1988 年，人工智能学者汉斯·莫拉维克（Hans Moravec）写下了一句后来被反复引用的话：

"要让电脑如成人般地下棋是相对容易的，但是要让电脑有如一岁小孩般的感知和行动能力，却是相当困难甚至不可能的。"

这话在今天听来仍然惊人——现在我们有了能击败世界冠军的围棋 AI，能写诗、解微积分、通过律师资格考试的对话模型，但一个能像人类幼儿那样端起一杯水不洒、在凹凸不平的地面上稳健行走的机器人，依然是不成熟的实验室展示品。

这就是 莫拉维克悖论（Moravec's Paradox）：人类觉得"困难"的智力任务——逻辑推理、数学计算、下棋——对机器反而容易；人类觉得"简单"的感知和运动任务——走路、抓东西、认出朋友的脸——对机器却极其困难。1

悖论的核心：搞反了"难"和"易"

早期 AI 研究者曾乐观地认为，一旦攻克了国际象棋、定理证明这些"高级智能"，识别人脸、操控物体这些"低级技能"自然水到渠成。结果恰恰相反：计算机在 1950 年代就能做复杂的数学运算，但直到 2010 年代，图像识别算法才勉强达到人类看一只猫的水准；而让机器人在真实厨房里端盘子、叠衣服，至今仍是研究前沿。1

任务人类觉得机器（截至 2020 年代）
下国际象棋难，需训练容易，AlphaZero 已超越人类
解微积分难，需学习容易，符号计算软件几秒完成
识别一张脸极其容易，婴儿就会曾经极难，现在勉强达到
在杂乱房间中走路不撞到东西毫不费力至今仍是机器人研究的核心挑战

为什么会有这个悖论？——演化的视角

莫拉维克本人给出了一个基于演化生物学的解释，至今仍是最有力的框架之一。2

感知和运动能力是数亿年演化的产物。 视觉、听觉、触觉处理、运动协调——这些能力从最早的多细胞动物就已经开始演化。在数亿年的时间里，自然选择对它们施加了严苛的优化压力：看不清楚捕食者、跑得不够快、抓不住食物——基因就传不下去。结果是，这些能力在大脑中被"硬连接"成了高效、无意识的本能。一个健康的一岁人类不需要"思考"如何保持平衡，他的大脑和小脑自动完成了每秒成百上千次的计算。

抽象推理在演化史上几乎是瞬间的事。 数学、逻辑、下棋、写诗——这些能力最多只有几千年的历史，对演化来说只是一眨眼的工夫。自然选择还没来得及对它们进行深度优化，所以人类做这些事情时需要刻意努力、有意识地思考。正因为它们对我们困难，我们才误以为它们"高级"。

悖论由此产生：我们觉得"难"的，是因为它来得晚、没有演化压力去优化，所以反而容易被一套人工规则或大量数据模拟出来。我们觉得"简单"的，是因为它经过数亿年打磨，已经精密到人类意识根本无法触及——而用代码去复现这种精密，才是真正的挑战。

认知科学家平克（Steven Pinker）的总结

语言学家和认知科学家史蒂芬·平克在《语言本能》一书中写道：

"经过 35 年人工智能的研究，最重要的发现是：困难的问题是易解的，简单的问题是难解的。四岁小孩具有的本能——辨识人脸、举起铅笔、在房间内走动、回答问题——事实上是工程领域内最难解的问题。"1

从悖论到具身智能：为什么需要"身体"？

莫拉维克悖论揭示了一个深刻的教训：智能不能脱离身体和环境来理解。

1980 年代，麻省理工学院的罗德尼·布鲁克斯（Rodney Brooks）——悖论的共同提出者之一——做出了一个关键转向。他放弃了当时主流的"符号 AI"路线（即用逻辑规则来编码智能），转而主张：智能必须通过身体与物理世界的持续交互来涌现。 他称之为"新人工智能"（Nouvelle AI），并建造了名为 Herbert 的机器人——它没有内部的"世界模型"，只靠简单的感知-行动回路在真实办公室里捡拾空罐子。3

这条思路后来演变为我们今天所说的 "具身智能"（Embodied Intelligence）。

具身智能的核心命题是：一个智能体如果只有"大脑"（像大语言模型那样只处理文本和图像），永远无法真正理解物理世界。 它需要：

  • 身体（传感器 + 执行器），去感知物理世界并作用在它上面
  • 闭环的感知-行动-学习：行动改变环境，新的环境状态又成为下一轮感知的输入，学习在交互中持续发生
  • 在物理世界中"做中学"：数据不是别人标注好喂给它的，而是自己探索出来的

这正好回应了莫拉维克悖论：那些"简单"的感知运动技能，恰恰是智能在物理世界中生存的基础。把它们交还给 AI，就是具身智能的使命。

大模型正在进入机器人：新的桥梁

有趣的是，近年来大语言模型（LLM）和多模态模型（VLM）的崛起，正在为具身智能打开一扇新的大门。

2023 年，Google DeepMind 推出的 RT-2 模型提出了一种思路：把机器人的动作也当作"语言"来建模——将机械臂的 7 个自由度动作离散化为文本 token，与互联网上的图文数据一起训练一个视觉-语言模型。结果，模型竟然能完成训练数据中从未见过的操作任务，比如把"扔掉垃圾"的指令泛化到没见过的垃圾桶上。这是因为模型从互联网图片中学到了"什么是垃圾""垃圾桶长什么样"，这些知识被迁移到了物理控制中。4

更早的 PaLM-E 模型则直接把连续传感器数据注入语言模型，让机器人能根据"给我拿个苹果"这样的自然语言指令，自主规划并执行一系列操作。

这些工作被称为 VLA（视觉-语言-动作）模型，它们把大模型从纯数字世界"引出"到了物理世界。但也要看到，当前的技术仍远未解决莫拉维克悖论——RT-2 的控制频率只有 1–3 赫兹，远不足以应对需要快速反应的精细操作（比如拧螺丝、接住一个掉落的杯子）。4

小结：为什么这值得你关注

莫拉维克悖论给了我们一个清醒的视角：真正的智能不在棋盘上，而在厨房里。 一个能端茶倒水、叠衣服、在陌生环境中找到路的机器人，比一个能下赢世界冠军的程序更接近"通用智能"。

而具身智能正是朝着这个方向努力的范式——它坚持认为，智能需要一个身体，需要在真实世界中感知、行动、犯错、学习。 大模型给了它一个更好的"大脑"，但"小脑"（实时运动控制）和身体本身的问题，仍然需要硬碰硬的机器人学、控制理论和物理仿真来解决。

下一篇，我们将走进具身智能的具体技术路线，看看"大脑＋小脑"的分层架构是如何工作的，以及为什么今天的机器人还远远做不到像人类那样灵活。