身体的智能：12.2精选要点

下面的内容汇集了那些让我们感到兴奋、出乎意料，而又引人深思的思想和见

解，这些思想和见解同时又清晰说明了具身性的重要性。这个松散的要点集合首先从一些理论要点开始，然后余下的内容大体是按着3个时间尺度的顺序组织的。

表12.1设计原理概述

智能体设计原理

三要素

必须始终考虑生态位、任务和智能体

完全智能体在设计中不仅要考虑独立的组分，还要考虑完整的智能体并行、松散耦合过程|并行、异步、部分自主过程，大致通过和环境的交互而紧密关联感觉–运动协调

行为感觉一运动相对于目标协调；自我产生的感觉刺激廉价设计利用生态位和交互；节约

冗余性

基于不同物理过程的部分功能重合

在感觉、动作和神经系统的复杂性间产生均衡：形态、材料、控制和与环境的交互间的任务分布

价值

|动力；发育机制；自组织

发育设计原理

时间尺度的集成

一个智能体中要集成很多时间尺度

渐进发育过程由简单开始，并以已学到的东西为基础逐步发育发现智能体要有能力探索和评价，这意味着智能体能够通过自己的活动去发现

社会性交互感觉一运动协调和社会性交互一起提供了最强的发育引擎自发复杂性为什么在个体发育过程中复杂性提高了进化设计原理

种群是进化的前提

积累选择和自组织只有当进化利用自组织过程时，积累选择才会产生有趣的结果大脑和身体共同进化“大脑”（神经系统）和身体必须同时进化可扩展复杂度

为了实现复杂的生物，个体发育过程一定要在基因中编码进化作为一个变化的过程智能体应该以大量细胞加以建模；进化应该只能做出很小修改。

最小设计偏好性尽量少设计，而让进化做尽量多的工作群体系统设计原理

抽象层次一定要选择适当的抽象层次，其含义一定要牢记清楚涌现性的设计

找到预期整体行为模式的局部交互规则

由个体到群体智能体个体的设计原理通常可以应用于群体系统同质–异质一定要做出只用一种还是用多种模块或机器人的折中从工程到科学

工程师有时候会有一点劣等感因为其他人常常认为他们只是“建造东西”而不

是在做“真正的科学”。尽管和分析科学相比工程学有一个确切的优势――分析科学局限于研究自然系统而工程师可以建造任何他们想要的东西，并且他们可以利用任何材料而不用考虑它们在自然界存在与否。但是在强调“通过构造来理解”的综合方法论中，工程学和科学形成了互补共生。设计是关于构筑、建造的，它是工程师的职责。科学更多的是关于分析和理解现存系统，在我们讨论的范畴中它包括动物（生物学）、人类（心理学）和更具体的大脑（神经科学）。虽然分析科学在过去非常成功，但是随着现在功能更强大的工具的出现（包括计算机和机器人技术），包括人工智能的许多科学已经开始利用仿真和反映根本物理过程的计算模型，它们已经变得更综合了。由于具有工程学的观点，人工智能变得更加跨学科了，像我们在“概貌”那章中所讨论的那样，现在它除了包括计算机科学家、生物学家、心理学家和神经科学家以外，还包括电气机械工程师、生物力学家及动态系统和材料科学的研究者。

这种综合方法通过设计真实世界智能体而把不同领域的研究者汇集到了一起。

如其所能的智能

我们已经谈过许多次关于人工生命的格言“如其所能的生命”。利用这种综合方法，一个令人兴奋的可能性是我们能够探索如其所能的智能。当然，机器人是在自然界中找不到的一种“生命”形式。请回顾一下我们在第7章关于模块化机器人的讨论，如果已知自然系统中不存在这种自重构功能，那么具有了这种自重构的机器人会有怎样的智能行为？或者想象把Bongard的推块者放到更具有挑战的任务环境中。Bongard式的推块者在自然界中并不存在。如果它们进一步进化而能够执行更复杂的任务，将会发生什么？它们会拥有什么样的身体和大脑？它们会具有大多数生物具有的中枢神经系统吗？还是会有一套完全不同的神经结构？或者考虑普适技术的巨大网络能力，它们可能在某些时候产生完全想象不到的，自然界不存在的智能形式。

理论的广泛适用性

在不同领域应用这个理论产生的令人吃惊的结果之一是关于智能的思想并不局限于某种特定技术。只要确定了智能体的特征，那么就会存在潜在的应用。例如，我们已经看到目前用于普适计算领域的设备只有非常有限的智能体特征，通常仅限于传感信息输入而没有或只有非常小的驱动可能性，因此极大地限制了它们的智能水平。但是如果这些系统拥有了智能体的能力（除了感知还能动作），它们的用处会剧增。对普适技术的市场估计已经是天文数字了，在生产的所有微处理器当中，只有约2%的微处理器用于个人电脑；其余的微处理器则都用于了真实世界中的嵌入式系统。在和战略管理专家Simon Grand合著的第9章中，我们关注了新商业和新公司的创立，在这里，公司可以被解释成为智能体。从公司延伸到其他社会组织如城市或国家，我们会发现另外的应用领域。例如，政治共识是一个涌现现象，它像

市场一样，只能被施加非常有限的控制。

通过感觉–运动协调实现信息自组构

真实世界的挑战很难只用计算机程序来应付。还记得我们讲过的计算机视觉的例子吧。有时候一些非常复杂、深奥的算法在高度限制的制造场所环境中运行良好，但是在真实世界的环境中，如在物体和摄像头间的距离快速变化的情况下却无法工作。然而，智能体可以和真实世界实际地交互来把这些挑战变成机遇。举例来说，一个明显的、也是到现在为止几乎被完全遗忘的要点就是：通过和真实世界进行实际交互，感觉刺激会在不同的感觉通道产生。特定形式的交互会引发关联，例如，把手指放到咖啡杯的边沿会产生触觉、视觉和本体感觉传感器的关联。因此，可以这样说：作为结果大脑得到了好的，即相关联的原始信息供进一步处理。另外，如果这些传感器被安放在形态上“聪明”的位置，那么获取感觉数据和产生关联的控制将会很简单，在指尖上紧密分布的触觉传感器，很容易在手接触物体的时候产生刺激。换句话说，是因为手的形态才使产生“好”数据那样轻易。这个过程进一步强化，因为手及肌腱系统的变形可能性和弹性使手指可以平滑地触摸任何形状的物体。把适当的形态和感觉–运动协调“策略”相结合，可以同时完成两个目标。第一，可以轻易获得丰富的感觉刺激；第二，通过感觉–运动协调，感觉刺激的复杂性被显著地减小了。

注意这个“信息减少”是通过和环境的实际交互实现的。这真是个令人吃惊的见解，也是具身性最显著的含义之一。

形态计算

具身性的一个最基本的含义就是，为了完成它们的任务（如步行、奔跑、游泳、

识别和操纵物体、飞翔和躲避障碍物），智能体不仅能够而且必须将一些神经处理卸载给它们的形态和环境：为了奔跑，必须利用肌肉–肌腱系统的弹性和能量储存能力；为了飞翔和躲避障碍物，昆虫必须利用它们复眼的形态来补偿运动视差；为了在真实世界中识别物体，智能体必须通过感觉一运动协调实现数据量减少，进而引发关联；为了操作物体，我们一定要利用手的形态（解剖结构）和它的材料特性，如可变形的指尖和肌肉–肌腱系统的弹性。

设计人造物的时候，一定要选择特定形态和材料，那么为什么不做个明智选择以利于形态计算呢？看上去其中的一个问题是这些设计选择约束了智能体的可能性。减小由形态和材料设计选择带来的约束性本质的一个可能方案是导入可变的形态和材料特性。因为大脑能控制肌肉的刚性和弹性，材料特性能够适应奔跑不同阶段的需要。例如，触地时和腾空时所需的刚性是不同的。生物力学专家Steven Vogel在他引人注目的著作《猫爪和弩炮》（Cats’Paws and
Catapults）（1998）中讨论了许多例子，尽管他没有明确地称它们为形态计算。变换形态能够使智能体根据情况行

使不同功能。正像在第7章中讨论的那样，实现形态变化是模块化机器人的重要目标之一。

尽管直观上很有吸引力，形态计算的想法仍有待量化，关节的弹簧或形态变化到底实现了多少运算？或许这不是个合适的问题。即使我们还不知道问题是什么，作为开始，我们现在有了具体的案例来思考。

大脑不控制身体

很明显大脑控制着身体；除此之外，还能是什么呢？神经科学家在谈到运动控制时，他们指的是神经控制。机器人学家谈到控制时，他们指的是运行控制程序的微处理器，那些控制程序又控制着驱动机器人肢体运动的电动机。那么问题是什么？身体有它的固有动力学，神经系统的动力学一定要和其匹配。如 Sten Grillner在他的七鳃鳗试验中表明的那样，中心模式生成器的频率在分离的部分脊髓中和在动物身体正常结合的情况下是不同的。这表明并不是神经振子自己决定身体的行为，而是身体更多地决定了神经回路的频率。换句话说，存在相互耦合，或用动态系统的术语来讲，存在相互卷吸。

更逸事化地说，当你在平地上按一定的速度奔跑，然后开始下坡，你会自动地加速，但这不一定是因为大脑给予肌肉命令使其运动得更快，而是由于身体受重力牵引从而导致加速，这进而使大脑或脊髓中的神经振子加速。看起来对控制基本概念的经典解释需要从根本上重新建立。大脑并非处于完全支配地位的观点和传统的笛卡儿哲学思考相悖：思维的物理载体是大脑，所以应该由大脑支配。我们会回头讲述思维和大脑–身体系统的微妙关系，如下面这个著名的心身（mind-body）问题。

利用固有动力学

一个特别有趣的形态计算形式是由物理系统的固有动力学提供的，如吸引子动力学。利用这个动力学可以完全“不需代价”地、不需任何控制地完成任务。被动动态行走者是个很好的例子，它展示了一个系统如何在行走中只要它的形态和环境相适应就能自我稳定的，或用动态系统的术语来讲，只要它在步行吸引子的吸引区域内。四足机器狗Puppy也很好地展示了自稳定性。你也许会想在它的脚上装上橡胶垫来增加摩擦力是个好主意，因为和只有铝的脚相比，这会减少打滑。但是如果你那样做，机器狗很可能会摔倒，因为实现自稳定需要利用铝的滑动。或者还用动态系统的术语，滑动扩展了稳定行走模式的吸引区域。

另一个引人注目的固有动力学利用方法是用其来学习。因为智能体的动力学对系统本身来说很自然，学习机制应该利用它；这也是生物组织看上去所做的，因此我们可能也想把这个思想用于机器人。假设你有被动动态行走者，即能够走下斜面而不需控制和驱动的两足机器人。如果现在把它放在平面上并提供非常少的驱动，它的运动将会在对应于“自然”步态模式的吸引子状本附折（即在哪引区排内）

是因为它正利用自己的固有动力学。如果智能体处于其中的一个吸引区域，可以这么说，基本上已经大功告成，只需对神经控制做很小改变就可以使其在平地上平稳行走。这种效应正是Steve Collins和他的同事在最近的实验中所利用的（Collins等，

2005），在这个实验中机器人通过模拟在斜面上的行走性能（这对应着其固有动力学）来学习怎样在平面行走。

作为认知前提的具身性

在第5章我们看到发育是一个渐进且连续的过程。渐进意味着现在的生物体的行为建立在其以前的学习积累之上。连续意味着不存在突然出现如认知等特殊能力的离散阶段。根据Thelen和Smith（1994）的观点，连续的感觉–运动发育使小孩能够分类、感知真实世界并逐渐地学习认识更复杂的差异。尽管这个发育过程是连续的，有时全新的分类能力是突然产生的。用动态系统的原理，我们能够把这种突发涌现性解释为一个新吸引子状态发现。

分类是最基本的认知能力之一，其他更高层的认知能力包括思维、意识都是建立在此基础之上。从发育的角度来看，感觉–运动过程和认知之间并没有清晰的界限，即这种界线是模糊且不固定的。但这并不重要。重要的是理解发育的潜在机理。

我们在第5章曾利用身体图式的那个例子，提到了一些如何预见个体发育过程中认知涌现的想法。认知从发育过程中涌现的思想得到了更进一步地推动。根据Lakoff-Nafiez的设想，即使很抽象的数学概念都最终能在它们的身体经历中找到起源，即它们是接地的（有基础的），这体现在身体图式中。反过来，后者也是固有的复杂神经–身体动力学的体现。Lakoff和Ninez用概念隐喻（源于语言学）的方式，如用温暖形容关爱，像在“温暖对待”或“他对它很冷淡”，来支持他们的观点。他们认为这是很好的隐喻，因为它保持了“推理结构”：如果温暖意味着关爱，那么更温暖则意味着更多关爱。因为这类隐喻建立在身体经历以及某种类似于身体图式的事物的基础之上，在一定意义上来说，它们是具身化的。我们不会再进一步探讨这个隐喻的观点，因为其本身就是个很大的领域。

总而言之，如果没有身体提供适当的感觉刺激和原始信息供大脑处理，很难想象在人的一生中如何产生抽象思维。这看上去也符合Lakoff-Ndnez的设想，思维源于身体，身体塑造了思维。我们也想说身体或具身性是高层认知的前提。

通过复杂动力学实现符号接地

符号接地问题和前面所述“思维需要身体”的见解直接相连。但是我们不是讨论认知的前提及其起源，而是假设在存在身体的情况下，如何在智能体的连续动态系统中产生抽象符号，这些符号是离散的可识别单元。其中一个引人注目的见解是复杂的感觉–运动系统使智能体复杂的身体动力学成为可能，事实上正是感觉一运动系统的引入形成了符号接地的前提换句话说“下大”具“上”的前据可以

这样说，大体上移动和低层感觉一运动处理的研究为符号接地提供了良机。我们相当强烈地感觉到复杂的感觉–运动协调将是高层认知的基础，因为它使真实世界中的复杂分类成为可能，到目前为止，我们没发现相反的证据。仍需利用机器人试验和对动物行为的进一步研究来验证这个设想。

我们感谢许多研究动态系统的人们，特别是来自东京大学的Yasuo
Kuniyoshi，Yoshihiko Nakamura 和Masafumi
Okada，在第5章曾经介绍过他们，是他们引起了我们在这个问题上的注意。虽然我们仅进行了初步的工作来展示像身体图式那样的事物是怎样被智能体获取和利用的，但是我们感到把吸引子动力学和符号处理联系在一起的思想有更强的诠释能力。

可以肯定的是，这里提出的方法和Stevan Harnad的方法不同，他最先提出了这个问题。Harnad从存在一个符号处理系统这个假设出发，讨论了其如何和外部世界联系在一起。我们在这提出的方法源于同一问题的不同方向，并不假设存在符号处理系统，我们的目标是要找到不仅可以被外界观察者，还可以为智能体自身解释为符号处理的动态系统因素。我们认为吸引子动力学可能是一个很有前途的方向。

真实世界中的人工进化

Karl Sims的进化娱乐生物无疑构成了人工进化中的标志性发展，它们是具身化智能体，而且它们的适应度在基于物理的模拟仿真中相应地进行了测试。我们知道进化潜在地利用世界上存在的所有事物。如果这个世界包括一个模拟仿真，它会只包含我们实际上放在那里的东西。相对比的是，因为真实世界千姿万态，从某种意义上，总会存在让进化能够“抓住机会”的空间。因此，如果我们想释放人工进化的全部能量，我们一定要把它和真实世界连接起来。我们已经看到了这样非常有趣的例子，其中被设计者忽略的真实世界特性被利用了。请回顾一下Adrian Thompson的实验，他利用没有相互连接的简单元件间微妙的电磁交互进化了一个简单得出人意料的电子电路。Jon Bird和他同事所做的实验更具戏剧性，它的目的是不用内部时钟来进化一个震荡电路。让大家惊讶的是，这个电路进化成了一个无线接收机，它从附近的台式电脑上捕获了时钟信号！你可能说进化算法的某部分在作弊，但这是个非常“聪明”的作弊，它利用了已经存在空中的信号。这个无线接收机能被看成为一种新的传感器，这是顺应性的一个漂亮例子（利用生态位所有的一切）。在一些情况下，人工进化的设计甚至超越了人类工程师：如Ingo Rechenberg的弯曲管道和美国国家航天和空间局的卫星天线（见第6章）。

寻找“不可能”问题的解决方案

还记得Bernstein关于控制多自由度复杂体的问题，或眼睛进化问题吧：它们都是非常难解决的问题。自然选择的答案从一个不完美的解决方案开始，然后逐渐

改进和细化。更具体地来说，最初的方案在一定程度上起到了作用，此后的方案则建立在以前所学的基础之上，这是一个渐进的发育过程。在人类发育过程中，婴儿最初仅有非常粗略的肢体控制和低分辨率的感觉系统。但是这足以获得基本的感觉–运动协调能力。一旦后者就位，运动控制精度和感觉系统的分辨率能够不断地提高（过程很复杂，这仅是个基本的思想而已）。类似地，如果在进化过程中出现了一些基础的东西，如感光细胞，虽然它不如完全成熟的眼睛完美，但是要比无法对光线反应要好，这提供了一定的有利因素，这样生物有更高的概率可以活得足够长以把相关的基因传给其后代。这类的智能体将会繁殖，这就提高了进一步进化其自身的概率。

如果追求没有约束的复杂设计或行为，那么最终找到答案的概率基本上为零，即这个问题“无法解决”。例如，想象以下两个不可能的事件：一个婴儿突然协调其上身的所有自由度――手臂、手掌和手指来捡面包渣；或通过一代中一系列同时变异使一组细胞发育成复杂而功能完备的眼睛。但是，通过发育和进化的渐进方法可以找到解决办法。