莫拉维克悖论（Moravec's Paradox）

莫拉维克悖论说的是一个反直觉的现象：人类认为困难的任务，比如下棋、证明定理、做复杂计算，对机器来说相对容易；而人类觉得理所当然的技能，比如走路、抓握、辨认面孔、在杂乱房间里找到东西，对机器反而极其困难。它描述的是「难易排序与人类直觉不一致」，而不是断言机器做不到某类事情。

为什么会出现这种倒置

• 符号任务可形式化：推理与计算能被写成明确的规则，搜索空间虽大但有清晰的目标与判定方式。
• 感知运动任务隐含约束多：要在连续的高维空间里实时满足大量物理约束，规则难以穷举。
• 进化把难度藏了起来：人类这些能力经过长期演化已内化为本能，主观上感觉不到复杂度。
• 误差不可事后回滚：物理动作一旦执行就难以撤销，控制回路必须在极短的周期内闭环收敛，而符号任务可以反复试错、事后修正。

对 AI 发展的启示

它解释了为什么语言与推理能力的进展看起来快于机器人操作能力：前者只要求输出合理的符号序列，后者要求与物理世界实时闭环。具身智能的瓶颈更多在感知与控制的可靠性、样本效率、硬件成本与安全约束，而不是单纯缺少更大的模型。数据也难获取，机器人在真实世界里试错的成本远高于模型读文本，仿真到现实的差距又进一步放大了这个问题。

常见误读

• 不是断言机器永远做不到：它描述的是难易分布与人类直觉不一致，而非能力上限。
• 不是按任务贵贱排序：体力与感知任务并不比推理任务低级，只是难点类型不同。
• 不适用于所有机器人任务：结构化流水线上的固定动作早已高度自动化，难点在开放环境。
• 边界会随技术变化：部分曾被视作困难的感知任务已有明显改善，悖论的具体分界并非固定。
• 不是对进展速度的判断：它只说明不同能力的相对难度，不预测哪一类会先被解决。

怎么用这个视角

评估 AI 能力时不要用人类的难度直觉做标尺，而要按任务的可形式化程度、容错要求与数据可得性来判断。做产品规划时也要注意，演示视频里流畅的抓取动作，背后往往依赖受控环境与大量调参，离通用可靠还有距离；反过来，看起来平平无奇的文字任务可能已经可以直接替代人工流程。更稳的判断方式是给任务打分：是否需要与物理世界实时闭环、单次错误能否回滚、训练数据能否低成本批量获取，三项都指向困难时，就按具身任务的节奏估工期，而不是照搬语言模型的进展速度。