据 MIT Media Lab 项目页十月九日更新，「我给 AI 一个身体」（I Gave an AI a Body）正在持续记录一个研究进行中项目：当 AI 拥有物理形态，交流里那些不靠语言的部分——姿势、手势、节奏、距离感——会如何改变人与 AI 的互相理解。项目公开了前三段记录视频，采用 Research-In-Progress 方法论。
这个项目戳中一个很少被认真讨论的盲区：人和人交流，语言只占一部分。你听一个人说话，他的肩膀是耸着还是松着、他的语速在哪个词上加快、他和你之间保持多远的距离，这些非语言线索承担了大量「理解」。一个优秀的谈判者读的不是对方说什么，是对方身体在说什么。今天的大模型全部是「没有身体的交流者」，它输出文字，但它不知道自己在说这些字的时候肩膀该是什么状态。
语言之外的那部分理解是什么？
认知语言学里有个概念叫具身模拟：你读「他抓住一个把手」，你大脑的运动皮层会偷偷激活抓握的相关区域，哪怕你坐着没动。理解是用身体的经验去模拟别人的动作。一个从未有过身体的系统，它对「抓」「推」「垮掉」「握紧」这些词的理解，是从文本里统计出来的共现，不是从肌肉里记住的感觉。
这种差别在闲聊时不明显，在高利害场景里会暴露。比如一个智能体帮你谈判合同，它能读懂条款，但它读不懂对方律师在电话那头三秒钟的沉默意味着什么——是真的在思考，还是在憋一个威胁。身体给了人类这种直觉，AI 没有身体，就缺这一整层。
给 AI 一个身体会补上这一层吗？
MIT 这个项目的赌注是：会。哪怕身体只是一个屏幕上的虚拟化身，哪怕动作只是预录的几段，当 AI 的输出与一个身体化的表现绑定，它对人类情绪的回应精度会上升。但反方也有力：身体化是个连续谱，一个工业机械臂的身体和一个人的身体，能承载的信号密度天差地别。
我的判断：未来五年最优秀的人机交互不会是更好的对话框，而是有身体、有节奏、有姿态的系统。谁先把身体认知这件事做穿，谁就拿到下一代计算平台的入场券。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论。