有一派观点认为智能可以纯靠文本训练出来,身体只是输入输出设备。这两年的机器人进展把这个说法顶回来了:没有身体,很多概念根本长不出来。
身体提供了什么文本给不了的东西?
提供阻力和代价。文字里说杯子重,你读到的是形容词;真去端一次,你得到的是手腕的紧张、肌肉的补偿、失败时的洒出。这些是带数值的体验。
智能需要数值,不只是符号。知道重和知道多重,是两种知识。后者只能从身体来。
空间感是学来的还是长出来的?
两者都有。婴儿的空间感来自身体在空间里移动,撞到墙、爬到桌下、伸手够不到。这些失败积累成一套坐标。
纯文本模型的空间感是二手货,从别人的描述里拼出来的。它能答对左右,但常在需要连续变换视角的任务上翻车。因为它没有站在某个点上过。
没有身体会缺哪一块认知?
缺因果的质地。文本能告诉你按开关灯会亮,但不会告诉你按下去有阻尼、灯泡亮之前有一声轻响。这些细节构成了「我做了某事」的实感。
实感是主体性的原料。没有做过某事的存在,说「我做了」只是语法,不是经验。
那仿真能代替身体吗?
能代替一部分。仿真可以提供大量低成本试错,把抓取、行走这类动作练熟。但仿真有一个系统性偏差:它比现实干净。
现实有摩擦、有延迟、有噪声、有别人。仿真里的成功率高,搬到现实就掉。所以现在的做法是仿真预训练加现实微调,两头都要。
硬件厂为什么突然重要了?
因为身体开始定义模型。同一套预演算法,装在不同的关节和力矩上,表现差很远。谁掌握了身体参数,谁就能把模型调到最贴合。
这也解释了为什么英伟达的模型要配中国厂商的双臂平台演示。模型能力再强,没有合适的身体,演示就只能停在视频里。
身体会不会成为新的护城河?
短期会。长期不一定。身体是硬件,硬件会标准化,标准件一多,护城河就浅了。
真正难复制的是身体产生的数据。谁有大量真实场景下的失败记录,谁的模型就更懂代价。这部分数据不会开源。
所以具身智能的竞争,表面是模型和硬件,底层是谁能持续采到真实世界的疼。
看懂这一层,就不会把发布会上的流畅演示当成终点。那只是身体终于追上了模型。
同簇还有哪几篇值得一起看?
想就这个话题接着到论坛聊吗?
前往 ziyuanagi.com 论坛 参与讨论