◇◇新语丝(www.xys.org)(xinyusi.org)(groups.google.com/group/xinyusi)◇◇ 　　没有多巴胺的具身智能，看起来像帕金森 　　作者：胡霁 　　具身智能最近很火，人形机器人的演示视频满天飞，翻跟头的、叠衣服的、 端盘子的，甚至还召开了运动会。不仅本体越来越 fancy，世界模型、VLA 等大 脑模型也交相辉映。但最近朋友们聚在一起讨论，总听见我在泼冷水。讨论总有 局限，无法展开，想想还是写一篇小文来阐述一下。 　　先交代一下我的背景。我是做脑科学研究的，善于观察模式动物异常的情绪 和行为，很多时候根据表型就能猜到是哪个神经环路节点有问题。另外我还有很 多医生朋友：麻醉医生朋友，他们每天的工作是把别人的大脑关掉，再看着它醒 过来，他们善于观察麻醉手术人群中有部分发生各种神经精神异常：苏醒期躁动， 术后谵妄；神经内科的医生朋友，看着人的部分运动异常，摸摸肌张力，经常就 能判断是不是可能有运动障碍，甚至帕金森。干我们这些行当久了有个职业病： 看什么系统都忍不住拿神经系统当标尺去量一量。 　　我看那些机器人演示视频的时候，这个职业病就犯了。我的判断不太乐观— —不是情绪上的不乐观，是诊断意义上的不乐观。我很熟悉一个系统“少了点什 么”的时候是什么样子了。说得更直白一点：我看这些机器人，越看越像一个帕 金森病人。不是不能动——电机是好的，模型是大的——而是启动困难，每个动 作都要等指令推一把；动作僵硬，不流畅，姿势不稳，随时冻结，场景稍一偏离 训练分布就卡住。帕金森病人走到门口会冻结，机器人走到没见过的厨房会冻结。 病理机制不同，表型惊人地相似。工程上这叫演示视频，医学上这叫运动障碍。 　　要说明白它们少了什么，得先说说运动神经系统——这套系统有多浩大、多 精巧，脑科学之外的人平时几乎无从了解。我经常跟学生们说：大脑里最庞大的 系统就是运动系统。可以说，为了精准可控的运动，大脑和神经系统付出了最为 高昂的成本，这个成本也许还超越了我们产生感觉和智慧的成本。 　　你想伸手拿一杯水。这个动作的意图产生于大脑皮层：初级运动皮层负责把 命令编码成肌肉活动的模式，辅助运动区管动作序列的内部组织，比如弹钢琴这 种心里排练出来的动作，前运动皮层负责根据外界线索做准备——看到红灯脚往 刹车上挪，就是它在干活。但这里有个关键细节：皮层不是靠单个神经元发号施 令的。你想拿水，不是某一个“拿水神经元”在放电，而是一大群神经元同时活 动，每个神经元只投一票，票数分布的方向决定手臂往哪走、用多大力、以什么 速度。这就是群体编码——分布式、冗余、可容错，天生抗噪声、抗损伤、抗漂 移。皮层正是用这种“集体投票”的方式，把意图编码成一个稳定而灵活的运动 指令。 　　但皮层说了不算。皮层发出“我要动”的请求之后，要经过基底神经节审批。 基底神经节是大脑里的动作选择委员会，有两条著名的通路，直接通路相当于 Go，放行动作，间接通路相当于 NoGo，否决动作。关键在于，基底神经节的输 出核团平时是持续兴奋的，像一只手死死踩着下游的刹车。所谓启动一个动作， 在神经层面不是踩油门，而是松刹车——直接通路暂时抑制掉输出核团，丘脑和 脑干的运动相关核团同时被解除抑制，动作才发生。而基底神经节要选的，正是 皮层那套群体编码所表征的动作选项——它不是在选某一个神经元，而是在一组 相互竞争的动作表征中，把该放行的放行，把该否决的压住。 　　再往下是脑干。脑干负责那些你不觉得需要思考、但其实一直在算的事：前 庭脊髓束根据内耳平衡信号实时调整躯干四肢的伸肌张力，让你不摔倒；网状脊 髓束管姿势的粗大调节。更有意思的是中脑运动区——刺激强度不同，动物从站 立变成慢走，强度加大变成快走，再加大变成奔跑。上位中枢只给一个分级信号， 下面自动切换步态。这是分级驱动，不是逐关节控制。 　　最底层是脊髓。很多人以为脊髓就是一根电缆，这是巨大的误解。脊髓腰段 里有中枢模式发生器（CPG）：一组能自动产生节律的神经元网络。你决定“走” 之后，腿的屈伸交替、左右交替，全部由脊髓里的中间神经元自动完成，不需要 大脑逐拍指挥。去大脑的猫在跑步机上能走出相当正常的步态，靠的就是它。脊 髓里还有牵张反射：肌肉被意外拉长，信号在脊髓内一个突触就触发收缩修正， 毫秒级完成——这是全身最快的反馈系统，因为它根本不请示大脑。运动神经元 的募集还遵循大小原则：小的先上，精细省电；大的后上，只在需要大力时加入。 这是神经系统内置的能源管理。 　　单独说一下小脑。基底神经节负责“选哪个动作”，小脑负责“这个动作做 得好不好”——它管的是协调、时序和误差校正。临床上的对比很清楚：基底神 经节坏了，是启动困难、动作选不出来；小脑坏了，是动作能做出来但做不流畅， 目标是拿到了，路径却歪歪扭扭，或者多个关节配合得七零八落。 　　从以上的描述中可以提炼出五条设计原则，我对具身智能的怀疑，或者说批 评，全靠它们当标尺。 　　第一，抑制是默认状态，神经系统是靠解除抑制来运动的。默认状态下刹车 是踩着的，肌肉被抑制性调控精细平衡着。这个设计有个极其重要的副产品：失 控等于松弛，松弛等于对周围是天然安全的。人晕倒的时候是软下去，不是抽搐 着砸东西。 　　第二，决策压缩，皮层说“走”，脊髓自动走。高层意图和底层执行之间是 极度压缩的接口，大脑不需要知道哪块肌肉第几毫秒收缩。节律、反射、募集， 全是下放的自治权。所以你能一边走路一边聊天一边看手机——不建议，但你确 实做得到，因为走路几乎不占用高层算力。 　　第三，群体编码。皮层靠一大群神经元集体投票来编码运动指令，单个神经 元今天多放一点、明天少放一点，甚至死掉几个，群体向量几乎不变。好处是分 布式、冗余、可容错，天生抗噪声、抗损伤、抗漂移。而端到端具身智能输出的 是确定性数值，没有这层保险，一个环节出错就是全身出错。 　　第四，小脑式的预测性协调。小脑含有整个大脑80%的神经元，干的却是一 件看似简单的事：让动作变流畅。它提前预测身体自身的惯性、摩擦和重力会带 来什么干扰，并在运动发生之前就把补偿算进去。好处是：动作不是一关节一关 节拼出来的，而是多个关节在时间上被捏合成一个整体，又快又顺。 　　第五，多巴胺的润滑剂效应。学习信号和动机共用一种神经调质，多巴胺。 多巴胺至少干两件事。一是学习：中脑多巴胺神经元编码奖赏预测误差，结果比 预期好就脉冲，比预期差就暂停——这正是强化学习里的 TD 误差，整个领域最 重要的学习信号，大脑几亿年前就实现了。二是动机：纹状体里的多巴胺水平决 定动作的启动门槛，多巴胺高，系统就想动、动得快、动得有活力；多巴胺低， 就懒得动。帕金森病就是这套系统失去了多巴胺——黑质的多巴胺神经元死了， 纹状体断供。病人的表现不是瘫痪，肌肉是好的，皮层是想动的，但就是：启动 困难，动作像隔着一层糖浆；肌僵直，屈肌伸肌同时较劲；姿势不稳，一碰就晃； 还有最让人印象深刻的冻结步态——走到门口、转角，整个人突然卡住，像被无 形的刹车锁死，几秒之后才解冻。左旋多巴能缓解，治不了本。 　　这里需要特别留意一点：帕金森最广为人知的标签是震颤，但震颤并不是它 的核心表型。真正定义这个病的，是那种顿挫感、启动困难、动作不连贯。这种 “运动分解”和“运动迟缓”，才是帕金森运动障碍的底色。 　　我们拿这些原则对照一个病人：这个病人就是当前的端到端具身智能。主流 路线大致是：视觉和语言指令进一个大模型，模型直接输出全身关节的目标位置、 速度、力矩，高频循环执行。演示很好看，但对照上面五条标尺，病灶是一个连 着一个。 　　没有抑制优先的安全架构。机器人的默认状态是刚性保持，关节靠持续供电 的电机顶着，安全靠外挂的软件看门狗。于是有两个必然推论：断电的机器人不 会松弛，它会像一堵墙一样砸下来，这对身边的人是物理危险；正常运行时它一 直在用力站着，能量白白耗散在对抗重力上。神经系统用几亿年学会了失败时优 雅地瘫软，我们造出来的系统失败时既不优雅也不瘫软。安全不是一个外挂模块， 安全应该是动力学本身的默认属性。 　　没有决策压缩——具体说，没有脊髓和中枢模式发生器。每个关节每一拍的 高频指令都要过一次大模型，相当于一个人走路时每一步的屈膝角度都要大脑皮 层重新推理一遍。后果全写在工程参数里：大模型推理一次几十到几百毫秒，控 制频率被锁死在低位；本体上得背一台小型数据中心；一次推理延迟抖动就是一 次步态相位错乱。神经系统花几亿年演化出脊髓，不是因为它低级，而是因为节 律运动这种早已解决的问题根本不配占用高层算力。把脊髓砍掉、让大脑直连肌 肉，这是架构上的返祖。走路这件最该自动化的事，还在消耗大脑的资源。我看 人形机器人演示最心疼的就是这个：它迈出的每一步，都是那个大模型一步一步 “想”出来的。步行是脊椎动物最古老、最成熟的运动程序，连蝾螈走路都不动 脑。而我们的工程师让地球上最贵的推理引擎去做蝾螈脊髓做的事，然后回过头 来为端侧算力不足发愁。算力不足？是你把脊髓的活儿硬塞给了皮层。 　　没有群体编码。大模型输出的是确定性数值，没有群体投票，没有冗余表决。 皮层的群体编码让运动系统天生抗噪声、抗损伤、抗漂移，而端到端具身智能把 这层保险整个拆掉了。帕金森病人的顿挫，一部分是群体投票被基底神经节切碎； 机器人的顿挫，是根本没有群体投票可切。 　　没有小脑式的协调。大模型能算出目标位置，却算不出身体在运动过程中会 产生什么附带运动。它没有一个小脑式的模块去预测惯性、摩擦、重力带来的干 扰，并在运动发生之前就把补偿算进去。于是机器人伸手，手确实伸出去了，但 轨迹是折线，多个关节互相打架，跟小脑损伤病人的“运动分解”如出一辙。 　　最后，也是最精巧的一层：没有多巴胺。多巴胺在这套系统里是润滑油，它 同时是学习信号和动机本身。一个有多巴胺的动物会主动想动：它起身探索不是 因为收到指令，而是内在动机把它推过了启动门槛；它会权衡这个动作的收益值 不值这份力气；它动起来有活力，动作的幅度、速度、节律里都带着多巴胺水平 的签名。现在的具身智能没有这套东西。训练时的奖励信号在部署时是关闭的； 它不会想动，只会在收到指令后执行；它不会判断值不值得动——你让它把杯子 拿起来再放下重复一百次，它不会烦，不会疑惑，也不会在某一刻决定这事没意 义不干了。听起来像优点，其实恰恰说明它缺少一个把世界状态映射成内在驱力 的系统。它动得没有活力，因为没有任何东西在告诉它：动起来是好的。 　　有人会说，那就堆规模嘛，scaling law会解决一切。这话对语言大模型成 立，对运动不成立。语言大模型这几年的成功，本质上吃的是 scaling law 的 红利：参数上去、数据上去、算力上去，能力就跟着可预测地往上走。但运动不 会。为什么不会？因为语言大模型之所以能 scaling，前提是它已经找到了那个 正确的计算原理——分层特征提取、权重共享、局部感受野、注意力机制——这 些东西让规模每增加一分，能力就能兑现一分。 　　目前也有人赌 scaling law在具身智能上也能成功，但具身智能今天缺的， 恰恰是那个奇点。它还没有找到属于自己的“分层特征提取”时刻——抑制优先 的默认架构、中枢模式发生器式的决策压缩、群体编码式的分布式冗余、小脑式 的预测性协调、多巴胺式的学习和动机统一货币，这些东西还没有被翻译成工程 语言。在没有这个奇点之前，堆参数、堆数据、堆算力，只会堆出一个更贵的帕 金森患者：推理更慢，功耗更高，冻结更频繁。scaling law 只有在架构对齐了 某种生物计算启发的本质原理之后（我愿意成为这个事件的“奇点”），才会真 正开始发力；在那之前，它放大的是错误，不是能力。 　　具身智能今天也许正处在一个前夜。缺的不是数据，遥操作和仿真数据在以 月为单位翻倍；缺的更不是算力；缺的是那个可提取的计算原理级别的认识—— 抑制优先的默认架构、中枢模式发生器式的决策压缩、群体编码式的分布式冗余、 小脑式的预测性协调、多巴胺式的学习和动机统一货币。这些东西在神经科学教 科书里躺着，等着被翻译成工程语言，像当年的分层特征一样。当然，这不是说 要完全仿生。但运动神经系统如此浩大、如此精巧，本身就说明了一件事：进化 为了精准控制运动，付出了远超感觉和智慧的成本，那里面一定有某种精巧之处 值得借鉴。指望靠暴力端到端直接破局，恐怕是低估了这套系统几亿年演化出来 的深度。 　　写得这里，很遗憾我还得泼第二盆冷水，这盆更冷。当年做 AI 的那批人， 至少还和神经科学有对话。Hinton 本科读的是实验心理学，对“大脑如何工作” 的追问驱动了他整个职业生涯，后来还参与创建了 UCL 的计算神经科学中心； Hassabis 干脆拿了认知神经科学博士，研究方向就是记忆与想象。Bengio 和 LeCun 未必有系统的神经科学训练，但他们所处的学术环境——MIT 的脑与认知 科学系、多伦多的神经计算传统、Bell Labs 那种跨学科氛围——让神经科学和 AI 之间的对话是常态而非例外。论文参考文献里出现神经科学文献，在当时是 正常操作。而今天做具身智能的工程师，也许大多不读神经科学，至少对运动神 经系统的了解是不深入的。神经科学家这边也不碰机器人，觉得那是工程界的杂 耍。两个学科的隔阂比外人想象的深。当年 AI 的借鉴能发生，是因为那时两个 圈子之间还有人在互相思考、互相借鉴；今天这条路上人少得可怜。这是我真正 担心的瓶颈，不是技术，是人。 　　所以我的判断是悲观的。我把这份悲观写得具体一点：在有人从运动神经系 统的启发中，找到具身智能的那个“奇点”并将其真正工程化之前，具身智能不 会有本质突破。那个奇点到底是什么，我其实也不知道。也许是抑制优先、决策 压缩、群体编码、小脑协调、多巴胺式动机中的某一种、几种或多种的组合；也 许全部都要。但有一点我比较确定：在奇点到来之前，不是只靠做一个漂亮的叠 被子算法就算数——端到端的具身智能会长期陷入演示好但落地困难的状态。演 示会越来越炫，融资会越来越热，但轻轻一推就倒、断电就砸、走两步就耗尽电 池、换个场景就冻结的底层表现不会消失，因为病因不在数据里，在底层结构中。 　　在奇点到来之前，具身智能甚至还没找到自己的左旋多巴——连缓解都谈不 上。 (XYS20261020) ◇◇新语丝(www.xys.org)(xinyusi.org)(groups.google.com/group/xinyusi)◇◇