下一代 AI 的互联网，可能不在互联网里
具身智能系列 · 第 06 篇（终章）

人类一直很想知道动物在说什么。

动画片给过我们一个很舒服的答案：猫和狗其实也会说完整的话，只不过人听见的都是“喵”和“汪”。于是所谓动物翻译器，似乎只缺一本隐藏的词典，这一声代表饿，另一声代表害怕，再一声代表：“你昨天为什么这么晚回来？”

这个想象很浪漫，也非常人类。

因为我们自己高度依赖语言，于是很容易认为，复杂智能背后大概都应该藏着一套类似语言的东西。

可真正的 Animal Translator，也许根本不是翻译一句话。

一、一只美国猫和一只中国猫，并不会先学外语

一只纽约长大的猫碰见一只上海长大的猫，不会先遇到英语和汉语之间那种障碍。

猫会读姿态、尾巴、耳朵、距离、声音和气味。一只猫弓背、炸毛、哈气，另一只并不需要字幕。

所以动物当然有大量物种层面的交流信号。

但“能够通信”不等于“拥有和人类一样的开放语言”。

TCP 也能通信。

只是不会写诗。

动物的大量交流可能更多是在表达接近、回避、警戒、亲近、威胁、身份和协调。这些已经足够复杂，只是不一定能整齐地切成一句句中文。

二、真正的动物翻译器，第一步也许是放弃“词典”

假设一只狗每天傍晚六点散步。

长期观察以后，模型发现五点五十分开始，它更频繁地出现在门边，更多看向主人；主人拿起牵引绳以后，它的运动状态明显变化，随后大概率发生外出。

这时一个严谨的模型可以告诉你：

“当前状态与过去散步前高度相似。”

但这和：

“你的狗刚才说：我想出去散步。”

不是一回事。

前一句是从行为模式建立出来的判断。

后一句却偷偷假设动物脑子里存在一段和人类语言高度同构的话。

成熟的 Animal Translator 也许会少一点童话，多一点概率。

它首先翻译的不是词。

而是：

状态。

三、人与动物真正共享的，从来不是语言，而是世界

为什么狗后来可以理解“球”？

不是因为它学了一本词典。

而是因为人说“球”，指向一个东西，把它扔出去；狗追过去，叼回来，得到奖励。一个声音、一个物体、一组动作和一个结果不断共同出现。

意义不是从词典里掉下来的。

它是从共同世界里长出来的。

所以人和动物真正共享的，也许从来不是语言，而是同一扇门、同一个球、同一条散步路线，以及一个动作以后共同经历的结果。

这就是 Grounding。

也正因为如此，跨物种交流和具身智能会在这里汇合。

四、我们每天其实都在做人—机器翻译

当我们对机器人说“把桌上的杯子拿给我”，最后电机里并没有一句中文在流动。

语言先变成目标，目标结合环境变成规划，规划再变成完全不同的控制信号。

所以 Human → Robot 本来就是一种跨 representation 的翻译。

如果未来 AI 真能在不同身体、不同感官和不同动作空间之间建立稳定对应，那么 Human → Animal 也就不再是一个完全孤立的问题。

区别只是：

机器人的接口是我们设计的。

动物的接口需要我们慢慢发现。

五、真正成熟的 Animal Translator 一定是多模态的

只录一声猫叫，然后输出一句中文，当然很适合做 App。

可真正理解动物，大概远没有这么简单。

姿态、距离、运动、声音、环境、互动对象和历史都可能参与其中；一些动物还高度依赖人类设备几乎没有记录的感官。

如果一只狗突然转向是因为闻到了某种东西，而模型只有摄像头，那么无论它最后生成的解释多么流畅，最重要的信息都根本不存在于输入里。

所以未来真正的 Animal Translator 越来越不像语音翻译器，而更像：

一个长期、多模态、个体化的 Animal World Model。

六、真正有意思的甚至是反方向

人类过去几千年做得最多的，是训练动物理解人。

口令。

手势。

奖励。

习惯。

未来 AI 更有意思的地方，也许是反过来帮助人学会：

怎样让动物更容易理解。

假设系统已经长期了解某只具体动物的习惯，那么同一个人的意图“现在不要出去”，未必必须翻成某个所谓“狗语句子”。

它可以寻找：

对这只动物而言，什么声音、动作、震动或者环境提示最容易和这个意图建立稳定联系。

这时候翻译就不再是：

中文 → 狗语。

而是：

人的意图 → 某种共享状态 → 动物真正能够利用的信号。

AI 在中间变成了一个适配层。

七、真正的翻译不是说出一样的话

如果有一天这条路线成熟，它可能形成一个很有意思的闭环。

最开始，我们观察动物，是希望 AI 从另一种智能身上学习；随后 AI 把这些跨身体、跨感官的表示用于机器人；等模型真正学会理解不同 embodiment 以后，又可能反过来成为人与动物之间的桥梁。

Human ↔ AI ↔ Animal。

我们原本只是想让机器人更好地进入现实，最后却可能意外获得一种新的能力：

让不同种类的智能更好地理解彼此。

真正成熟的动物翻译器，也许最终会让很多人失望。

它未必会告诉你：

“你的猫说，它今天有一点难过。”

它更可能告诉你：

“当前行为和过去某类压力状态相似，但现有传感器不足以判断具体原因。”

没那么浪漫。

但这可能才叫理解。

因为真正的翻译，从来不要求对方先变成一个不会说中文的人。

翻译真正完成的标志，不是两边终于说出同一句话。

而是：

两个原本无法直接读取彼此内部世界的智能体，终于能够交换有用的信息。

系列结语：人的形状，机器的世界

把前面这些文章放在一起，最后其实会收束到一个非常简单的判断。

我们今天经常把几件完全不同的事情混在一起：

人形。

人类语言。

人类视觉。

人类世界模型。

好像机器人既然长得像人，就应该看得像人，想得像人，理解世界也应该像人。

其实完全没有必要。

机器人做人形，首先是一个工程和经济选择。

因为整个人类文明已经围绕人的身体建成了。

它拥有人的手，就可以直接使用我们的工具；拥有人的腿，就可以走我们的楼梯；身高接近人，就可以直接进入我们的厨房、仓库、办公室和工厂。

人形，是为了兼容人类文明。

它不是为了规定机器必须拥有人类式认知。

真正有意思的未来，也许恰恰是：

人的形状，机器的世界。

机器人可以长着两只手，因为要使用我们已经存在的工具；同时拥有红外、雷达、超声、触觉、化学传感和大量人类根本没有对应感官的信号。

它可以说中文，因为需要和我们沟通。

也可以理解“杯子”和“椅子”，因为它生活在人类社会。

但它内部完全可以拥有大量没有中文名字、甚至人类无法直觉体验的状态。

这才是真正意义上的“Super Man”。

不是一个铁做的人，也不是简单把人的力气乘以十，而是：

有人的手，却不必只有人的感官；能使用人的世界，却不必被人的世界限制。

大语言模型第一次让机器大规模阅读了人类怎样描述世界。

下一代具身智能真正要做的，则是另一件事：

学习世界怎样作用于身体，身体又怎样反过来改变世界。

所以人形从来不是具身智能的终点。

它只是机器进入人类文明时选择的一种接口。

而机器最终能够理解的世界，

也许会比我们看到的，

大得多。

思考与探讨
你期待未来有一天，人类真的能通过具身智能的世界模型，与海豚、甚至你家里的宠物进行真正深度的跨物种对话吗？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 6 篇·终章 / 共 6 篇）。