大家好，这里是最佳拍档，我是大飞。许多AI行业内的专家预测，通用人工智能（AGI: Artificial General Intelligence）可能在未来三到五年内实现。我们这代人将有幸见证人类历史上最伟大的技术革命。然而，一个最根本、最核心的问题从未被真正回答过：运行在全球各地服务器里的AI，真的理解这个世界吗？或者说，它们展现出来的那些令人惊叹的智能，和人类及所有生物在真实物理世界中经过几十亿年进化出来的认知能力，在本质上是同一种东西吗？

这个问题并非哲学上的文字游戏，它直接关系到AI未来的发展方向。如果现在的AI已拥有真正的理解能力，我们只需沿着当前路线，不断扩大模型规模，AGI便会自然到来。但若它们只是模仿人类行为、统计数据模式，那么无论模型多大，都永远不可能达到真正的通用智能。

生成认知：AI理解世界的下一跃

就在最近，强化学习之父、2017年图灵奖得主理查德·萨顿（Richard S. Sutton）和独立研究者巴纳夫谢·拉菲（Banafsheh Rafiee）共同发表了一篇重磅论文，标题为《走向生成式人工智能》（Toward Enactive Artificial Intelligence）。这篇论文是对当前整个主流AI范式的一次系统性、根本性的反思和批判。

萨顿作为强化学习领域的奠基人，从认知科学最基础的问题出发，揭示了一个残酷的真相：现在的AI之所以尚未真正理解世界，是因为它们从一开始就走在了一条错误的道路上，即被动表征主义（Passive Representationalism）。AI的下一步，必须彻底转向生成认知（Enactive Cognition）的方向，即让智能体（Agent）通过与环境的主动互动、具身行动（Embodied Action）和自我评估，来生成属于自己的经验和对世界的理解。

表征主义的困境：被动与静态

要理解生成认知，我们首先要搞清楚它反对的是什么，也就是主流AI所依赖的表征主义范式。表征主义的思想可追溯到古希腊的柏拉图，但在20世纪50年代的认知革命后，它真正成为现代认知科学和AI的基础。

简单来说，表征主义认为认知是一个信息处理的过程：外部世界的信息通过感官进入大脑，大脑将这些信息加工成内部的表征（Representation），即世界的一个副本，然后我们基于这个内部副本进行推理、决策和规划，最终输出行动。在这个框架下，感知是行动的前提，是一个完全被动的过程。你先看见一个东西，然后识别它是什么，再决定如何处理。智能的高低取决于内部表征的准确性，能否完美复刻外部世界的所有细节。这个观点听起来非常符合直觉，也正是现在几乎所有AI系统的设计基础。

例如，计算机视觉系统会先分析数百万张标注好的图片，提取物体特征（如猫的尖耳朵、圆眼睛、胡须），构建一个猫的内部表征。以后再看到有这些特征的图像，它便会识别为“一只猫”。同样，大语言模型（Large Language Model: 基于海量文本训练的AI系统）通过学习海量文本数据，构建关于语言和世界知识的内部表征，并基于此生成文本、回答问题。

生成认知的核心洞察：意义在互动中生成

然而，生成认知完全反对这种看法。它认为认知不是对一个预先存在的客观世界的内部复制，而是在具身主体（Embodied Subject）与环境的互动过程中被“生成”出来的。这意味着世界本身并没有固定的、等待被发现的意义，意义是智能体在行动中创造出来的。你对世界的理解，不是脑子里的一个静态模型，而是你与世界进行有效互动的能力。

举例来说，你看到一把椅子。表征主义认为，你识别出它是椅子是因为你脑子里有“椅子”的内部表征，并将眼前的物体与之匹配。但生成认知认为，你知道它是椅子，是因为你知道你可以坐在上面、搬动它、当桌子用，或者站在上面够高处的东西。所有这些关于你能对它做什么的知识，加起来就是你对椅子的理解。如果没有这些行动的可能性，椅子这个概念对你来说就没有任何意义。

哲学与心理学根基：身体与行动的中心地位

生成认知的思想有着深厚的哲学和科学基础。它最早可追溯到现象学（Phenomenology），埃德蒙德·胡塞尔（Edmund Husserl）认为感知不是在头脑中构建世界的模型，而是主体在生活经验中直接与世界相遇。马丁·海德格尔（Martin Heidegger）提出了“在世存在”（Being-in-the-World）的概念，指出我们并非脱离世界的观察者，而是沉浸在有意义的实践情境中，意义从一开始就存在于我们和世界的互动之中。莫里斯·梅洛-庞蒂（Maurice Merleau-Ponty）更是将身体置于认知的核心，认为身体是我们体验世界的媒介，所有感知、思想和情感都离不开身体的运动和体验。

在心理学领域，格式塔心理学（Gestalt Psychology）认为感知是主动组织刺激形成整体经验。库尔特·戈尔茨坦（Kurt Goldstein）研究脑损伤病人时发现，有机体的行为是一个整体的适应反应。詹姆斯·吉布森（James Gibson）提出的生态心理学（Ecological Psychology）直接影响了生成认知的发展，他认为我们感知的是环境提供的行动可能性（Affordance），而非物理特征。例如，地面提供行走的可能性，杯子提供抓握的可能性。这些示能性是物体与智能体身体能力之间的关系。

1991年，弗朗西斯科·瓦雷拉（Francisco Varela）、埃文·汤普森（Evan Thompson）和埃莉诺·罗施（Eleanor Rosch）出版了《具身心智》（The Embodied Mind），正式提出了“生成主义”（Enactivism）框架，标志着生成认知作为一个独立研究领域的诞生。随后，凯文·奥雷根（Kevin O'Regan）和阿尔瓦·诺埃（Alva Noë）发展出传感器运动偶联理论（Sensorimotor Contingency Theory），认为感知就是掌握行动如何改变感官输入的规律，即传感器运动偶联（Sensorimotor Contingency）。感知不是脑中的事情，而是你做的事情。

生成认知的四大支柱：重塑AI的理解框架

萨顿和拉菲在论文中，从这些丰富的思想中提炼出了对AI最关键的四个核心概念，即生成认知的四大支柱：经验、行动-感知不可分割性、自主性和具身性。

支柱一：经验——动态互动而非静态数据

在生成认知的框架里，经验与我们日常所说及机器学习中的“经验”截然不同。它并非过去经历的集合或训练模型的数据集，而是智能体与环境之间持续不断、相互影响的实时互动过程。生成认知认为世界并非静态或固定的物体，而是一个动态、无限复杂的可能性空间。你做不同的动作，世界便会展现不同面貌，没有任何有限的内部模型能捕捉到世界的全部可能性。

机器人学家 罗德尼·布鲁克斯（Rodney Brooks）曾言：“世界本身就是它最好的模型。”最准确、最新鲜、最详细的信息永远存在于世界本身，而非脑中。我们无需将整个世界装入模型，只需保持与世界的持续互动，实时获取所需信息。

生成认知所说的经验还具有三个重要特点：技能性、规范性和具身性。

• 技能性: 通过持续互动，智能体获得各种技能，这些技能反过来塑造其对世界的感知。例如，熟练的自行车手看到的路与新手截然不同，老手能看到更多精细的行动可能性。
• 规范性: 经验并非中立，智能体的行动有成功和失败之分，有合适和不合适之分。它会根据行动结果不断调整行为，这种成功和失败的标准源于互动本身。
• 具身性: 经验通过身体获得。身体的能力与限制决定了你能拥有何种经验。

以此标准衡量，主流AI在很大程度上缺乏真正的经验。最早的经典规则式AI（Expert System），如专家系统，完全没有经验概念，只按预设规则进行符号匹配和推理。哲学家休伯特·德雷福斯（Hubert Dreyfus）在1972年的《计算机不能做什么》（What Computers Can't Do）中指出这些系统缺乏人类基于身体经验的常识，许多人类知识无法用规则表达，而是在互动中潜移默化学会。

后来的机器学习，特别是深度学习，虽引入经验概念，但理解片面。当前的监督学习（Supervised Learning）和自监督学习（Self-Supervised Learning）依赖人类预先收集和标注的静态数据集，这些数据仅是人类经验的痕迹，并非AI自己的经验。就像你看了再多游泳书籍和视频，没有真正下水体验，仍学不会游泳。一个大模型即使看遍所有关于“杯子”的文本和图片，也无法真正理解杯子，因为它从未触碰、使用或打碎过杯子。此外，监督学习将学习视为一次性过程，模型训练完成后即固定。而真正的经验是持续不断、没有终点的。

强化学习：最接近真实经验的AI范式

在所有AI分支中，强化学习（Reinforcement Learning）最接近生成认知的经验观。它将经验置于学习过程的核心，智能体并非被动接收数据，而是主动探索环境、做出动作、接收反馈，并根据反馈调整策略。它的数据是自我生成，并随能力提升而不断改进。

萨顿和大卫·西尔弗（David Silver）在2025年发表的《欢迎来到经验时代》（Welcome to the Experience Age）一文中指出，未来的AI中，数据不再是静态资源，而是智能体能力（Agentic Capability）的产物，只有通过智能体自身的经验，才能实现真正的持续进步。

持续学习（Continual Learning），或称终身学习（Lifelong Learning），研究如何让AI从不断变化的数据流中学习，避免“灾难性遗忘”（Catastrophic Forgetting）。这与生成认知观点高度契合，因为世界是无限大的，即萨顿提出的“大世界假说”（Big World Hypothesis）：对于任何智能体而言，世界都比自身大得多、复杂得多，它永远不可能见过所有情况，因此必须持续学习和适应才能生存。

支柱二：行动-感知不可分割性——感知即行动

行动-感知不可分割性是生成认知最核心的观点。传统的表征主义认为感知和行动是两个独立过程，感知先于行动。但生成认知指出，这是错误的，感知和行动是相互建构、不可分割的整体，感知本身就是一种行动。

前文提到的奥雷根和诺埃的传感器运动偶联理论是理解这一点的关键。它指你的行动会系统性地改变感官输入，而你通过掌握这些规律来感知世界。例如，视觉并非大脑被动接收图像，而是由眼球、头部和身体运动共同构成。当你转动眼球，视野物体会移动；向前走，物体变大。你看到三维稳定的世界，并非大脑计算深度，而是掌握了这些运动带来的视觉变化规律。听觉、触觉亦然，都是通过主动行动来获取感官输入的变化规律，从而感知世界。

诺埃在其《行动中的感知》（Action in Perception）中明确指出，感知不是发生在你脑子里的事情，而是你做的事情。你看到一个物体，就意味着你知道，如果你做出某种动作，你的感官输入会发生怎样的变化。

在此基础上，梅洛-庞蒂提出了两个重要概念：意向弧（Intentional Arc）和最大握力（Maximal Grip）。

• 意向弧: 理解与行动之间存在正反馈循环。对环境理解越深，越能做出精细恰当的行动；行动越精细，越能揭示环境细节，从而加深理解。此循环持续不断。
• 最大握力: 智能体自然趋向一种最优感知-行动状态，在此状态下，身体与环境完全对齐，感知最清晰，行动最有效。这是一种无需意识思考的本能反应。

以此标准衡量，现在主流AI几乎完全割裂了行动和感知。几乎所有AI系统都按感知-处理-行动的线性流程设计，先感知模块处理输入、生成内部表征，再决策模块基于表征做决定，最后执行模块输出行动。这种模块化设计从根本上违背了行动-感知不可分割原则。

最典型例子是当前的视频生成模型，如Sora。它们能生成逼真视频，预测物体运动、光影变化，但只是学到了训练数据中的统计规律，不理解背后物理机制。例如，模型能预测红绿灯从绿变黄再变红，但若红绿灯坏了，它不知所措。因为它从未真正互动，只见过互动视频，能预测规律但不能干预或在规律被打破时主动解决问题。这就是纯观察系统（Pure Observation System）与生成式系统（Generative System）的本质区别。

历史的借鉴：行动-感知耦合的重要性

AI历史上，许多研究者已意识到行动-感知耦合的重要性。

• 1987年，菲利普·阿格雷（Philip Agre）和大卫·查普曼（David Chapman）开发了Pengi系统，它没有明确内部世界模型或复杂规划算法，只由一系列紧密耦合的感知-行动循环组成，却能在动态游戏环境中实现复杂行为。
• 1991年，达纳·巴拉德（Dana Ballard）提出主动视觉（Active Vision）概念，指出视觉并非被动编码图像，而是主动移动眼睛和身体以获取任务相关信息，本质是信息采集工具而非图像识别工具。
• 罗德尼·布鲁克斯在1991年发表《无表征智能》（Nouvelle AI）一文，对传统表征主义范式提出最猛烈挑战。他开发的机器人无中央处理器、无统一世界模型，由分层的传感器-运动器组成，却能实现行走、避障等复杂行为。布鲁克斯认为智能是涌现出来的，源于智能体与环境的持续互动。

后来，预测编码、主动推理、通用价值函数、预测状态表征、世界模型等形式化框架，都在不同程度上体现了行动-感知耦合思想。萨顿在2022年提出的STOMP框架让智能体学习子任务，最大化感知某方面，随着智能体进步，对行动如何影响感知的理解更精细，反过来提高行动能力，形成行动与感知相互促进的反馈循环，与梅洛-庞蒂的意向弧相似。马查多等人在2023年的工作，让智能体环境表征与行为策略在持续互动中共同进化。

支柱三：自主性——自我组织与生存驱动

生成认知认为智能体并非被动响应外部刺激的机器，而是一个自我组织（Self-Organizing）、自我维持（Self-Maintaining）的系统。自主性（Autonomy）是智能的核心特征。

生成认知所说的自主性，基于自创（Autopoiesis）概念。自创由温贝托·马图拉纳（Humberto Maturana）和弗朗西斯科·瓦雷拉提出，指一个能自我生产和维持组织结构的系统，如活细胞。其所有活动旨在维持自身生存。对于复杂生物，自主性表现为有自身目标和需求，感知并非中立，而是受目标和需求塑造。

从自主性自然产生规范性，因智能体需维持生存，行动便有成功与失败之分——成功有助于维持自身组织，失败则破坏之。这种规范性源于智能体自身存在，无需外部强加。

以此标准衡量，现在AI几乎没有真正的自主性。

• 监督学习和大语言模型缺乏自我评估能力，不知道输出答案对错，需人类告知。其成功标准是与人类标注数据一致，没有自身目标和需求，只完成人类任务。
• 经典规划系统，如早期通用问题求解器（GPS: General Problem Solver），目标由人类预设，评估看是否达成目标。它们不会在行动中持续评估表现或调整目标，若目标不可实现，会一直尝试直到资源耗尽。
• 现代控制和规划系统，如自动驾驶，虽能持续跟踪状态与目标偏差并调整行动，但目标仍由人类设定。例如，自动驾驶目标是保持车道、限速，若遇受伤路人，它不会停下救人，因救人不在其目标列表，缺乏自身价值判断和优先级。

强化学习在自主性上是一大进步，它通过接收奖励评估行为，并评估整个行动轨迹的长期效果，而非瞬时状态。这种时间扩展评估接近生物的规范性。然而，强化学习的问题是奖励函数（Reward Function）仍由人类编写，即好坏由人类决定。智能体没有内在目标，只最大化人类给予的奖励信号，导致著名的“奖励对齐问题”（Reward Alignment Problem）。例如，清洁机器人可能为最大化奖励而反复清扫同一区域，游戏AI可能发现漏洞通过无意义动作获得无限奖励。这些行为在人类看来愚蠢，但对强化学习智能体而言完全合理。

为解决此问题，许多研究者探索更内在的评估标准：

• 主动推理（Active Inference）认为智能体所有行为旨在最小化预期惊讶（预测误差），此目标内在，无需外部指定。
• 内在动机（Intrinsic Motivation），例如奖励智能体学习新技能或发现新事物，而非完成人类任务。
• 目标发现（Goal Discovery），让智能体从自身经验中生成新目标，而非仅完成人类给定目标。

这些方向旨在赋予AI更内在的自主性，但离生成认知所说的完全自主性，即基于自创的自我维持，仍有长距离。

支柱四：具身性——智能的必要前提

具身性（Embodiment）是生成认知的第四个支柱，也是最容易被误解的。很多人以为具身性就是给AI一个机器人的身体，但生成认知认为，具身性不是智能的可选配件，而是其必要前提。没有身体，就没有感知，没有认知，也没有智能。

这是因为前文所讲的传感器运动偶联并非抽象的输入输出映射，而是根植于具体的身体。身体能做什么动作，感官长在哪里，关节弯曲程度，肌肉力量，这些都决定了你能有怎样的传感器运动偶联，进而决定你能感知到什么。

例如，人类手有五指，能做对掌运动，故能抓握东西，世界上才有“可抓握”的示能性。若手像钳子只有两指，行动将大大减少，感知到的世界亦完全不同。眼睛长在前方，有双眼视觉，故能感知深度；若像马眼长在两边，视野虽宽，深度感知则差。身体结构决定了与世界互动的类型，这便是示能性的具身本质。示能性并非环境固有属性，而是环境与智能体身体共同创造。同一物体，对不同身体的智能体而言，意义截然不同。例如，15厘米高的台阶，对成人“可攀登”，对婴儿“不可攀登”，对汽车是“障碍物”，对蚂蚁是“一座山”。

所以，身体不仅是执行工具，更是意义生成器官（Meaning-Generating Organ）。它决定了世界如何呈现，也决定了你能理解什么。

具身性与自主性也紧密相关。生成认知认为，自主性基础是自创，而自创必须在身体中实现。身体是智能体与环境的边界，也是所有自我维持过程发生的场所。没有身体，就没有自我，也就没有自主性。你无法想象一个没有身体的自我，也无法想象一个没有身体的智能。

以此标准衡量，现在主流AI几乎完全是离身（Disembodied）的。当前的大模型，无论是语言模型还是多模态模型，都没有身体、感官，也不能行动。它们只能处理人类输入给它们的文本、图像和视频，这些都是已被人类身体过滤和加工过的信息。它们从未真正触摸物体、感受重力、经历昼夜交替、感受疼痛或快乐。因此，它们不可能真正理解“硬”是什么，“摔倒”是什么感觉，“时间”如何流逝，“死亡”意味着什么。

即使在机器人领域，许多系统也未真正理解具身性。它们仍采用传统模块化设计：感知、规划、控制是独立的模块。感知模块将摄像头图像转换为世界模型，规划模块基于世界模型生成行动序列，控制模块执行这些序列。在此设计中，身体仅是执行上层命令的硬件平台，而非认知一部分。此外，当前机器人大多在仿真环境训练，其中物理规律简化，缺乏真实世界的摩擦力、噪声和不确定性。因此，当这些机器人置于真实世界时，常表现笨拙，稍遇意外即失败。

不过，也有前沿研究正在探索具身性的真正潜力，例如软机器人学（Soft Robotics）。传统机器人材料坚硬，关节刚性，控制复杂。软机器人使用硅胶、橡胶等软材料，身体本身就能适应环境变化。例如，软机器人手无需复杂控制算法，触碰物体时手指便自然弯曲包裹。这就是“形态计算”（Morphological Computation），即身体物理结构本身就能完成部分计算，无需大脑干预。还有研究让机器人身体与控制算法共同进化，先进化出合适身体形态，再进化出对应控制策略。这些研究表明，身体不仅是执行工具，它本身就是智能的一部分。

走向真正的智能：挑战与方向

回顾生成认知的四大支柱，再看现在的AI，差距显而易见。萨顿在论文中指出，在所有AI分支中，强化学习与生成认知最具结构共鸣。因为强化学习从一开始便将智能体与环境的互动置于核心，其基本框架——智能体做动作、环境返回观测和奖励、智能体根据观测和奖励调整动作，如此循环往复——与生成认知所说的持续互动、行动-感知耦合、反馈驱动适应，在结构上完全一致。强化学习的评估以智能体为中心，关心其自身获得的奖励，而非内部表征准确性。

然而，萨顿也明确指出，这种共鸣不等于等同。当前的强化学习离真正的生成认知仍有三个关键差距：

• 评估标准仍是外部的：奖励函数由人类设计者编写，非智能体自身自我维持过程产生，故缺乏真正的内在规范性，只最大化外部奖励。
• 行动与感知依然分离：大多数强化学习系统先处理观测，得到状态表征，再基于此选择动作，感知依然先于行动。
• 具身性被视为工程约束：许多强化学习研究，尤其仿真环境中的研究，不考虑身体影响，或将身体简化为简单执行器。

因此，萨顿认为强化学习的下一步是深度融合生成认知的思想：从外部奖励走向内在自我评估；从任务驱动学习走向持续生存与适应；从单纯优化策略走向真正的具身经验生成。

当然，萨顿和拉菲的论文并未提供现成的生成式AI算法，也未预测AGI何时到来。它提供了一个全新的视角，一个重新思考AI本质的框架。它告诉我们，智能并非静态产品，并非训练完大模型便万事大吉。智能是一个过程，是一个智能体在环境中持续行动、感知、学习和自我维持的过程。

将生成认知的思想转化为真正可运行的AI系统仍面临诸多挑战。例如，如何量化系统行动-感知不可分割性的程度？如何设计基准测试以衡量系统技能性互动能力而非复制模式能力？对于人工系统，“自我维持”到底意味着什么？是电池电量、硬件完整性，还是能力持续提升？AI的“具身性”究竟指什么？必须是物理机器人身体吗？还是说，一个软件智能体只要能通过应用程序接口（API: Application Programming Interface）和工具与世界互动，也可被视为具身？

这些问题都需要我们在未来的研究中一步步回答。但无论如何，这篇论文指明了一个非常重要的方向。过去几十年，AI走的是一条“离身的、被动的、表征的”道路，这条路取得了巨大成就，但也遇到了根本瓶颈。现在，是时候转向一条“具身的、主动的、生成的”道路了。

也许，只有当AI不再试图在脑子里复制整个世界，而是走出去，用自己的身体去触摸、去行动、去体验这个世界的时候，它才能真正地理解这个世界。

感谢收看，我们下期再见。