AI能解数学难题、下赢棋局,却可能捏碎或抓不住一杯水——这种对人类幼儿轻而易举、对机器却异常困难的反差,正是汉斯·莫拉维克1988年提出的“莫拉维克悖论”。它揭示的并非AI“笨”,而是逻辑推理和感知运动本就是两套完全不同的能力体系:前者有清晰规则可编码,后者是人类在漫长进化中写进神经和肌肉的“隐性本能”。
一、悖论说的是“难易倒挂”
定义:对人类越简单的事,对AI反而越难;对人类越难的事,对AI反而越容易。
典型表现:计算机下棋、证明数学题相对容易,但像一岁小孩那样稳稳抓取杯子、在复杂环境里行走,却极其困难。
提出背景:莫拉维克、布鲁克斯、闵斯基等学者在20世纪80年代共同阐释,挑战了早期AI“先攻克难题、简单问题自然解决”的乐观预期。
二、端水杯要同时过三关
感知关:人一眼能判断杯子的位置、材质、摩擦力,机器靠摄像头只能得到距离和形状,不知道表面是滑是涩。
控制关:人手有触觉反馈和毫秒级调整,机器人的夹爪要么太笨拙、要么自由度太多导致控制算法难以实时收敛。
变化关:每只杯子形状松紧不同,桌面光线随时在变,机器人必须在每一毫秒重新感知、计算、修正,不是背一套固定动作就能完成。
三、真正卡脖子的是数据而非算力
数据稀缺:语言模型吃互联网文本就能变强,“拧瓶盖该用多大力”这类手感经验网上根本没有,只能靠真机反复采集。
采集昂贵:每做一次操作都要记录视觉、关节角度、力矩等几十上百维数据,练成一个技能往往需要成千上万条示范。
仿真有鸿沟:在模拟器里练出来的本领,到真实世界常因摩擦、光照、重量的细微差别而失灵,行业称之为Sim2Real差距。
本文由AI生成
特别声明:以上文章内容仅代表作者本人观点,不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。











