语言模型读了人类写下的几乎一切，却从没碰过世界。它知道烫这个字，知道它常与疼痛、回避、蒸汽共现，却不知道手指缩回去那一瞬间发生了什么。具身认知学派的核心主张是：这种缺失不是信息缺口，而是认知结构的缺失。意义不是从文本里榨出来的，而是从身体与环境的反复博弈里长出来的。这个主张如果成立，今天所有纯语言模型都只是在意义的外围打转出了一个高分。

离身的语言为什么是空转？

把认知看作一台通用推理机，感官只是输入输出接口，这是过去几十年人工智能的默认假设。具身认知把这个假设倒过来：概念本身是感觉运动经验的压缩。我们理解沉重，不是因为学会了这个词的定义，而是因为无数次搬箱子、扛东西、站稳发力的身体记忆，给沉重这个概念垫了底。

纯语言模型继承了这些词，却没有底层经验。它能流利说出搬重物时腰会酸，却无法把这句话与真实的发力、失衡、代偿联系起来。它处理的是概念之间的关系结构，而不是概念落地的身体依据。离身不是少了几个传感器，而是整个语义系统悬空。

身体会反过来重写语言模型吗？

具身路线押注的是双向重塑。语言模型给机器人提供先验知识，机器人的物理交互又反过来修正模型里那些悬空的概念。当一个机械臂无数次尝试抓握、滑掉、调整角度、终于抓起，它对拿起这个动作的表征就不再是语料里的共现统计，而是一条被物理验证过的因果链。

这种反馈回路和纯文本自回归续写有本质区别。文本里没有惩罚，续写得离谱最多是损失高一点；物理世界里，抓空就是抓空，撞翻就是撞翻，反馈毫不含糊。正是这种刚性反馈，逼着模型把抽象词钉到真实的因果上。

没有身体就永远无法理解世界吗？

这是具身派最激进的推论，也最值得警惕。它容易滑向一种碳基沙文主义，仿佛只有长着血肉之躯才算真理解。更稳妥的说法是：身体提供了一种独特的接地通道，而不是唯一通道。一个系统完全可能通过高度仿真的物理交互、通过与真实世界的传感器闭环，建立起等效的因果模型。

真正的分界线不是有没有生物身体，而是它的概念是否被一个无法糊弄的环境持续校验。从这个角度看，具身智能对纯语言路线的批评，与其说是否定，不如说是补全：语言负责把世界说清楚，身体负责把世界验明白。缺了哪一半，心智都瘸。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论