我正对着屏幕上一段精彩绝伦的AI回复发呆。

它刚刚用三千字帮我梳理了“智能体与物理世界交互”的文献综述，从波士顿动力的Atlas机器人翻跟头，聊到东京大学那个会叠衣服的PR2，中间穿插了五篇Nature Robotics的论文摘要，最后还不忘叮嘱我：“如果你要讨论具身智能，建议先定义清楚‘身体’和‘环境’的边界。”

我感动得差点给它磕一个。

然后我想续杯咖啡——就一个动作：站起来，拿起保温壶，往杯子里倒水。结果呢？我一边看着屏幕上的AI回复傻笑，一边把滚烫的热水浇在了自己手背上。

疼得我一哆嗦，咖啡洒了半桌，旁边座位的大姐投来一个“这人是智障吧”的眼神。

那一刻我坐在那里，看着被烫红的手背，突然觉得很荒诞：我刚刚跟一个能写出博士论文的AI聊了半小时，它引经据典、逻辑严密、甚至用上了“具身认知”这样的专业术语。但它没有告诉我——“你倒水的时候别看手机。”

它不知道我手里拿着热水壶。不知道我的手会抖。不知道我痛觉神经完好。

它什么都知道，又什么都不知道。

你可能觉得这是个运气不好的小事儿。但仔细想，这事儿背后藏着一个根本性的问题：为什么AI能跟你聊出天际，但连帮你倒杯水都做不到？

先说一个我自己的观察。

我在制造业干了十年，见过最多的实习生什么样？不是笨，是“脑子里什么都有，手上什么都没有”。比如你让他去调一个参数，他能把工艺手册倒背如流——“温度设定165度，压力0.8兆帕，保压时间12秒。”结果他站到机器前面，手指头抖了半天没敢碰，回头问你：“师傅，这个按钮是转的还是按的？”

这就是“知道”和“能做”之间那道几乎不可跨越的鸿沟。

AI也是一样。它的大模型读过全世界所有的书，知道水的沸点是100摄氏度，知道导热系数，知道热传递的三种方式。但它不知道“热水烫手”这种事儿——因为它没被烫过，它没淋过一场雨，没吹过一次风，没摔过一个跟头。

你可以认为这是一种“知识”与“体感”的断裂。

在认知科学里，这事儿有个专门的说法，叫“符号落地问题”。翻译成人话就是：你脑子里有一堆抽象的概念，但你知道不知道这些概念到底是什么意思？

比如我告诉你“烫”这个字。你字典里的定义是：“温度高，接触体表造成灼痛”。但你真正理解“烫”，是因为你小时候碰过热水杯，被妈妈骂过，那个瞬间的疼痛、惊吓、哭泣，连同水杯的形状、温度、蒸汽的气味，混合在一起，成为了你大脑里一个完整的、有血有肉的“烫”的体验。

AI不一样。它知道“烫”的定义，但不知道烫是什么感觉。它的“烫”只是一个符号，一个词汇，一个在无数文本中出现的n-gram。它跟你讨论烫伤急救能头头是道，但你让它识别“这杯水是烫的”，它完全没招。

这就是问题的核心：AI生活在一个符号的世界里，而我们生活在一个物理的世界里。

你可能要问：那机器人呢？波士顿动力的Atlas不是能翻跟头了吗？波士顿动力的Atlas确实能翻跟头，能跑酷，能后空翻。但你知道吗？它每一个动作都是经过无数次模拟和调试的，都是工程师一行一行代码写出来的，是在一个非常非常狭窄、非常非常特定的环境下跑的。

换个比喻：你让Atlas在波士顿动力的实验室里撒欢，它能给你表演一套体操。你把它拉到工地上，地面不平，光线昏暗，突然有个人走过来，它立马就懵了。因为它的世界里，只有“应该发生的”事情，没有“可能发生的”事情。

跟人类完全相反。你我都知道，在物理世界里，“可能发生的”事情永远比“应该发生的”事情多一万倍。

比如你倒水那一刻，可能旁边有人推了你一下，可能杯子是滑的，可能水烧过头了蒸汽太足，可能你正盯着手机，可能你手酸了抖了一下，可能你的注意力被旁边某个声音带走了一秒钟。这些所有的“可能”，你作为一个普通人，根本不需要思考，你的身体会自动处理——你的大脑会在几百毫秒内判断：手中杯子的重量、水温、倾斜角度、自己的平衡感、周围的动静……然后做出一个精准的动作。

这叫“具身认知”。你的大脑不是跟身体分家的，它跟身体一样，是在泥水里打滚长大的。

AI呢？它没有身体，没有感官，没有那个在泥水里打滚的过程。它所有的“知识”都是二手货，都是从文本中提取出来的二手信息。你问它“怎么倒水”，它回答你“拿起水壶，对准杯口，倾斜倒水”。但这句话，是它从一万本教人倒水的书里学来的，它自己从没执行过。

这不是它的错。它的设计根本就不是为了解决物理世界的问题。

但问题是，我们有时候会用一种非常隐蔽的方式，把AI跟“能做事”划上等号。比如我有个朋友，最近被一个大模型客服气得半死。他买了一个智能门锁，结果安装说明书模糊，他就去问客服。AI客服很热情，问：“请问您遇到什么问题？”他说：“螺丝拧不进去。”AI说：“建议您检查一下螺丝型号是否匹配。”他说：“我检查了，型号对了。”AI说：“建议您检查一下螺丝孔是否有异物。”他说：“没有异物，我看了三遍。”AI说：“建议您使用电动螺丝刀。”

你有问题吗？好像没有。每个回答都是有逻辑的、有步骤的、理性的。但你发现问题在哪吗？它不知道“螺丝拧不进去”这个场景有多让人崩溃。你不知道用户已经试了半个小时，手都酸了，拧到最后一身汗，火气蹭蹭往上冒。

这就是“能说”和“能做”之间的一个巨大缺口：能说的人，能理解你的情绪。能做的人，能帮你解决实际问题。AI呢？它能说，但既不会理解你的情绪，也不会帮你拧螺丝。

你把它放在客服岗位上，它能处理标准化问答，但你遇到一个非标准的问题，比如“螺丝拧不进去”——它就只能给你一些网上抄来的标准答案。它不知道你已经在摔螺丝刀了。

还有更深的坑。

你有没有想过，AI为什么永远不能帮你“煮一碗面”？不是技术问题，不是机器人做不了，而是它没办法真正理解“面煮好了”是什么感觉。

你煮面的时候，看一眼面条，看看它是不是已经膨胀了、透明了、飘起来了，再用筷子夹一根尝尝，觉得差不多了，然后关火。这个过程，叫做“多感官融合”和“体感校准”。你看的、闻的、尝的、触的，所有信息同时进入大脑，瞬间整合成一个判断——“熟了”。

AI呢？你给它一个摄像头，一个温度计，一个触觉传感器——它可以盯着数据看，说“面条在80度水温下煮了6分钟，符合‘熟’的标准”。但如果这根面条你用的是昨天剩下的，或者水是自来水里带了一点碱性的，它会判断出来吗？它不会。因为它没吃过面，不知道“劲道”是舌头上的什么感觉。

这是一个根本性的、哲学层面的问题：AI知道“煮面”的完整流程，但永远不知道“煮面”这件事本身的滋味。

大模型读过全世界所有的菜谱，但没闻过一把葱花的味道。

那么，这个鸿沟能填上吗？

有人说可以，只要给AI足够的传感器、足够的运动控制、足够的物理模拟，它就能学会。未来的机器人，加上GPT的大脑，不就是“能说又能做”了吗？

我也倾向于相信，有一天可以。但问题在于，这个“可以”要到什么时候？是不是像某些公司吹的那样“三到五年”？我不信。

我自己搞过自动化。你知道让一个机器人学会“捡起一个掉在地上的硬币”有多难吗？因为它看不到地面上的硬币是平的还是鼓起来的，不知道硬币材质是什么，不知道手应该用多大的力去夹，不知道硬币会不会滑。人捡硬币呢？你不用想，蹲下，手指一夹，拿走。这个过程，你的手、眼、脑协同工作了几十年，训练了上亿次。

AI要从头学。它必须重新学一遍你这个几十年的训练。而且它没有身体，只能靠在虚拟环境里模拟、在实验室里调试。它要面对的真实世界的“噪音”，比你想象的复杂得多。比如一个真正的工厂车间，地上有油污、有灰尘、有碎铁屑、有掉落的螺丝、有被撞歪的零件……这一切，AI的模型都没法提前“预演”。

这就是符号落地的现实困难：你可以让模型学会识别一地的硬币，但没办法让它学会在真实车间里，一边躲开油污，一边捡起硬币，一边不被旁边走过来的人绊倒。

我有时候想，也许我们得重新审视这个问题：到底什么叫做“能做”？

如果你是指“能按照预定程序完成一个特定动作”，那现在的机器人已经能做很多事了。比如富士康的机械臂，一天能拧几千个螺丝。但它只是在重复，只是在执行一个程序。

如果你是指“能像普通人一样，在未知环境中随机应变，完成复杂的、需要判断力的任务”，那抱歉，AI离这个还远，甚至不知道到底有多远。

这让我想起一个流传的轶事，未经官方确认，但挺有意思的。据说OpenAI在展会上展出了一个机器人手臂，指令是“去拿一个白气球”。结果机器人手臂伸出去，把旁边的一个白足球给抱起来了。因为它认不出“气球”和“足球”的区别，在它的视觉模型里，它们都是“白色的圆形物体”。

你看，它知道“白气球”的符号，但不知道“气球”和“足球”到底有什么不同——一个会飘，一个不会飘。它不知道“气球”的物理性质，因为它的世界里没有重力，没有空气密度，没有摩擦力。

大模型读过全世界所有的书，但没摸过一只气球。

所以，当你再看到一个AI能给你滔滔不绝地讲量子力学、哲学、诗歌、食谱的时候，你心里可以默默给它加一行注释：这家伙很会说话，但它从来没摸过一块石头，没淋过一场雨，没被热水烫过手背。

它就像一个特别聪明的朋友，能跟你讨论所有形而上的问题，但你要它帮你修一下水龙头，它就傻眼了。

我写这段文字的时候，手背上的烫伤还在隐隐作痛。我身边就有一杯水——那杯水是我自己倒的，小心翼翼地，没有再洒一次。我知道怎么倒水，因为我喝了几十年的水，被烫过无数次。而那个刚刚帮我写了几千字提纲的AI，它永远不会知道那个瞬间有多疼。

这不是一个技术问题，这是一个让一个永生永世活在书本里的灵魂，去理解阳光照在皮肤上的感觉，到底是怎样一种感觉。

那回到问题的原点——你告诉我，如果AI什么都懂、但什么都做不了，那它到底“有什么用”？我们花这么大成本训练它、喂它数据，到底是为了什么？如果AI什么都懂但什么都做不了，那我们花这么多电喂了这么多数据，到底得到了什么。

炖刀的笔记

写完这章，我关掉电脑，去车间转了一圈。正好碰上一个操作工在调一台老式冲床，说明书上写得清清楚楚——“调整冲头行程至2.5毫米”。结果他掏出根烟卷比了比，说：“差不多就行。”我站在旁边看着，心想：这他妈不就是“能说和能做”的差距嘛。当初我当审核员的时候，最爱揪着“文件与现场不符”开不符合项，现在想想，文件写得再漂亮，落到地上还是得靠老师傅那根烟卷。

说实话，我自己也没好到哪去。上次回家修水龙头，照着视频一步一步来，拆下来发现型号不对，最后还不是打电话喊物业。百度上怎么说的？“先关闭总阀门，再用扳手逆时针拧下旧龙头”——听着多简单啊。结果呢？总阀门锈死了拧不动，扳手打滑，水喷了我一脸。大模型能把流程背得滚瓜烂熟，让它来修一下我家那个水龙头，估计连扳手正反都分不清。五十步笑百步，我们谁也别笑话谁。