驶，和它在空旷的高速公路上行驶，使用的"认知策略"可能完全不同。在城市道路上，它需要频繁地进行"社交推理"——判断旁边那辆车是不是想插队、那个行人是不是要闯红灯。在高速公路上，它更关注"物理规律"——前车的减速幅度、后车的跟车距离。同一个"大脑"（算法），在不同的"身体-环境"组合中，表现出不同的"认知风格"。这就是具身认知的精髓：认知不是大脑里的"固定程序"，而是身体与环境交互时"实时生成"的。

我们将在第3章深入探讨这个话题。

1.3.3 行动（Action）：身体的"输出"

感知是"输入"，认知是"加工"，行动（Action）就是"输出"。但行动不是简单的"运动"——不是机器"动了"就算行动，而是机器"有目的地、有意义地与物理世界交互"才算行动。

以一个日常案例说明来说明。

假设你正在伸手去接一杯水。这个动作看起来简单至极——你每天都在做，几乎从不会失手。但如果把它拆解开来，你会发现其中蕴含了惊人的复杂性：

你的大脑首先要估算杯子的距离（约30厘米远）、高度（约与肩膀齐平）、重量（大概200毫升，约200克重）。然后，它要规划手臂的运动轨迹——不能太快（会打翻水），也不能太慢（水会凉）。在手臂伸出的过程中，你的视觉系统持续跟踪杯子的位置，手指的触觉系统感知杯子的温度和材质。当你的手指触碰到杯子时，大脑立即调整手指的力度——太松了会滑落，太紧了会捏坏纸杯。最后，手臂将水平稳地收回，送到嘴边。

这一系列动作涉及了数十块肌肉的协调运动、多个感官系统的实时反馈、以及大脑中多个区域的协同工作。但你几乎意识不到这些计算——它已经变成了一种"自动化"的技能。

机器的行动，就是要实现类似的"自动化技能"。它包括：

电机控制（Motor Control）：精确控制电机输出的力矩和速度，实现平稳、准确的运动。

轨迹规划（Trajectory Planning）：在空间中规划一条从起点到终点的最优路径，避开障碍物，满足各种约束条件。

力矩调节（Torque Regulation）：在与环境交互时，根据接触力的反馈实时调整输出的力度。

反馈修正（Feedback Correction）：当行动的结果与预期不符时（比如没抓住杯子），及时调整策略。

机器的行动与人类行动有一个根本的区别：人类的很多行动是"自动化的"——你不需要"思考"怎么走路、怎么拿筷子，这些技能在你的身体里"沉淀"成了本能。但机器没有这种"本能"。它的每一个动作都需要被精确地计算和控制。一个微小的误差——比如电机输出的力矩大了千分之一——都可能导致整个行动的失败。

这就是为什么机器的行动控制如此具有挑战性。工程师们需要在"精确性"和"鲁棒性"（Robustness）之间找到平衡：一方面，机器的动作要足够精确，才能完成精细的操作（比如抓取一个易碎的鸡蛋）；另一方面，机器的动作要足够鲁棒，能够应对环境中的不确定性（比如地面不平、负载变化、外力干扰）。

此外，机器的行动还受到"物理极限"的约束。电机有最大转速和最大扭矩，电池有最大输出功率，材料有最大承受力。这些"硬约束"就像给机器戴上了"镣铐"——好的具身智能系统不是"突破"这些镣铐，而是学会"戴着镣铐跳舞"，在约束中找到最优的解决方案。

我们将在第4章详细探讨机器的行动与控制。

1.3.4 PCA闭环：三位一体的动态耦合

以下将感知、认知、行动三者进行综合阐述。

传统的思维方式是"流水线"：先感知，再认知，再行动——就像工厂的流水线上，第一个工位拧螺丝，第二个工位装零件，第三个工位质检。这种模型看起来很合理，但它忽略了一个关键事实：感知、认知和行动不是三个独立的步骤，而是一个循环往复、相互塑造的动态系统。

以自行车学习过程为例说明。

还记得你第一次骑自行车的感觉吗？车身摇摇晃晃，你紧张得手心冒汗。突然，车身向左倾斜——这是感知（你的身体感觉到了失衡）。你的大脑瞬间"意识到"要摔倒了——这是认知。你下意识地把车把向右转——这是行动。车身回正了一些，但马上又向右倾斜——新的感知。你的大脑再次"判断"需要调整——新的认知。你再次转动车把——新的行动。如此循环往复，直到你找到了那个"平衡点"。

注意这个过程中最关键的一点：行动改变了环境，环境的变化又产生了新的感知，新的感知引发了新的认知，新的认知指导了新的行动。 这不是一条直线，而是一个螺旋上升的圆环。每一次循环，你的"技能"都在提升——你的身体在"学习"如何保持平衡。

这就是PCA闭环（Perception-Cognition-Action Loop）。它是具身智能的核心机制，也是本书的主线。

以下对PCA闭环进行系统化阐述。这个闭环之所以强大，是因为它具有三个关键特征：

第一个特征是实时性（Real-time）。 PCA闭环不是"先感知完所有信息，再统一思考，最后一次性行动"，而是在时间轴上持续不断地运转。自动驾驶汽车在行驶过程中，传感器以每秒30帧甚至更高的频率采集数据，算法以毫秒级的延迟做出决策，执行器以微秒级的响应时间调整车辆状态。这种实时性让具身智能能够对快速变化的环境做出及时反应——就像你骑自行车时，如果等身体完全倾斜了才去调整，你早就摔倒了。

第二个特征是耦合性（Coupling）。 感知、认知和行动三者不是独立的模块，而是紧密耦合在一起的。感知不是"被动地接收信息"，而是"主动地探索环境"——机器会转动摄像头、调整传感器参数来获取更有价值的数据。认知不是"纯粹地推理"，而是"受行动目标驱动的"——机器只处理与当前任务相关的信息。行动不是"机械地执行指令"，而是"持续感知效果的"——机器会根据行动的结果来评估认知的正确性。三者你中有我、我中有你，形成了一个不可分割的整体。

第三个特征是学习性（Learning）。 每一次PCA闭环的运转都会产生一个结果——成功或失败。这个结果被用来"更新"系统的内部模型，使得下一次运转更加"聪明"。自行车学习者正是在无数次"失衡→调整→恢复"的循环中，逐渐掌握了平衡的"感觉"。自动驾驶系统也是在数百万公里的行驶中，不断从"预测对了"和"预测错了"的经验中学习，逐渐提高决策的准确性。这种"从经验中学习"的能力，是PCA闭环区别于传统"预编程控制"（Pre-programmed Control）的根本所在。

在自动驾驶中，PCA闭环是这样运转的：

感知层：摄像头、激光雷达、毫米波雷达同时工作，实时采集道路环境数据——"前方100米处有一辆货车""右侧车道有一辆小轿车正在靠近""前方50米处有一个行人站在路边"。

认知层：算法大脑对这些数据进行处理——"货车正在以80km/h的速度行驶，与我车的距离正在缩短，需要保持安全车距""右侧小轿车正在变道，我需要减速让它并入""路边的行人没有过马路的迹象，暂时不需要减速，但需要保持警惕"。

行动层：根据认知结果，系统控制车辆的油门、刹车和方向盘——"适当松开油门，保持当前车道""轻踩刹车，降低车速""双手保持在方向盘上，准备随时制动"。

然后，新的传感器数据不断涌入，新的认知不断更新，新的行动不断调整——闭环持续运转。

这个闭环的核心价值在于：它不是预先编程好的"如果A则B"的规则列表，而是一个不断学习、不断进化的动态系统。 每一次与环境的交互，都会让这个闭环变得更加"聪明"。

这就是具身智能的"生长"方式——不是通过死记硬背规则，而是通过与世界的真实交互来"长"出智能。

1.4 具身智能的"物种图谱"

具身智能不是一个单一的技术，而是一个"大家族"。不同的具身智能体，拥有不同的"身体"，适应不同的环境，解决不同的问题。以下介绍该家族的主要成员。

1.4.1 人形机器人：向人类"看齐"

人形机器人是具身智能家族中最"像人"的一员。它们有两条腿、两条胳膊、一个脑袋，试图模仿人类的身体结构和运动方式。

为什么偏偏是人形？这不是因为工程师们对"人类"有什么执念，而是一个非常务实的考虑：人类世界的基础设施是为人类的身体设计的。 门把手的高度、楼梯的台阶间距、工具的握持方式——这些都是按照人类的人体工程学设计的。如果一个人形机器人能够像人一样使用这些设施，它就能无缝地融入人类环境，而不需要为机器人重新设计一套基础设施。

目前，人形机器人领域的主要玩家包括：

波士顿动力Atlas：前面提到的"后空翻明星"。56个自由度、全电动驱动、强化学习运动控制。2026年已获得现代汽车3万台订单，计划2028年投入汽车工厂。〔54〕

Figure 02：美国初创公司Figure AI的产品，身高约1.7米，主打"通用人形工人"概念，可以在仓库中搬运箱子、在工厂中操作设备。

宇树H1：中国宇树科技的产品，主打高性价比，已在一些科研机构和商业场景中落地。

智元远征A1：中国智元机器人的产品，强调人工智能大模型（Large Language Model, LLM）与机器人硬件的深度融合。

特斯拉Optimus：依托特斯拉在自动驾驶领域积累的技术（视觉感知、神经网络、电机控制）， Optimus的目标是用"造车的思路"来"造人"。⁴

1.4.2 自动驾驶汽车："轮式机器人"

如果你问"目前最成功的具身智能应用是什么"，答案很可能是：自动驾驶汽车。

自动驾驶汽车本质上就是一个"轮式机器人"——它有传感器（摄像头、激光雷达、毫米波雷达）、有大脑（自动驾驶算法）、有执行器（转向电机、制动系统、驱动电机）、有与物理世界的持续交互（在真实道路上行驶）。它完全符合具身智能的定义。

而且，自动驾驶是具身智能领域中商业化程度最高的方向。特斯拉的FSD（Full Self-Driving）系统已经在北美积累了数十亿英里的行驶数据。⁴ 华为ADS、小鹏XNGP、蔚来NOP等中国厂商的自动驾驶系统，也在快速迭代。2025年，L3级（有条件自动驾驶）在多个国家和地区获得法规批准，标志着自动驾驶正式进入"量产时代"。⁴

自动驾驶之所以成为具身智能的"排头兵"，有几个原因：第一，道路环境虽然复杂，但相比城市街道、家庭室内等环境，还是相对结构化的——有车道线、有交通信号灯、有交通规则。第二，汽车本身就是一个"成熟平台"——传感器、计算单元、执行器都可以集成在车上，不需要从头设计。第三，商业价值巨大——自动驾驶有望大幅降低交通事故率、提高交通效率、改变出行方式。

自动驾驶的PCA闭环每天都在真实世界中运转数十亿次。每一辆上路的自动驾驶汽车，都在持续不断地感知周围环境、认知交通状况、执行驾驶操作——这是一个运转中的、活生生的具身智能系统。而且，当一辆自动驾驶汽车在某个罕见场景中"学会"了如何处理，这个经验可以通过"车队学习"（Fleet Learning）分享给所有同型号的车辆。这不是简单的"数据复制"，而是具身智能的"集体进化"——整个车队的PCA闭环在一起变得更加"聪明"。

1.4.3 四足/多足机器人：超越人类的"身体"

如果说人形机器人是在"模仿人类"，那么四足机器人就是在"超越人类"。

波士顿动力的Spot是四足机器人的代表。它有四条腿，可以在崎岖不平的地形上行走、爬楼梯、跨越障碍物。它的"身体"比人类更适合某些环境——比如废墟搜救（可以钻进人类无法进入的狭窄空间）、管道巡检（可以在人类无法站立的管道中行走）、甚至外星球探测（NASA正在研究用四足机器人探索火星表面）。

中国的宇树Go2是另一款代表性的四足机器人，以其高性价比和开源生态受到了学术界和创客社区的欢迎。

多足机器人（如六足、八足）则更进一步——它们的步态更加稳定，即使几条腿受损，也能继续行走。这让人联想到昆虫的生存智慧：蟑螂可以在失去几条腿的情况下继续奔跑。

1.4.4 软体机器人与微型机器人：另类的"身体"

具身智能的"身体"不一定要有骨骼和关节。软体机器人（Soft Robotics）使用柔性材料（如硅胶、气动人工肌肉）来模拟生物体的运动方式。比如，模仿章鱼触手的软体机器人可以在狭窄的空间中伸展、抓取、缠绕，适应传统刚性机器人无法处理的环境。

微型机器人（Microrobot）则是在微观尺度上工作的具身智能体。它们可以进入人体血管进行药物输送、在精密仪器内部进行检测维修、在农业领域进行精准授粉。它们的"身体"只有几毫米甚至几微米大，但同样遵循感知-认知-行动的闭环逻辑。

这些"另类"的具身智能体提醒我们一个重要的事实：智能的形态是多样的，身体的形态也应该是多样的。 不一定非要"像人"才能"有智能"。海星没有大脑，但它能灵活地移动和觅食；植物没有神经系统，但它们能"感知"阳光的方向并调整叶片的朝向。智能和身体的耦合方式，远比我们想象的更加丰富。

一个值得探讨的思考实验：假设外星文明派出探测器来到地球，看到了三种"智能体"：人类、自动驾驶汽车和章鱼。如果外星人试图总结"智能的普遍规律"，他们会发现什么？人类用两条腿走路，用两只眼睛看世界，用十根手指操作工具；自动驾驶汽车用四个轮子行驶，用摄像头和雷达感知环境，用电机控制方向；章鱼用八条触手爬行，用全身的皮肤"看见"光线和颜色，用喷射水流的方式移动。三种完全不同的"身体"，三种完全不同的"感知-认知-行动"方式，但都展现出了适应环境的"智能"。

这个思考实验揭示了一个重要原理：具身智能的研究不能局限于"让机器像人一样"。真正的挑战是理解"身体如何塑造智能"这个更普遍的规律——无论是人类的身体、汽车的身体、章鱼的身体，还是某种我们尚未发明的全新身体。每一种身体都有其独特的"认知世界"，都有其独特的"与世界交互"的方式。具身智能的终极目标，不是"复制人类"，而是"理解智能的本质"——而身体，正是通往这个本质的钥匙。

1.5 本章小结：从概念到认知的进阶

本章核心内容总结如下。

我们从两个具有全球影响力的事件开始——AlphaGo在围棋上的"遗憾"和Atlas在物理世界中的"后空翻"。这两个故事告诉我们：智能的完整形态，既需要"大脑"，也需要"身体"。

然后我们走进了哲学的殿堂，了解了具身认知的三大命题——身体结构规定认知能力范围、身体结构决定认知产生机理、身体-认知-环境组成动态统一体。这些看似抽象的哲学命题，其实每天都在你的生活中上演：你微笑的时候会觉得更开心，你身体前倾的时候会对积极的事物反应更快，你骑自行车时的平衡感是你的整个身体在与自行车和路面的交互中"长"出来的。

接着我们建立了具身智能的系统观——感知（Perception，世界的入口）、认知（Cognition，大脑的加工）、行动（Action，身体的输出），以及三者构成的PCA闭环（Perception-Cognition-Action Loop）。这个闭环不是流水线，而是循环往复、相互塑造、不断进化的动态耦合系统。

最后我们浏览了具身智能的"物种图谱"——从人形机器人到自动驾驶汽车，从四足机器人到软体机器人。它们有不同的身体，但遵循同样的逻辑：通过身体与环境的交互，在PCA闭环中"生长"出智能。

通过本章的学习，读者已经建立了具身智能的入门级概念框架。

你不需要懂数学公式，不需要会写代码，不需要知道卷积神经网络（Convolutional Neural Network, CNN）的内部结构。你只需要记住一个核心思想：身体决定心智，交互产生智能。

这个简单的思想，将贯穿整本书的每一个章节。从哲学的角度看，它呼应了梅洛-庞蒂的"现象身体"（Phenomenal Body）和具身认知的三大命题；从工程的角度看，它解释了为什么具身智能正在成为人工智能发展的主流方向；从教育的角度看，它提醒我们：学习不是"往大脑里灌输知识"，而是"让身体与世界交互并从中获得经验"。

2025年中国自动化学会科普大讲堂上的一个核心观点是："教学的核心不是教书本上的旧知识，而是向学生展示如何离开自己的舒适区，从头开始学习并应用一项新知识、新技术。"这句话深刻地诠释了具身智能的教育哲学——不是"灌输"，而是"启发"；不是"复制"，而是"创造"；不是"知道"，而是"做到"。

在接下来的章节中，我们将拆开机器的身体，逐一审视它的"感官"是如何工作的（第2章），它的"大脑"是如何决策的（第3章），它的"四肢"是如何行动的（第4章）。然后，我们将走进虚拟世界，审视机器是如何在"平行宇宙"中学习和成长的（第5、6章）。最后，我们将一起思考：在这个智能时代，人类应该扮演什么样的角色（第7章）。

以下进入下一章内容。

【实验一】走进虚拟仿真实验室——认识第一台具身智能实验车

聚焦问题：如何用一台电脑、一套软件，在虚拟世界中"造"出一辆会自动驾驶的微缩智能车？

实验目标

1. 了解微缩智能车虚拟样机和虚拟赛道的实现手段

2. 理解"虚拟仿真"作为具身智能研究工具的优势和不足

3. 建立本地微缩智能车自动驾驶虚拟仿真实验室（安装CarLab+CarCode）

4. 建立"虚拟世界中的具身智能体"的直观认知

实验内容与步骤

步骤1：虚拟场景是怎么来的？（10分钟）

微缩智能车自动驾驶竞赛原本是物理世界的赛事——真实的微缩智能车在真实的赛道上竞速。但通过虚拟样机技术（Virtual Prototyping），这一赛事被完整地"搬"进了电脑。中国大学生智能汽车竞赛的赛道被1:1还原为虚拟仿真环境，赛道的每一处弯道、每一段直路、每一个坡度都与真实赛道完全一致。现在，请进入实验指导视频，观看"微缩智能车自动驾驶虚拟场景怎么来"，然后思考并回答：

• 物理世界的微缩智能车比赛任务，是如何通过虚拟样机技术转化为仿真任务的？

• 虚拟仿真有什么优势？有什么不足？

• 你还能想到哪些改进思路？

本章知识链接：回想本章1.4节中提到的"具身智能物种图谱"——微缩智能车正是"轮式机器人"的一种。它也有"身体"（底盘+车轮+摄像头）、有"感官"（摄像头采集图像）、有"大脑"（算法处理图像并输出控制指令）、有"行动"（电机驱动车轮转向和行驶）。它完全符合具身智能的定义。

步骤2：建立本地虚拟仿真实验室（15分钟）

你需要安装配置以下软件环境：

1. 下载并解压ROAD50.exe插件：这是虚拟赛道的图形渲染插件，提供了1:1还原的虚拟赛道环境

2. 安装Python 3.6.8：实验指定的Python版本，确保与后续代码兼容

3. 安装PyCharm Community Edition：Python的集成开发环境（Integrated Development Environment, IDE），用于编写和运行代码

4. 安装必要的Python功能包：OpenCV（图像处理）、TensorFlow/Keras（深度学习）、NumPy（数值计算）等

实验环境包含两个核心文件夹：

• CarLab文件夹：包含不同尺寸的虚拟样机（两种不同尺寸的智能车模型）和八个虚拟赛道（从简单直道到复杂障碍物赛道）的仿真平台。这就是你在虚拟世界中的"赛道"和"赛车"。

• CarCode文件夹：包含操作控制虚拟小车的Python源代码。这就是虚拟小车的"大脑"——算法代码。

本章知识链接：CarLab是本章5.1节和5.2节将深入介绍的ACP方法论中的"人工系统（A）"——一个可计算、可实验的虚拟环境。CarCode则对应PCA闭环中的"认知+行动"模块——算法代码负责"理解"感知数据并"输出"控制指令。

实验报告

请回答以下问题：

1. 虚拟小车和物理小车有什么相同之处？有什么不同之处？（从"身体""感官""大脑""行动"四个维度分析）

2. 为什么要在虚拟世界中训练自动驾驶算法，而不是直接在真实世界中训练？结合本章AlphaGo和Atlas的故事来思考。

3. 虚拟仿真最大的优势和最大的局限分别是什么？

专栏1-1 AlphaGo的"第78手"事件：一个业余错误的深层原因

在人机大战第四局的第78手之后，AlphaGo接连走出了黑79退、黑83靠、黑85等一系列"问题手"。据DeepMind团队后来的分析，AlphaGo在第79手时认为自己胜率高达70%，直到第87手左右才"意识到"自己犯了错误。〔72〕

职业棋手张东岳等人复盘后发现，黑79其实有更好的下法——在1位打，然后强硬挡住，白棋大龙求活无门。也就是说，AlphaGo的第79手并不是"最优解"，而是一个"错误"。但这个错误本身也反映了深度学习的一个根本性局限：它学到的是统计相关性，而不是因果逻辑。 在面对训练数据中极少出现的"异常局面"时，它的判断会出现偏差。

李世石的第78手之所以被称为"神之一手"，不仅因为它是一步好棋，更因为它击中了人工智能的"盲区"——那个统计规律覆盖不到的角落。

有趣的是，AlphaGo的这个"失误"后来促成了一个重要的研究方向：如何让AI在"不确定性"中做出更鲁棒的决策。2017年，DeepMind推出了AlphaGo Zero，它不再依赖人类棋谱，而是完全通过自我对弈从零开始学习。它在棋盘上表现出了更强的"直觉"和"创造力"，甚至在某些局面下走出了人类棋手从未想到过的棋。这说明，通过扩大学习的"体验空间"（哪怕只是在虚拟的棋盘空间里），AI可以获得更强大的智能。这也为后来具身智能的发展提供了一个重要启示：智能的成长需要"经验"，而经验来自于与环境的交互。

专栏1-2 如果你是一只蝙蝠

"成为一只蝙蝠会是什么样子？"

这是美国哲学家托马斯·内格尔（Thomas Nagel）在1974年发表的一篇著名论文的标题。蝙蝠通过超声波来"看见"世界——它们发射高频声波，然后通过接收回波来判断障碍物的位置和形状。蝙蝠的"世界"充满了回声的纹理、距离的节奏、运动的多普勒频移。这个"世界"对人类来说是不可想象的，因为我们没有蝙蝠的感官系统。

内格尔的核心观点是：主观体验与特定的身体结构密不可分。 你无法通过"想象"来理解蝙蝠的体验，因为你的大脑不是为超声波感知而设计的。同样，你也无法通过给AlphaGo添加更多的算力来让它"理解"骑自行车是什么感觉——因为它没有人类的身体。

这个思想实验对具身智能研究有深刻的启示。当我们设计具身智能体时，我们不仅在设计它的"大脑"（算法），也在设计它的"世界"（身体所感知的那个版本的世界）。一个人形机器人的"世界"是由摄像头像素、激光雷达点云和关节角度编码器构成的。一个四足机器人的"世界"是由地形起伏、脚接触力反馈和重心偏移构成的。这些"世界"与人类的世界截然不同——它们不是"劣化版"的人类世界，而是完全不同版本的世界。

理解这一点非常重要，因为它提醒我们：不要用人类的"认知标准"去评判机器的"智能"。当Atlas完成后空翻时，它"体验"到的不是人类运动员那种"肾上腺素飙升的快感"，而是一种完全不同的东西——也许是关节力矩的最优分布、也许是重心轨迹的最小偏离。这种"体验"对人类来说毫无意义，但对Atlas来说，它就是"智能"的表现形式。

专栏1-3 具身智能 vs 离身智能对照表

维度	离身智能（Disembodied Intelligence，如AlphaGo）	具身智能（Embodied Intelligence，如Atlas）
是否有物理身体	否（纯软件）	是（机器人硬件）
是否与物理世界交互	否	是
感知来源	输入的数据（如棋谱）	传感器（摄像头、雷达等）
行动输出	符号（如下一步棋的位置）	物理运动（如电机转动）
学习方式	离线训练（Offline Training，学习已有数据）	在线学习（Online Learning，与环境交互中迭代）
智能范围	局限于特定任务（如下围棋）	可迁移到多种任务（如行走、搬运）
错误成本	低（下错棋可以重来）	高（摔倒可能造成物理损坏）
核心优势	特定任务上可超越人类	能适应开放、动态的物理世界
典型代表	AlphaGo、ChatGPT、推荐系统	自动驾驶汽车、人形机器人、无人机

延伸阅读：从《西部世界》到《流浪地球》：科幻作品中的具身智能想象

在科幻作品中，具身智能的想象由来已久。美剧《西部世界》中，人造的"接待员"拥有与人类几乎无异的肉体，在主题公园中与游客互动——它们是最极致的"具身智能"，连身体都是人造的。它们的皮肤有温度，眼睛会流泪，肌肉会疲劳。它们在与人类的互动中逐渐"觉醒"——开始质疑自己的存在、开始追求自由意志。这个设定触及了具身智能最核心的哲学命题：如果一个智能体拥有与人体几乎一样的身体，并在这个身体中积累了丰富的"人生经验"，它是否就拥有了与人类一样的"意识"和"灵魂"？《西部世界》没有给出简单的答案，但它促使我们思考：身体的"相似性"是否是意识"等价性"的前提？

电影《流浪地球》中的MOSS则代表了另一个极端。它是一个没有身体的超级AI，被安装在国际空间站上，通过控制各种机械设备来影响物理世界——它操控着行星发动机的运行、监控着地球的状态、甚至做出了"放弃地球、保存人类文明火种"的决策。MOSS是"离身"的，但它却在"操控具身"。这个设定提出了一个有趣的问题：一个离身的超级智能，是否可以通过控制具身智能体来间接地"参与"物理世界？这是否是一种"间接具身化"（Indirect Embodiment）的具身智能？

在阿西莫夫的《我，机器人》中，机器人三大定律的设定也反映了具身智能的伦理困境。第一定律（"机器人不得伤害人类"）看似简单，但在复杂的现实情境中却产生了无数悖论。比如，如果一个机器人为了救五个人而必须牺牲一个人，它应该怎么做？这正是自动驾驶领域今天面临的"电车难题"（Trolley Problem）——我们将在第7章详细讨论。

这些科幻想象看似遥远，但很多正在变成现实。Atlas已经从实验室走向工厂，自动驾驶汽车已经在真实道路上行驶，人形机器人正在学习使用人类的工具。也许再过十年，我们会看到《西部世界》中的场景在某种程度上成为现实——不是那个黑暗的结局，而是人机共生的美好图景。

如果对科幻中的具身智能想象感兴趣，以下几部作品值得推荐：菲利普·迪克的小说《仿生人会梦见电子羊吗？》（电影《银翼杀手》的原著），它探讨了"人造身体"与"人性"的边界；石黑一雄的《克拉拉与太阳》，讲述了一个具有"情感感知能力"的人工智能玩偶的故事；以及特德·姜的短篇小说《你一生的故事》，它从语言学和物理学的角度，探讨了拥有不同"身体"和"感知方式"的智能如何理解世界。