图灵奖得主Sutton最新研究：AI未来将迈向生成认知新阶段

人工智能技术正以前所未有的速度发展，从处理超长文本的LLM到逼真的视频生成模型，从自主决策的Agent到探索物理世界的VLA和世界模型，AI的能力边界正在持续扩展。

随着模型迭代周期不断缩短，行业讨论热度持续攀升，我们似乎正快速接近AGI时代。然而一个根本性问题仍需解答：这些运行在服务器中的AI，是否真正"理解"了我们所处的世界？它们展现的智能与生物在真实环境中的认知本质是否相同？

近期，学者Banafsheh Rafiee与强化学习先驱Richard S. Sutton合作发表论文，系统反思了当前主流AI（包括大语言模型、纯视觉模型及传统符号系统）依赖的"被动表征"路线，并将认知科学中的"生成认知"框架引入AI研究领域。

该研究提出感知、认知和行动是相互建构的有机整体，探讨了AI如何从依赖静态数据的被动系统，发展为通过环境互动、具身行动和自我评估获取经验的智能体。

论文标题：Toward Enactive Artificial Intelligence
论文地址：https://arxiv.org/abs/2605.24238v1

世界本身就是它最好的模型

当前主流AI发展仍延续着"表征主义"的传统观念。无论是早期符号系统还是现代深度学习模型，都将感知视为"输入-处理-输出"的线性过程：系统接收外部信号，转化为内部表征，基于表征推理决策，最后输出动作。

这种范式将智能系统视为中央处理器，其核心任务是构建精确的"世界副本"。但Rafiee和Sutton指出，真实世界是开放、动态且无限复杂的，任何有限模型都无法完整捕捉其全部状态。世界不是等待编码的静态特征集合，而是随智能体行动、上下文和互动历史不断演化的可能性空间。

论文引用了机器人学家Rodney Brooks的名言："世界本身就是它最好的模型。"这意味着最可靠、最新鲜、最丰富的信息始终存在于外部世界。智能体不应试图用内部表征完全替代现实，而应保持与环境的持续互动，在实时反馈中调整行动、校准预期并形成理解。

AI不只是"看见世界"，还要"在行动中理解世界"

"生成认知"源自认知科学的生成主义理论，其核心观点认为：认知不是对客观世界的事先复制，而是在具身主体与环境互动中动态生成的。这一理论融合了现象学、格式塔心理学和生态心理学的思想。

现象学强调感知是主体直接与世界相遇的体验；生态心理学提出"示能"概念，认为物体属性（如"可抓握""可攀爬"）取决于其与具体身体能力的关系。这意味着世界不是以抽象特征被动呈现，而是在智能体可能采取的行动中获得意义。

Rafiee和Sutton提炼出生成认知的四个关键支柱：经验、感知与行动的不可分割性、自主性和具身性。这些要素共同指向一个结论：智能不是静态表征，而是在环境中行动、反馈和自我维持的过程。

经验

在生成认知框架中，经验不等于数据。真正的经验来自智能体与环境持续、实时的双向互动。智能体通过行动、反馈、失败和修正不断获取技能，而非被动接收已有数据。

这揭示了当前机器学习的局限：监督学习依赖人工标注数据，模型学习的只是经验痕迹而非亲历经验。相比之下，强化学习更接近生成认知要求——智能体通过主动探索、接收反馈和策略调整，在互动中持续生成新数据与能力。

真正自主的系统不能永远依赖静态数据集，而必须通过自身经验不断扩展能力边界。

感知与行动的不可分割性

生成认知反对将感知与行动割裂为独立模块。感知不是行动前的准备环节，其本身就是一种行动能力。

人类通过眼球、头部、身体和手部运动不断改变输入，从而判断空间、声音、纹理和物体形态。感知不是被动接收信息，而是通过有目的的行动揭示环境结构。

这对视频生成模型尤为重要。纯观察系统可能学习大量视觉规律（如预测物体运动），但这不等于理解物理世界。当环境异常时，它们往往缺乏主动干预、试错和纠正的能力。

智能体不仅要预测世界变化，还要能通过行动改变世界，并在反馈中形成理解。

自主性

生成认知认为智能体是自我组织、自我维持的系统。环境事物之所以有意义，是因为它们关系到智能体的目标、需求和持续存在。

这意味着智能体需要内在的成败标准。食物、障碍物、能量的重要性源于它们对智能体行动、状态维持和目标完成的影响。

当前AI系统仍缺乏真正自主性：监督学习依赖外部标签，大语言模型模仿人类数据模式，传统规划系统的目标多由人类预设。强化学习虽引入奖励机制，但多数奖励函数仍由外部指定，而非源自智能体自我维持过程。

具身性

生成认知的最后一个关键是具身性。身体不是推理后的执行工具，而是感知和理解世界的前提。

身体形态、传感器位置、运动能力等直接决定智能体探索环境的方式，也决定世界呈现意义的形式。同一把椅子，对人类"可坐"，对蚂蚁是障碍，对机器人则取决于其高度、关节结构和控制能力。

这解释了为何主流AI仍是"离身"的：它们能处理海量文本、图像和视频，却无法通过自身运动改变感知输入，也不能在真实环境中主动探索和适应变化。

即使在机器人领域，许多系统仍将感知、规划和控制分离，身体仅被视为执行策略的硬件平台，而非塑造认知的核心条件。

强化学习的下一步？

从经验、感知-行动、自主性和具身性四个维度，Rafiee和Sutton对当前AI范式给出明确判断：主流AI（尤其大语言模型和纯视觉模型）仍停留在被动表征和模式预测层面。

它们能生成逼真内容，展现强大推理能力，但只要缺乏环境持续互动、基于行动后果的评估和具身探索过程，就与"理解世界"存在关键差距。

相比之下，强化学习与生成认知存在更强共鸣。RL强调行动、反馈、探索、适应和长期评估，是最接近生成认知理念的AI分支。

但当前强化学习仍有三重不足：奖励函数多由外部指定；感知与行动常被割裂；具身性被视为工程约束而非认知基础。强化学习需要进一步演进：从外部奖励转向内在自我评估，从任务驱动转向持续生存适应，从策略优化转向真正的具身经验生成。

人工智能的发展正站在关键转折点，从被动表征走向主动交互的生成认知范式，或将开启AI理解真实世界的新篇章。