图灵奖得主Sutton新作：AI的下一步，是走向「生成认知」

从 LLM 的超长文本处理、视频生成模型的以假乱真、Agent 自主规划与执行的日趋成熟，到 VLA、世界模型等开始进入物理世界，AI 正在不断拓宽其能力边界。

模型版本的迭代周期不断缩短，行业新闻与技术讨论的热度居高不下。在这样一往无前的氛围中，我们似乎离 AGI 近在咫尺。

但一个疑问始终有待解答：这些服务器里的 AI，真的「理解」这个世界吗？或者说，它们展现出的智能，与生物在真实物理世界中生存所展现出的认知，在本质上是否同一？

近期，学者 Banafsheh Rafiee 与强化学习之父 Richard S. Sutton 共同撰写了一篇论文，对当前主流人工智能（包括大语言模型、纯视觉模型乃至传统的符号系统）所依赖的「被动表征」路线进行了系统性的反思与批判，并将认知科学中的「生成认知」（Enactive Cognition）框架引入 AI 领域。

该研究主张感知、认知和行动是相互建构的不可分割的整体，探讨了 AI 如何从依赖静态数据的被动信息处理系统，走向能够通过环境互动、具身行动与自我评估获得经验的智能体。

• 论文标题：Toward Enactive Artificial Intelligence
  
• 论文地址：https://arxiv.org/abs/2605.24238v1

世界本身就是它最好的模型

当前相当一部分主流 AI 发展，仍然沿袭了一种被称为「表征主义」的经典观念。

在传统人工智能范式中，无论是早期的符号系统，还是今天的深度学习模型，感知通常被理解为一种「先输入、再处理、后行动」的线性过程：系统先接收外部信号，再将这些信号加工成内部表征，随后基于这些表征进行推理和决策，最后输出动作。

在这种观点下，智能系统就像一个中央处理器。它需要在内部构建一个尽可能精确的「世界副本」，感知是否成功，取决于这个内部模型能否准确还原外部现实。

但 Rafiee 和 Sutton 指出，这种思路本身存在根本局限。真实世界是开放的、动态的、无限复杂的，没有任何一个有限的内部模型能够完整捕捉它的全部状态。世界并不是一组等待被编码的静态特征，而是一个会随着智能体的行动、上下文和互动历史不断变化的可能性空间。

因此，论文引入了机器人学家 Rodney Brooks 的一句名言：「世界本身就是它最好的模型。」

这句话的含义是，最可靠、最新鲜、最丰富的信息并不在智能体内部，而始终存在于外部世界之中。智能体不应试图完全用内部表征替代现实，而应保持与环境的持续互动，在实时反馈中调整行动、校准预期并形成理解。

AI 不只是「看见世界」，

还要「在行动中理解世界」

「生成认知」来自认知科学中的生成主义（enactivism），其核心思想是：认知不是对一个预先存在的客观世界进行内部复制，而是在具身主体与环境的互动中被生成出来的。

它吸收了现象学、格式塔心理学和生态心理学的思想。现象学强调，感知不是在头脑中重建世界，而是主体在生活经验中直接与世界相遇；吉布森的生态心理学则提出「示能」概念，认为环境中的物体是否「可抓握」「可攀爬」「可通过」，取决于它与具体身体能力之间的关系。

也就是说，世界并不是以抽象特征的形式被动呈现给智能体，而是在智能体能够采取的行动中变得有意义。

将这些思想引入 AI，Rafiee 和 Sutton 提炼出四个关键支柱：经验、感知与行动的不可分割性、自主性，以及具身性。它们共同指向同一个判断：智能不是对世界的静态表征，而是在环境中行动、反馈和自我维持的过程。

经验

在生成认知框架中，经验并不等同于数据。真正的经验来自智能体与环境之间持续、实时、相互影响的互动。智能体不是被动接收已有数据，而是在行动、反馈、失败和修正中不断获得技能。

这也揭示了当前主流机器学习的局限。监督学习依赖人类预先收集和标注的数据，模型学习到的只是经验留下的痕迹，而不是自身亲历的经验。相比之下，强化学习更接近生成认知的要求：智能体通过主动探索环境、接收反馈并调整策略，在互动中持续生成新的数据和能力。

换句话说，一个真正自主的系统，不能永远依赖人类准备好的静态数据集，而必须能够通过自身经验不断扩展能力边界。

感知与行动的不可分割性

生成认知反对把感知和行动拆成两个独立模块。感知并不是行动之前的准备环节，感知本身就是一种行动能力。

人类并不是被动接收画面。我们通过眼球、头部、身体和手部的运动，不断改变输入，进而判断空间、声音、纹理和物体形态。也就是说，感知不是等待信息进入大脑，而是通过有目的的行动揭示环境结构。

这对今天的视频生成模型尤其重要。纯观察系统也许能够学会大量视觉规律，比如预测物体运动或红绿灯变化顺序，但这不等于真正理解物理世界。一旦环境出现异常，它们往往缺乏主动干预、试错和纠正的能力。

生成认知强调的正是这一点：智能体不仅要预测世界如何变化，还要能够通过行动改变世界，并在反馈中形成理解。

自主性

生成认知认为，智能体不是简单响应外部刺激的机器，而是一个自我组织、自我维持的系统。环境中的事物之所以有意义，是因为它们关系到智能体自身的目标、需求和持续存在。

这意味着智能体需要拥有某种内在的成败标准。食物、障碍物、能量之所以重要，并不是因为它们天然重要，而是因为它们会影响智能体能否继续行动、维持自身状态或完成目标。

从这个角度看，当前许多 AI 系统仍然缺乏真正自主性。监督学习依赖外部标签，大语言模型主要模仿人类数据模式，传统规划系统的目标也多由人类预先设定。强化学习虽然通过奖励机制引入了行为评估，但大多数奖励函数仍由外部设计者指定，并不是从智能体自身的自我维持过程中自然产生。

因此，当前 AI 距离真正的自主性仍有距离。

具身性

生成认知的最后一个关键是具身性。身体并不是智能系统完成推理之后才使用的执行工具，而是感知和理解世界的前提。

身体的形态、传感器位置、运动能力和行动方式，会直接决定智能体如何探索环境，也决定世界以何种方式对它呈现意义。同一把椅子，对人类是「可坐的」，对蚂蚁可能是巨大的障碍物，对机器人则取决于它是否具备相应的高度、关节结构和控制能力。

这解释了为什么许多主流 AI 仍然是「离身」的。它们可以处理海量文本、图像和视频，却没有通过自身运动改变感知输入的能力，也无法在真实环境中主动探索和适应变化。

即使在机器人领域，许多系统仍把感知、规划和控制拆成独立模块，身体只是执行策略的硬件平台，而不是塑造认知本身的核心条件。

强化学习的下一步？

在经验、感知——行动、自主性和具身性这四个维度上，Rafiee 和 Sutton 对当前 AI 范式给出了一个清晰判断：主流 AI，尤其是大语言模型和纯视觉模型，仍然主要停留在被动表征和模式预测层面。

它们可以生成极其逼真的文本、图像或视频，也可以在复杂任务中展现出强大的推理与规划能力，但只要缺乏与环境的持续互动、缺乏基于自身行动后果的评估、缺乏真正具身的探索过程，它们距离「理解世界」仍有关键差距。

相比之下，强化学习与生成认知之间存在更强的结构共鸣。RL 强调行动、反馈、探索、适应和长期评估，这些都使它成为最接近生成认知理念的 AI 分支。

但这种接近并不意味着等同。当前强化学习仍然存在三重不足：第一，奖励函数大多由外部指定，而非来自智能体自身的自我维持和组织结构；第二，感知和行动在许多系统中仍被拆分为相对独立的步骤；第三，具身性常被当作工程约束，而不是认知形成的基础。

因此，强化学习也需要进一步演进：从外部奖励走向更内在的自我评估，从任务驱动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。

更多技术细节请参见原论文。

文章来自于"机器之心"，作者 "机器之心编辑部"。