下一代 AI 的互联网，可能不在互联网里
具身智能系列 · 第 04 篇

今天谈 World Model，我们有一个非常自然的习惯。

输入摄像头，输入视频，让模型学习物体、空间和运动，然后我们说：模型正在理解世界。

这句话自然得几乎不会有人怀疑。

可如果稍微停一下，会发现里面藏着一个很奇怪的问题：

为什么摄像头看到的东西，就等于世界？

摄像头首先看到的只是可见光，而且还只是经过镜头、曝光、分辨率、帧率和视角裁剪以后的一小部分可见光。我们之所以很少觉得这里有什么问题，只是因为人本来就是一种高度依赖视觉的动物。

于是人类看见的世界，不知不觉被我们当成了：

世界本身。

一、语言可以天然以人为中心，世界不行

这是 Language Model 和 World Model 一个非常重要的区别。

大语言模型学习的是人类语言。中文是人说的，英语是人说的，论文、代码、小说和论坛也都是人留下来的。

所以 LLM 以人为中心，没有任何问题。

它本来就在学习：

人类怎样描述世界。

可物理世界不是人造出来的。

重力在人出现以前就在。

红外辐射不会因为人的眼睛看不见，就失去存在资格。

磁场不会因为我们走在街上感觉不到，就变成一种次要现实。

空气中的化学信息，也不会因为人类鼻子远不如狗灵敏，就不属于世界。

所以：

语言天然属于人类，世界却不属于人类。

如果所谓 World Model 最终只是越来越精确地复制人类视觉所能获得的现实，那它当然很有价值，只是更准确的名字也许应该叫：

Human-Visual World Model。

二、没有视觉，不等于没有世界

动物早就给了我们非常直观的证据。

一些长期生活在洞穴中的鱼类视觉高度退化，却依然能够导航、觅食和避障，因为它们会依赖水流、压力、化学和触觉等其他信号。

对人来说，一块石头首先意味着形状、颜色、纹理和轮廓；对一条高度依赖水流感知的鱼来说，同一块石头可能首先意味着：

附近的水流发生了这种变化。

石头没有变。

变的是读取石头的身体。

弱电鱼更有意思。它们会主动产生微弱电场，再感知周围物体如何扰动这个电场。

人进入房间，会说：

“我看见了房间。”

弱电鱼的经验却更接近：

我感受到自己产生的场，被周围世界怎样扭曲。

它不需要先生成一张 RGB 图，也依然可以知道前面有东西。

这时候再回头看今天所谓的 World Model，问题就变得很有意思：

我们究竟是在训练机器理解世界，

还是在训练机器拥有一双越来越像人的眼睛？

三、世界模型可能不是世界的副本，而是身体对现实的压缩

我们很容易想象，大脑或者模型内部有一个缩小版的现实世界，物体、位置和状态都被忠实地复制进去。

可一个生物根本没有必要恢复宇宙里的全部变量。

它真正需要知道的是：

什么信息和自己的行动有关。

这也是为什么“椅子”这个看似非常客观的概念，仔细看其实已经偷偷放进了人的身体。

为什么这堆木头叫椅子？

因为人可以坐。

对于猫，同样的东西还可以跳上去、躲到下面、磨爪，或者作为跳向柜子的中间平台；对于一个很小的昆虫，完整的“椅子”甚至可能根本不是一个有意义的整体，它面对的是若干表面、边缘和可攀爬路线；对于一台轮式机器人，它首先可能只是一个障碍物和绕行边界。

于是我们以为自己在描述一个客观世界，仔细一看：

里面到处藏着人的身体。

所以 World Model 也许从来都不是关于“世界是什么”，而是关于：

对于这副身体，世界意味着什么。

四、那为什么机器人还要做人形？

因为这是另一个完全不同的问题。

人形机器人之所以有意义，并不是因为人的身体是宇宙里最完美的机械结构，而是因为我们过去几千年已经围绕人的身体建成了一整套文明。

门把手有人的高度。

楼梯按照人的腿设计。

剪刀、螺丝刀、电钻、方向盘和键盘都默认使用者拥有人的手。

厨房、仓库、办公桌和工厂工位同样如此。

如果未来机器人想直接进入现有家庭、办公室和工厂，做人形有一个极其现实的优势：

不需要把整个人类文明重新装修一遍。

所以人形，本质上更像一种 Physical API。

它是为了兼容人类世界现有的工具接口。

五、人的形状，是接口，不是认知边界

这件事特别重要。

机器人拥有人的手，是因为要拿人的工具；拥有两条腿，是因为楼梯和建筑按照人的身体设计；身高接近人，也是因为桌面、门和货架都有人的尺度。

可从这里完全推不出：

机器人应该只有人的感官。

更推不出：

它应该像人一样理解世界。

我甚至觉得未来最合理的人形机器人恰恰应该是：

人的形状，非人的感知。

它的身体和人类文明兼容，内部世界却完全不必受人的生理结构限制。

六、真正的 Super Man，不是力气比人大一点

想象一台人形机器人。

它和人差不多高，有两只手，可以打开我们的门，使用我们的电钻，坐进我们的车辆，拿起我们已经存在的工具。

但它同时拥有 RGB、红外、深度、毫米波雷达、超声、触觉、力觉、气体传感、温度和振动，甚至以后还有今天人类尚未发明的新型传感器。

这才是真正有意思的“super man”。

不是一个铁做的人。

而是：

它拥有人类的工具接口，却不必只有人类的感官带宽。

人的手让它进入人类社会。

非人的感知让它超出人的世界。

一句话：

人形是为了兼容人类文明，不是为了把机器锁在人类感官里。

七、机器甚至可能拥有我们无法直觉理解的世界

未来机器人长期运行以后，完全可能形成一些人类没有自然语言名字的内部概念。

例如它同时融合地面纹理、湿度、材料温度、脚底振动和负载状态，最终形成一种非常稳定的“危险地面状态”。

人类要解释这个状态，也许得写一整段文字。

机器内部根本不需要。

一个 latent 就够了。

我们不会要求弱电鱼先把自己的电感知翻译成 JPEG，才承认它理解了环境。那为什么要求机器内部的现实，必须先翻译成人类可以直觉理解的东西，才有资格叫 World Model？

未来真正强大的机器人，可能既会说中文，也会理解“杯子”和“椅子”，因为它需要和我们沟通；同时，它内部又拥有大量我们完全没有对应感官的状态。

人类语言可以是 UI。

人的形状也可以是 UI。

真正的机器内部，并不需要像人。

八、动物真正给机器的启示，是别把人类感官当成世界的 API

从这个角度看，动物真正有价值的地方也发生了变化。

问题不再只是：

动物数据能不能帮助机器人训练？

更大的问题是：

为什么不同物种生活在同一个物理世界里，却可以依靠完全不同的感知方式完成复杂行为？

狗依赖气味。

蝙蝠利用回声。

弱电鱼利用电场。

不同动物对热、紫外和磁场的感知也与人不同。

机器当然不需要复制这些动物的器官。飞机也没有羽毛。

真正值得复制的是：

能力背后的信息结构。

于是动物甚至可以成为一种 Sensor Discovery System。几十亿年的进化，已经替我们跑过很多“这个世界到底还有什么值得测量”的实验。

我们未必要抄自然的答案。

但至少可以看看它选了哪些题。

九、真正通用的机器人，可能长得像人，却绝不是另一个人

这也是人形机器人最容易被误解的地方。

它长成人形，并不是为了复制人。

人形只是兼容层。

它让机器人能够继承人类几千年积累下来的工具世界，而不是要求机器拥有一个缩小版的人类心智。

真正有意思的未来也许恰恰相反：

机器可以使用人的世界，却不必被人的世界限制。

人的形状让它继承我们的文明。

机器自己的感官，让它看到那些我们从来没有能力看到的东西。

所以我们过去总问：

机器什么时候能像人一样理解世界？

也许问题本身就问错了。

真正通用的具身智能，不应该拥有一个缩小版的人类世界，而应该形成一个真正属于自己的现实。

大语言模型学习的是：

人类怎样描述世界。

具身智能真正要学习的是：

世界怎样作用于一个身体。

语言天然属于人类。

世界从来没有属于人类。

思考与探讨
如果未来的机器人看到的世界全是一串串高维电磁波与触觉力场，我们人类真的有必要强迫它渲染成人类看得懂的彩色 RGB 画面吗？欢迎在评论区分享你的观点。

本文收录于《具身智能：物理世界的下一代互联网》系列专栏（第 4 篇 / 共 6 篇）。