《智能的共生之舞：世界不再是待编码的剧本，而是与我们一同生成的舞台》

我这些年写AI文章，见过太多“更大、更强、更好”的故事。直到2026年5月萨顿和Rafiee把这篇论文甩出来，标题平静得像一杯白水，内容却像一记闷棍直击胸口。我们这些在圈里滚的人，一直以为问题出在模型不够大、数据不够多、算力不够猛。可论文直截了当告诉我们：路，从根子上就错了。

我们把智能理解成被动表征：机器接收输入、在内部搭个世界的模型、推理决策、输出动作。感知的目标是把外部现实“复制”得越准越好。世界在这一图景里是静态的、等待编码的对象。可现实呢？世界是动态的、开放的、永远有新可能的空间。任何有限模型都装不下它的全貌。真正最新、最丰富的信息，不在代理脑子里，而在世界本身。布鲁克斯那句老话“世界是它自己最好的模型”，在这里成了核心呐喊。

基于此，萨顿从生成认知里挖出四个概念，直指AI的命门。

🌱 经验的活化：不是拿来主义的数据堆，而是亲身共构的生命流

在生成认知里，经验不是数据。它是代理与环境之间持续、实时、相互影响的互动。世界不是固定特征集，代理也不是被动接收器。代理通过行动共同构成世界。因为世界总比任何描述多，代理必须不断互动，用实时反馈调整行动、校准期待、精炼理解。

这对AI意味着什么？看下面这张对比就一目了然：

强化学习已经摸到门槛了，可还缺了点真东西。Silver和Sutton之前提的“经验时代”，正是这个方向：数据必须随代理能力一起持续改进，而这只能通过代理自己的经验实现。

想象你设计一个家用机器人学倒水。给它几千张人类拍的视频，它可能在光线变了、杯子形状怪了的时候就手忙脚乱。因为它从没“经历”过那些变数。真正生成式的经验，是让它自己拿起杯子、感觉重量、调整倾角、看见水流、修正动作。在这个过程中，它和环境一起“生成”了倒水的理解。不是复制视频模式，而是活出了这个技能。问题就在这。当前很多系统停在“看”上，没到“做”。

经验时代的核心，在于代理不再是数据的消费者，而是数据的共同生产者。它在真实或高保真互动里不断收集、试错、校准，让理解随能力一起生长。这不是数据量的问题，是数据“活度”的问题。

🔄 行动与感知：那条解不开的纠缠之环

生成认知最扎心的一点：行动和感知分不开。感知不是行动的前置，也不是单纯指导行动。它们在与环境的持续互动中一起展开。

感知的本质，是掌握感觉运动偶联。看到什么取决于眼睛怎么移动，听到什么取决于头怎么转，摸到什么取决于手怎么探索。感知是种技能性活动——代理为了揭示或稳定信息而行动。头动一下消除歧义，身体倾一下听清声音。这形成一个反馈环：理解越精，回应越准；回应越准，理解越精。代理总在追求“最大把握”——更稳定、更清晰的状态。

主流AI却反着来：先感知提取信息，再决策行动。视频生成模型靠纯观察学“物理直觉”，但那只是跟踪统计规律，不是真懂。当情境需要行动去改变时，它就没辙了。早期Pengi、Ballard主动视觉、Brooks行为机器人试过这条路，可大模型时代我们又退回被动编码老路。

你想想学骑自行车。不是先在脑子里把平衡“看”清再上车，而是上车后摔跤、调整、感觉风、修正姿势，感知和行动一起长。越会骑，越知道看哪里；看哪里越准，骑得越稳。这就是不可分。如果AI代理能在真实互动里这样循环，而不是离线训完再部署，感知就会活起来。

感觉运动偶联不是抽象映射，而是身体具体能力在环境里的实时展开。代理不是先“知道”再“做”，而是在“做”的过程中不断“知道”。这才是感知的本来面目。

🌀 自主的内核：规范从组织里长出来，而不是外头加

自主性是生成认知的灵魂。代理不是对外界刺激的被动响应器，而是自组织系统。它的感知，由自身目标和需求塑造。

这源自自创生：代理是自我生产、自我维持的。它主动保持自己的组织。因此感知关注的，不是“客观存在”的所有东西，而是对它持续生存“重要”的那些。环境成了有意义场域——什么支持我、什么威胁我。这就带出规范性：互动可以成功或失败，适合或不适合。标准不是外头强加的，而是从代理自身组织的需要里冒出来的。它持续按这个评估调整行为。

看AI系统怎么做评估的，对比就清楚：

强化学习是进步，它让代理问“这个行为长期好不好？”而不是只看当前离目标多近。但奖励函数还是外给的，不是从代理自己“想活下去”的需要里来的。

自创生听着玄，其实就是系统能自己造自己、养自己。就像一条鱼在水中游，它不是被动被水推着，而是用鳃和身体动作维持着“鱼”的状态，同时水流也因它的游动而改变。AI如果有类似机制——监测自己“健康”（资源、知识一致性、任务完成率），偏离时主动调整或请求资源——才算有初步自主。

🤖 大模型的镜像困境：会说，却不知自己说了什么

论文对LLM的批判尤其尖锐。虽然它们用自监督下一token预测训练，但实际是在模仿人类生成数据里的模式。它们学的是“人类会怎么说”，而不是“这么说对不对”或“这么说行不行”。

结果就是：LLM没有内在机制评估自己的输出。它不知道自己答得准不准、合适不合适。除非外部有人用RLHF或标签告诉它。这和生成认知正好背道：无自我评估、标准全外部、无持续互动、去具身。

说白了，大模型是天生的“他律”系统。它像个复读机加预测器，背得再熟，也没自己的“感觉”。真遇到新情境或需要判断的事，它只能靠概率猜，而不知道自己猜得有没有把握。这不是小问题。如果我们想AI能真正适应、能判断、能在没人盯着时做对的事，就不能靠“模仿+外部打分”过日子。

🌉 强化学习：最接近的那一步，却还差临门一脚

萨顿是RL的奠基人之一，他对自家孩子的态度耐人寻味：肯定方向正确，但指出还缺了生成认知的关键块。RL强调行动、代理-环境交互、反馈适应、以代理为中心评估。这些和生成认知有结构共鸣。

但缺的也明显。评估标准还是外部奖励函数，不是代理自身组织产生的规范；感知和行动还没完全绑死；具身性常被当实现细节，而不是感知的构成条件。

RL现状与生成认知理想的差距

差距摆在这。RL已经比监督学习强太多，但要到生成式智能，还得再往前。

🦾 具身性的秘密：身体不是工具，而是感知的土壤

生成感知从根本上是具身的：身体的形状、结构和能力影响感知方式。感觉运动偶联不是抽象映射，而是扎根于身体的具体能力——能做什么动作、如何探索、感官系统如何组织。Gibson的“可供性”概念最能说明：环境中的特征是“可抓握的”“可攀爬的”“可穿越的”——仅相对于代理的身体能力。没有能做这些动作的身体，这些区分就不存在。

主流AI即使多模态，也常在“去具身”方式下处理感知：学习从输入到内部表示的映射，不依赖感觉运动参与或身体结构。感知被还原为静态数据集上的模式识别。具身RL和机器人学常把身体视为外部约束而非认知的构成原则。模块化架构分离感知、规划、控制，身体只是执行预计算策略的接口。软体机器人和形态计算研究表明，身体结构可以发挥主动计算作用，但这些方法在主流AI中仍处边缘。

想想章鱼。它的触手能独立思考，因为神经系统分布在身体各处。“智能”一部分在身体里，不是全在头里。如果我们给AI一个软体机器人身躯，让它通过触手变形来“感知”物体形状，而不是只靠摄像头像素，那感知就会不一样。当前很多系统还是把身体当外挂，策略算好了再发指令。身体的形态计算潜力被浪费了。

💥 这不是哲学讨论，而是工程死结

萨顿不是在玩概念。他在说：如果我们还想有真正能懂、能适应、能判断的AI，就得从基础架构上 rethink。当前瓶颈不是规模，是范式。模型再大，数据再多，推理再强，也填不满“被动表征”这个坑。因为它缺了经验的活度、感知行动的缠绕、自主的内生规范、身体的构成作用。

生成认知指的方向很清楚：持续在线学习，不是训完就部署，而是边用边更新；闭环感知-行动，感知不是输入层，而是和行动一起构成的过程；自我维持的规范，评估标准从代理自身组织长出；具身智能，身体不是可选项，是智能得以成立的条件。这些不是小修小补，是要让AI从“看世界的人”变成“活在世界里的人”。

🔬 概念的种子，还需工程的土壤

论文自己也承认，这是个概念性工作，关键是把这些想法变得精确、可测试。开放问题包括：什么构成更高程度的“行动-感知不可分”？什么基准能测试技能性参与而非模式复制？对人工代理，“自我维持”意味着什么——电池状态？硬件完整性？习得能力？在AI中什么算“具身”——机器人身体？还是带工具/API的软件代理？

这些问题不解决，生成认知就只能停在论文里。但它们也正是未来研究的金矿。把自创生、规范性、感觉运动偶联这些概念操作化，AI才可能真正“活”起来。

🌟 结语：智能，在互动中生成自己

读完这篇论文，我最深的感受是：萨顿在用他毕生的RL工作，对自己说“还不够”。这需要勇气。真正的智能，不是预测下一个token的本事，不是最大化外部奖励的能力，而是——在持续与世界的互动中，生成自己的经验、维持自己的组织、理解什么对自己重要，并据此行动的能力。

这不是调架构的事。这是重新定义AI是什么的事。我们这些做AI的人，是时候认真听听这个声音了。世界不是等着我们编码的画布，它是和我们一起跳舞的伙伴。智能，就在共舞里生成。

参考文献

1. Sutton, R. S., & Rafiee, B. (2026). Toward Enactive Artificial Intelligence. arXiv:2605.24238.

2. 36氪. 强化学习之父萨顿新论文：我们对AI的理解从根本上错了. https://eu.36kr.com/en/p/3835601406997641

3. 微链. 相关深度报道. https://www.welian.com/news

4. Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence, 47(1-3), 139-159.（论文引用的早期探索）

5. Gibson, J. J. (1979). The Ecological Approach to Visual Perception. Houghton Mifflin.（具身与可供性概念的经典来源）