# 从莫拉维克悖论说起：为什么“简单”的事对机器人反而最难？

用莫拉维克悖论解释"下棋容易、走路难"的反直觉现象，并引出具身智能为何是通向通用智能的关键路径。

> 莫拉维克悖论 · 感知-行动闭环 · VLA 模型 · 约 6 分钟 · 07 月 08 日

## 本篇要点

1. 莫拉维克悖论揭示：人类觉得困难的逻辑推理对机器容易，而人类觉得简单的感知运动对机器却极其困难——根源在于数亿年演化对后者的深度优化。
2. 悖论的核心教训是：智能不能脱离身体和环境来理解，这直接催生了具身智能的研究范式。
3. 大语言模型（如 RT-2、PaLM-E）正在通过 VLA 范式进入机器人领域，但当前技术仍远未解决悖论中的核心挑战。

---

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。

## 来源

1. [莫拉维克悖论（维基百科）— 悖论定义、平克引文、布鲁克斯的新 AI 方向](https://zh.wikipedia.org/zh-hans/%E8%8E%AB%E6%8B%89%E7%BB%B4%E5%85%8B%E6%82%96%E8%AE%BA)
2. [莫拉维克悖论全解析 — 含演化解释和任务难度对比表](https://justyy.com/archives/69002)
3. [具身智能概念详解 — 感知-行动-学习闭环与物理 AI 视角](https://zeromathai.com/zh/embodied-intelligence-zh/)
4. [Google DeepMind 的 RT-2 模型介绍 — VLA 范式如何将大模型知识迁移到机器人控制](https://deepmind.google/blog/rt-2-new-model-translates-vision-and-language-into-action/)

---

原文：https://pangzhengboyin.com/articles/moravecs-paradox-in-robotics-1cdd20c8

> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具。说出想学什么，它会先了解你的基础，再把主题写成一篇篇 5–10 分钟能读完的文章；边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com