具身智能与非具身 AI 的分野

一句话定义

具身智能与非具身 AI 的分野不在于"用不用神经网络"，而在于：智能是否需要通过身体与物理环境的实时交互来感知世界、施加作用、并承担不可逆的后果。

为什么重要

理解分野，才能解释两个反直觉的现象：

1. 为什么 GPT-4 能写论文却打不开一个瓶盖（Moravec 悖论）；
2. 为什么机器人领域的"数据 scaling law"远不如 NLP 顺畅（数据经济学差异）。

这也是几乎所有具身智能创业公司融资逻辑与技术路线分歧的根源。

前置知识

kp-001 什么是具身智能。

核心概念

Moravec 悖论（Moravec, 1988）：对计算机而言，高层次的推理（下棋、证明定理）相对容易，而低层次的感知运动技能（走路、抓鸡蛋、叠衣服）极其困难。原因在于：推理问题是人类刻意发明的、规则显式的新任务；而感知运动能力是数亿年演化打磨出的、隐性编码在神经系统中、对算力要求惊人的技能。 Moravec 的估算：模拟人类视网膜初级处理就需要超级计算机级别的算力。

符号接地问题（Harnad, 1990）：纯符号系统中的符号只指向其他符号，意义悬空。语言模型通过海量人类文本间接接地；具身智能体则通过身体与世界的直接因果交互接地——"杯子"这个词对手只有抓握反馈的含义。

具身间隙（Embodiment Gap）：模型在仿真/演示环境中成功，不代表物理世界可用；反之，物理世界的传感噪声、延迟、摩擦是仿真难以完全复刻的。

原理与机制

三条结构性差异：

数据经济学：GPT 类模型消耗了数万亿 token 的公开文本；Open X-Embodiment 汇集全球 30 余个实验室也只凑到约 100 万条机器人轨迹（kp-404），二者相差 6~7 个数量级。这决定了具身智能必须走"仿真放大 + 少量真机数据 + 先验知识注入"的混合路线，而不能简单堆数据。

公式与图示

一个粗略但有用的心智标尺：

文本 token 数： ~10^13（LLM 预训练）
机器人轨迹数： ~10^6（Open X-Embodiment, 2023）
差距：        ~10^7 倍  →  解释了为什么"通用机器人 ChatGPT 时刻"尚未到来

Moravec 悖论的信息论视角：传感器原始带宽惊人（一只 1kHz 触觉阵列 ≈ 每秒百万级数据点），而人类"感觉简单"的技能正是因为其复杂性被演化压缩成了不可言说的隐性知识。

直观类比

• 会游泳 vs 会聊天：聊天可以隔着屏幕学会，游泳不行——水的物理反馈无法被文字替代。
• 虚拟厨艺 vs 真厨艺：看一万遍菜谱视频不等于会颠勺；颠勺的时机感来自手腕与锅的力反馈。

实例与案例

• OpenAI Dactyl（2018-2019）：用强化学习让机械手转魔方，耗费巨量仿真资源才换到一个"人类幼儿级"技能——Moravec 悖论的教科书案例。
• RT-2（2023）：把 VLM 接上机械臂后，出现了"把可乐递给星球大战人偶"这类语义泛化能力，说明语言先验可以迁移；但物理成功率仍受动作数据限制——说明分野是互补而非取代。

常见误区

• 误区一：Moravec 悖论说"感知运动永远比推理难"。它是经验观察而非定理；VLA 模型正在侵蚀这个界限，但物理实时性约束依然存在。
• 误区二：具身智能是 LLM 的子问题。方向恰好相反的论证同样有力：语言是压缩后的社会知识，具身能力需要额外的物理闭环，两者是并列的两条腿。
• 误区三：仿真数据可以无限替代真机。Sim2Real gap 对接触丰富任务依然显著（见 kp-402）。

自测题

1. 用 Moravec 悖论解释：为什么象棋软件 1997 年就赢了人类冠军，而通用家务机器人 2025 年仍未普及？
2. 符号接地问题与"机器人听懂指令后做对动作"有什么关系？
3. 估算：如果一条机器人轨迹平均 500 步、每步 100 Hz 控制，一条轨迹包含多少控制决策？对比一个 LLM 回答一次问题需要多少 token。

与其他知识点的关系

• kp-003 感知-决策-行动闭环：实时性约束的具体来源。
• kp-404 开源数据集生态：数据稀缺性的事实核查。
• kp-305 VLA：弥合分野的当前主流尝试。

延伸阅读

• Moravec, H. Mind Children. Harvard University Press, 1988，第 2 章。
• Harnad, S. The Symbol Grounding Problem. Physica D, 1990。
• 演讲/博客：Rodney Brooks 关于机器人发展速度的反思（"Robots, AI, and why it takes so long", 2017-2023 系列博文）。