机器人换副身体就忘了暗号：墨西哥团队实验揭示沟通协议离不开老环境

有个实验，听着像小孩子玩的游戏，背后却压着一个挺扎心的问题。

两只机器人在虚拟世界里觅食，彼此会发信号。信号不是人设计的，是它们自己试错无数次"进化"出来的沟通套路。听着是挺神奇：没人教，机器自己就学会了配合。但研究者把这身本事原封不动搬进更真实、更复杂的三维物理世界，会怎样？

结果有点出人意料：一只还能摸索着找到食物，另一只试了三十次，一次都没成。

论文作者是墨西哥韦拉克鲁斯大学人工智能研究所的费尔南多·蒙特斯-冈萨雷斯。他做的这个实验，表面看是调技术细节，往深里说，戳的是所有搞人工智能的人都躲不开的问题：机器学会的东西，究竟是真学会了，还是刚好适应了那个特定环境？

**核心问题：进化出来的沟通协议，离得开它诞生的环境吗**

先交代一下实验背景。

机器人研究里有个分支，专门琢磨怎么让多台机器人自己进化出协作行为——规则不由人写死，让它们像生物进化那样，在一代代试错中摸出有效策略。论文里这两只机器人就是这么训练出来的，各自带着一个叫GRU的神经网络大脑。

GRU 网络：这类神经网络结构具备“记住此前发生的事”的能力，面对按时间先后排列的信息很合适，例如机器人在行进途中持续收到的传感器读数。

它们的任务不复杂：在有障碍物的平面场地里找到食物，过程中可以互发"社交信号"来协调。长时间进化训练之后，它们确实学会了配合，彼此之间形成了一套管用的"暗号"。

可这套暗号，是在二维的、物理简化的模拟环境里练出来的。好比一个人在体育馆的篮球场里练了几年脚步，突然被丢到下雨天的泥地球场，那些精准的急停变向还使得出来吗？

研究者想搞清楚的正是这件事：把这两只机器人的"大脑"原封不动搬进三维的、有摩擦力、有碰撞物理效果的更真实模拟环境（用的是PyBullet物理引擎），不重新训练任何参数，它们还能不能找到食物、还能不能听懂对方的信号？

PyBullet：这是一款开源物理仿真引擎，重力、摩擦、碰撞这些现实世界的物理规则都能模拟，机器人研究里常拿它搭接近真实的测试环境。

这个问题之所以要紧，是因为人工智能领域长期默认一个前提：算法只要学会了某种能力，这能力就该是可迁移的，换个场景顶多打个折扣。可这篇论文给出的实验数据，狠狠打了这个假设一拳。

**三处"补丁"：为了让机器人在新世界里不摔跟头**

研究者没指望直接搬过去就能用，心里有数，做了三处调整。

头一处改的是转弯动作。过去那个二维世界里，机器人转弯只是原地打转，不往前走。刚换到三维环境时，转弯反倒带上了“往前冲”的惯性，机器人本想避开障碍物，却总贴着墙蹭过去，怎么都躲不掉。这有点像在干燥路面上练熟的急刹车，到了湿滑路面忽然发现车停不住、还往前打滑，躲避动作全走了样。研究者于是把转弯时残留的那股前进力道调弱，让它更接近原先“原地转”的样子。

第二处，是修正社交信号传入前方传感器时的过滤方式。这个比较技术性，简单说，信号进入机器人"感知系统"的那个接口需要重新校准。

第三处补丁最有意思，也是这篇论文真正的亮点。

**一个藏在神经网络权重里的"恐惧 vs 饥饿"失衡**

检查其中一只机器人（论文里叫Agent B）的神经网络参数时，研究者发现了一个很微妙的东西。

这只机器人的大脑里有一条叫"残差连接"的捷径，把传感器输入和最终的行动决策直接挂上了钩。

残差连接：这是神经网络中的一种设计，输入信息能绕开中间那些复杂的计算层，直接作用到最终输出上，通常用来保住原始信息，免得它在层层传递中被丢掉。

研究者还测算了这条捷径中，“靠近障碍物”这一信号（不妨理解成一种“害怕”）与“接近食物”这一信号（可以看作“饥饿”的驱动力）各自的权重占比。结果显示，Agent B 身上“害怕”的权重差不多是“饥饿”的 1.78 倍。也就是说，这只机器人天生更怕撞上东西，胆子比另一只小不少。

在原来平面简单的二维世界里，胆小问题不大，障碍物稀疏，碰撞代价也不高。可一旦搬进三维世界，摩擦力、惯性、碰撞反弹这些更复杂的物理效应叠在一起，这种"过度恐惧"的倾向就被放大了，机器人更容易卡在原地犹豫不前，找食物的效率大打折扣。

这就像一个平时开车就偏谨慎的人，在自家小区里绕两圈没什么问题。可一旦上了车流更密、路况更复杂的高速，那份“谨慎”就可能变成频繁犹豫、不敢变道，反倒更危险。性格没变，是环境的复杂度把原本不起眼的小毛病放大成了要命的短板。

针对这个现象，研究者动手调整了一处：把“饥饿感”信号的衰减速度重新校准，让它在陌生环境里的数值区间跟当初训练时对得上，想靠这个办法压住那种天生的“害怕”倾向。

**结果：修来修去，还是有一只机器人怎么都到不了终点**

三处修正做完，研究者换了三十个不同的随机初始位置反复测试这两只机器人。这些位置在术语里叫“种子”（seed），是一种用来控制随机过程初始状态的数值；相同的种子能复现出完全一样的随机结果，方便在不同实验条件之间做公平对比。

结果是这样的：Agent A在三十次测试里，有一次真正摸到了食物源。Agent B呢？三十次，一次都没到。

研究者还算了一个叫magnet_max的指标，衡量的是机器人在整段过程里离食物最近到了什么程度，数值越接近1就表示越靠近食物。Agent A的平均值是0.820，Agent B只有0.583，差了快四分之一。

更能说明问题的是另外两个指标，saw_flip_rate和saw_cycle_rate，测的是机器人有没有来回晃悠、靠近又后退、后退又靠近，像拉锯一样在原地打转。Agent A这类“犹豫不决”的频率是0.041，Agent B是0.093，高出一倍还多，而且波动特别大。

也就是说，Agent B并非完全辨不出方向，它的问题是老在靠近食物和远离食物之间反复横跳，像一个人站在十字路口来回试探，始终下不了决心往哪边走。

**追加实验：给信号加上“指南针”，够不够？**

到这一步研究者还没死心，又补做了一个实验。他们怀疑，会不会是社交信号本身带的信息量不够？原来的信号只是一个简单的“我在这里”的提示，并没有告诉对方具体方向。于是他们改了一处：当一只机器人发出社交信号、而接收方正处在“饥饿值较低”的状态时，系统会把原本代表“食物方向”的输入，换成“发信号的同伴所在方向”，等于直接往机器人手里塞了个指南针，明明白白告诉它该往哪边走。

这个改动只落在信号翻译层，机器人大脑本身的参数一点没动。

三十个测试种子跑下来，有11个的表现跟原来不一样，其中7个是实打实变好了，涨幅最低0.036，最高0.322。可就算挑出进步最大的那一个，Agent B还是没摸到食物源，三十次尝试，成功数依旧是0。

这个结果挺耐人寻味。

**它说明一件事：光把信息喂给机器人是不够的，机器人得有能力消化和运用这些信息**

研究者由此提出了一个假说，叫“隐式空间编码”假说。所谓隐式空间编码，指的是一套进化出来的沟通协议，它真正起作用的信息可能并不完全藏在信号本身里，而是和信号诞生时所处的具体物理环境紧紧绑在一起；脱离了那个环境，信号即便内容完整，接收方也未必能正确使用它。

不妨这样想：你和一位老友有一套外人听不懂的暗语。这套话说得通，不光靠词本身，还靠你们一起经历过的某个场合，是那个场合让这些词有了分量。你把这套暗语一字不改地写下来，寄给一个从没经历过那个场合的人，他就算把字面意思读明白了，也未必能像你朋友那样马上反应过来、做出对的举动。要是换个思路，直接认定“信号到了，意思也就到了”，那这个追加实验根本不会跑出这样的结果——信息明明变多了，行为却没见起色，说明毛病不出在信号身上，而在于接收的一方能不能在新环境里把信号真正用起来。

换句话说，研究者一开始的猜测得到了验证：核心问题不是信号丢了信息，而是机器人在新的物理动态下没有能力有效利用这些信息去导航。

**这件事让人想起具身认知的老话题**

论文引用了布鲁克斯和普费弗这两位研究具身机器人的学者。两人的核心主张是：智能并非脱离肉身的抽象运算，它牢牢扎在身体与环境的往来之中。具身认知讲的也是这回事——感知、决策、学习这类认知能力，不是独立于身体之外的纯计算，它们和身体的物理构造、所处的环境缠在一起，身体换了、环境换了，认知能力恐怕就不是原先那副样子了。

这篇论文的实验，恰好给上述理论添了一份相当具体的佐证。那套沟通协议并非凭空“学会”，它是在那个特定的二维身体、特定的二维物理规则里长出来的；一旦换了身体、换了物理规则，协议的“骨架”还在，“灵魂”却掉了一截。

这类隐忧并不只出现在机器人身上，不少人工智能系统同样存在。

论文还梳理了几个相近方向的研究。

Mordatch和Abbeel在2018年的工作就证明过，多个智能体能在训练环境里自行进化出一套"组合式语言"，可这套语言的含义跟训练环境绑得很死。Lazaridou和Baroni在综述文章里也提到，进化出来的沟通协议普遍有这种"水土不服"的毛病，一离开训练环境就失灵。

机器人领域还有个经典难题叫"现实差距"（reality gap），跟这属于同一类问题：控制策略在模拟器里练得再好，搬到真实机器人身上往往表现大打折扣。原因在于模拟器总要做简化和近似，跟真实世界之间留着细微却致命的偏差。

这篇论文的不同之处在于，它盯的不是"模拟器到真实世界"那道经典鸿沟，而是"二维模拟器到三维模拟器"这个更窄、却同样真实存在的中间地带。此前很少有人专门研究这个地带。

往后怎么办：两条可能的路

作者给出了两个未来可能的方向。

第一个是只重新训练接收信号的那只机器人，发信号的那只保持不动，做一次局部"微进化"，而不是把整套协议推倒重来。打个比方，两个人原本配合默契，其中一人换了工作环境，与其让两个人都重新磨合，不如只让适应能力较弱的那位针对新环境单独练一练，效率会高不少。

第二个方向更有想象力，叫"世界模型"。

所谓世界模型，是让智能体先在一个简化的、内部模拟出来的环境里"想象"和练习，再到真实环境里执行，目的是压低真实环境里试错的成本。

这个思路跟2018年Ha和Schmidhuber提出的"World Models"框架、2019年Hafner等人提出的"潜在想象"（Dream to Control）方法一脉相承。基本逻辑是：GRU网络在二维训练时应该已经学到了某种对环境的内部理解，那能不能把这份理解"翻译"适配到三维环境里，让机器人先在一个压缩版的虚拟环境里练协调，再去应对真实的物理引擎？这样既省算力，迁移也可能更顺畅。

这项研究自己也承认的局限

作者挺坦诚地列出了几条限制。

三十个测试种子比初步测试覆盖面更广，但还谈不上全面的统计学验证。追加实验里也没有详细记录每次社交信号究竟在什么时间点被触发，分析更多落在最终结果上。另外，这次研究没有跟原始二维环境里的表现做直接对比，因为对应的二维评估论文还在审稿中。更重要的是，这些结论只来自一对进化出来的控制器、一个特定的觅食任务，残差权重里那种"害怕大于饥饿"的失衡现象能否推广到其他机器人对子身上，目前还不清楚。

Q&A

Q1：这篇论文研究的核心问题是什么？

A：研究的是两只机器人在二维模拟环境中进化出的沟通协议，直接搬到三维物理模拟环境后还能不能正常协作找到食物。结果显示迁移既不完整也不对称，一只机器人能偶尔成功，另一只三十次测试全部失败。

Q2：为什么其中一只机器人（Agent B）在新环境里表现更差？

在Agent B的神经网络中，残差连接上有两组权重：一组对应“害怕碰撞”，另一组对应“饥饿驱动”，前者是后者的1.78倍。二维环境简单，这种失衡还不太显眼；一旦进入摩擦力与碰撞都更复杂的三维环境，问题就被放大，它于是常常迟迟不敢往前走。

Q3：给信号加上明确的方向信息后，问题解决了吗？

A：没有完全解决。研究者做了"方向修正"实验，让社交信号带上明确的方向提示，结果三十个测试中有11个出现变化，7个有提升，但Agent B依然没能成功到达食物源。这说明问题不只是信号信息量不够，更是机器人在新物理环境下的导航能力受限。