摘要

现代 AI 有一个非常强大的思想：

智能可以端到端地学出来。

大语言模型的成功，很大程度上证明了这一点。

我们不需要像过去 symbolic AI 那样，提前把 intelligence 拆成大量人工设计的规则和模块。只要模型足够大、数据足够丰富，很多 representation、knowledge、reasoning 和 planning 能力可以自己从训练中出现。

但这里可能混淆了两个问题。

End-to-end learning 是不是对的？

和：

Intelligence 的 architecture 是不是也应该 end-to-end？

这两件事并不是一回事。

机器人尤其让这个问题重新变得重要。

Vision、prediction、semantic reasoning、motor control、contact sensing 和 body regulation 面对的是完全不同的 information structure，也运行在完全不同的 timescale 上。

一个很大的视觉或 world model 可以花时间理解环境和规划未来。

但一个 local motor controller 可能必须每秒运行几十次甚至几百次，持续保持身体不摔倒。

最近的 developmental neuroscience 又给出了一个很有意思的新线索：

连我们通常认为是一个 organ 的 brain，本身都可能不是从一个统一 progenitor 发育出来的。

2026 年 Nature Neuroscience 的工作发现，forebrain/midbrain 与 hindbrain 在 gastrulation 阶段就来自两条并行、lineage-restricted 的 neural progenitor path。[15]

这让一个问题更加值得重新讨论：

也许 intelligence 本来就更适合由多个相对 autonomous 的 learned systems 构成，每个 system 在适合自己的 spatial scale、temporal scale 和 information space 上工作。

High-level intelligence 不需要 micromanage 每一个 joint。

它可以提供：

goal。

condition。

prediction。

constraint。

priority。

而 lower-level intelligence 保留 execution 的自主权。

所以真正的问题也许已经不是：

Symbolic modularity 还是 end-to-end neural network？

而是：

Learned intelligence 本身究竟应该怎样 architect？

一、Structured Intelligence 还是 End-to-End Intelligence？

1.1 从 The Society of Mind 到 Deep Learning

Minsky 的 The Society of Mind 提出了一个非常有影响力的观点：

人的 intelligence 可能并不是一个完整统一的东西，而是由很多不同的 cognitive process 共同形成。

在过去，这个想法往往和 symbolic AI 联系在一起。

我们人为规定：

哪个 module 负责 perception。

哪个负责 planning。

哪个负责 memory。

哪个负责 reasoning。

不同 module 之间通过明确的 interface 连接。

Deep learning 几乎走向了相反的方向。

我们不再提前定义 intelligence 的内部 representation。

而是让模型直接从 data 中学习。

GPT 把这个思想推进得非常远。

Language understanding、knowledge、reasoning、planning、style、abstraction，甚至 tool use，都可以共存在一个巨大的 learned model 里。

于是很容易产生一个结论：

也许 intelligence 根本不需要 structure。

也许：

scale itself is the architecture。

但这里实际上混淆了两个不同的判断。

第一个是：

Intelligence 内部的 representation 应该通过 learning 获得，而不是人工规定。

第二个是：

所有 intelligent function 都应该存在于同一个 undifferentiated controller 里。

第一个成立，并不自动意味着第二个成立。

一个 system 完全可以是 end-to-end learned 的，同时仍然具有清晰的 internal organization。

只是里面的 module 不再是人工编写的 symbolic rule。

每一个 module 本身都可以是一个 powerful learned model。

所以真正的问题不是：

symbolic modularity vs. deep learning .

而可能是：

one learned intelligence vs. a society of learned intelligences .

1.2 World Intelligence 与 Body Intelligence

对于 embodied intelligence，我觉得一个非常重要的划分，是：

World Intelligence

和：

Body Intelligence .

World Intelligence 主要处理：

environment。

objects。

other animals。

prey。

predators。

other people。

goals。

future possibilities。

planning。

它问：

世界里发生了什么？

接下来可能发生什么？

我应该怎样处理这些事情？

Body Intelligence 处理的是另一组问题：

posture。

balance。

joint state。

contact。

force。

locomotion。

breathing。

circulation。

internal regulation。

fast execution。

它问：

我的身体现在发生了什么？

怎样让身体保持稳定和正常运行？

怎样真正把 high-level 要求的动作做出来？

这里的 “World Intelligence” 大致对应我们说的：

cortex。

conscious perception。

explicit reasoning。

prediction。

planning。

而这里的 “Body Intelligence” 并不是狭义 spinal cord。

它更广泛地包括：

brainstem。

spinal cord。

cerebellar circuits。

autonomic nervous system。

local sensorimotor loops。

以及 peripheral regulatory systems。

这是一个 architecture 上的 shorthand，而不是严格 anatomical boundary。

最重要的一点是：

Body Intelligence 不是一个 passive actuator layer。

它自己有 sensing。

有 state。

有 feedback。

有 adaptation。

有 regulation。

有 autonomous control。

身体并不只是被 intelligence 控制。

身体本身就包含 intelligence。

二、Engineering Issue：为什么我们要怀疑现在的 VLM/VLA 架构？

真正让这个问题变得现实的，是 robotics。

2.1 Vision 的计算负担本来就很重

一个 state-based locomotion policy，可以非常小。

它可能只接受：

q, \overset{q}{˙}, IMU, contact, force, ...

这些变量已经非常接近 control problem 本身。

几层 MLP，就有可能实现：

walking。

running。

disturbance recovery。

stable gait。

但 vision 完全不同。

Vision 从 pixel 开始。

它还需要推断：

object。

geometry。

depth。

motion。

semantics。

context。

甚至 intent。

所以现代 vision foundation model 很自然会变得非常大。

可以有数千万、数亿，甚至更多 parameters。

真正重要的不是某一个具体 parameter count。

而是两边的问题本身就不一样。

Motor policy 接受到的是：

已经结构化、已经和 dynamics 高度相关的信息。

Vision 面对的是：

巨大的 raw spatial signal。

于是一个很自然的 architecture 是：

large visual system \to small condition \to small fast motor policy .

2.2 为什么 VLM 一定要 Real-Time？

如果整个 VLM 或 VLA 必须以 motor-control frequency 运行，engineering 上很快就会遇到问题。

一种直觉是：

VLM 太慢。

那就换更快 chip。

更大的 GPU。

更强的 robot computer。

但我们想问的是另一个问题：

为什么 VLM 一定要存在于每一个 motor-control cycle 中？

完全可以采用：

asynchronous multi-rate architecture。

比如：

Vision/VLM few Hz goal / condition / trajectory

而：

Motor Policy tens or hundreds of Hz action .

Vision 每秒运行几次。

周期性更新：

target。

direction。

desired speed。

trajectory。

task mode。

constraints。

Motor policy 则不等待 vision。

它依靠：

proprioception。

force。

contact。

local state。

持续保持身体稳定。

所以：

slow global perception / planning

↓ asynchronous update

fast local motor control .

一句话就是：

Vision should update intent, not clock the body.

2.3 Vision Robustness 的 Paradox

如果 camera 看不清，我们怎么办？

加 camera。

Head camera。

Wrist camera。

End-effector camera。

External camera。

这样确实减少了 blind spot。

但是同时：

data 更多。

synchronization 更复杂。

calibration 更复杂。

multi-view fusion 更复杂。

computation 更大。

latency 也可能更高。

于是出现了一个 paradox：

为了让 visual control 更可靠，我们反而让整个 robot 更依赖一个越来越复杂的 vision system。

这使我们再次需要问：

最快的 physical control loop，真的应该依赖整个 system 中最重的 perception module 吗？

2.4 Training 也许也拆错了

今天很多 robot learning 依赖 image 和 video。

于是很容易形成：

video \to visual representation \to action .

但 video 最擅长提供的是：

task structure。

semantics。

trajectory。

timing。

planning。

successful behavior。

它很难直接告诉我们：

contact force。

joint torque。

friction。

slip。

compliance。

actuator saturation。

disturbance recovery。

所以可以有一个非常简单的区分：

Video teaches what motion looks like. Interaction teaches how to make it work.

一个很瘦弱的人，不会因为看了一万段跳高视频，就突然跳得很高。

他当然可以学习姿态。

学习 trajectory。

学习 timing。

但是最后真正的能力还是来自：

practice。

failure。

adjustment。

和自己的身体、重力以及环境反复 interaction。

同样，如果我只有一辆 bicycle，却看很多 race-car video，我可以学：

racing line。

braking strategy。

timing。

但我不会因此真正学会 race car 的 dynamics。

所以，也许机器人真正的问题并不是：

data 不够。

而是：

training curriculum 可能错了。

今天常见的隐含 curriculum 是：

large-scale video \to vision-language understanding \to action .

但也许应该是：

local sensing + physical interaction \to stable motor primitive \to visual conditioning \to semantic planning .

先学怎么动。

再学 vision 怎样调节动作。

最后再让 high-level intelligence 选择和组合这些能力。

2.5 Motor Skill 自己就有 Data

Motor skill 并不是 data-poor。

它自己有大量 sensing。

Biological system 有：

proprioception。

touch。

joint sensing。

muscle feedback。

balance。

pressure。

contact。

slip。

Robot 有：

encoder。

IMU。

force/torque sensor。

tactile sensor。

motor current。

joint velocity。

contact signal。

这些 sensing 对远处 environment 知道得很少。

但是它对 body dynamics 知道得非常多。

所以：

Vision is globally rich but dynamically indirect.

Motor sensing is environmentally narrow but dynamically rich.

对于 narrow motor task，fast sensing 还能产生 dense feedback。

Dense feedback 就意味着不断 correction。

所以：

Fast sensing enables fast learning.

对于一些 motor skill：

feedback bandwidth 可能和 offline dataset scale 一样重要。

三、Biological Perspective：为什么 Intelligence 天然可能是 Asynchronous 的？

如果这个 architecture 在 engineering 上合理，那么下一个问题是：

这只是因为今天 GPU 不够快吗？

还是背后有更深的原因？

3.1 Biology 也服从同样的 Physics

Biological system 并不是没有 computation cost。

它同样受到：

finite energy。

finite bandwidth。

signal propagation delay。

sensor noise。

limited computation。

actuator dynamics。

这些限制。

Neural signaling 要消耗 energy。

Long-distance communication 需要时间。

所以，如果 robot 每一个 motor update 都经过最昂贵的 vision/perception system 很低效，那么 biology 也没有理由天然免疫这种 trade-off。

因此：

Asynchronous control 也许不是工程妥协，而是 physical constraint 下很自然的 architecture。

3.2 一个新的 Developmental Clue：Brain 本身也许就是 Composite 的

2026 年 9 月，一篇发表在 Nature Neuroscience 的研究给出了一个非常有意思的新证据。[15]

过去一个常见的 developmental model 是：

早期 embryo 中先出现一种共同的 neural ectoderm progenitor，然后整个 brain 的不同 region 再从这个共同 progenitor 中逐渐分化出来。

Jokhai、Dundes 等人的研究却支持另一种 model。

他们对 mouse embryo 进行 lineage tracing，发现：

在 gastrulation 阶段，就已经同时出现两种 parallel brain progenitors。

其中：

anterior neural ectoderm \to forebrain + midbrain

而：

posterior neural ectoderm \to hindbrain .

两种 cell population 从很早期就是 mutually distinct 的。

他们进一步利用 human pluripotent stem cells 进行实验，也发现这两类 progenitor 已经对 forebrain/midbrain 或 hindbrain fate 形成 lineage commitment。

更有意思的是：

两者拥有明显不同的 chromatin landscape。

也就是说，甚至在最终 brain region 形成以前，它们在 gene-accessibility level 上就已经走上了不同的 developmental path。

论文作者因此提出：

Brain 也许应该理解成一个由两个 lineage-restricted progenitors 构成的 composite organ。

他们还认为，这种 dual-progenitor organization 可能具有非常古老的 evolutionary conservation。

这篇文章很容易让人想到我们现在讨论的问题。

但这里必须非常小心。

它并没有证明：

forebrain = World Intelligence

以及：

hindbrain = Body Intelligence .

这不是一一对应关系。

例如 midbrain 和 forebrain 属于同一个 anterior developmental lineage，但 midbrain 同样参与大量 sensory 和 motor function。

而我们所谓的 Body Intelligence，也远不止 hindbrain。

它还包括：

spinal cord。

cerebellum。

autonomic system。

peripheral circuits。

等等。

所以，这篇论文不是对我们 World Intelligence / Body Intelligence hypothesis 的直接证明。

但它提供了一个更基础的启发：

我们过去习惯把 brain 想成一个统一 organ，然后在内部产生不同功能；但 brain 本身的 developmental origin 可能就已经是 composite 的。

也就是说：

complex intelligence 未必需要先有一个 universal processor，然后再在里面分出所有 specialization。

Evolution 也可能采用另一种方式：

先形成不同 developmental lineage。

每一个 lineage 拥有不同的 identity 和 capability。

然后再把这些 neural systems 集成起来。

如果把这个思路类比到 AI，就会产生一个很有意思的问题：

为什么 artificial intelligence 一定要先有一个 universal latent model，再要求它学习 perception、world reasoning、body dynamics 和 motor control？

也许另一种 architecture 同样自然：

multiple learned intelligences \to specialized development \to learned integration .

换句话说：

Composite intelligence 也许并不是 engineering compromise，而可能是一种非常古老的 design principle。

当然，这仍然是 architecture analogy，而不是 biological proof。

但它让 “Society of Agents” 多了一层非常有意思的 developmental perspective。

3.3 Vision 是 Far-Field and Predictive

Vision 的 latency 为什么可以比较大？

因为 Vision 和 force sensing 解决的是不同 spatial scale 的问题。

Vision 本质上是一种：

far-field、exteroceptive sensing。

比如一条 fish。

它用 vision 看到远处的 prey 或 predator。

Vision 要回答：

那是什么？

在哪里？

往哪里移动？

我要接近还是逃跑？

因为那个 object 还没有直接和身体 contact，所以还存在一定 temporal margin。

Vision 可以花一些时间做 perception 和 prediction。

这并不一定是 weakness。

恰恰相反，Vision 最大的价值就是：

在 physical interaction 发生之前，提前提供环境信息。

所以：

Vision is far-field and predictive.

3.4 Force 和 Proprioception 是 Near-Field and Corrective

Force、touch、proprioception 几乎正好相反。

它们很难告诉你：

十米以外有什么。

远处有没有 predator。

前面树林后有什么。

但它们可以非常精确地告诉你：

身体是不是倾斜了。

脚是不是滑了。

fin 是不是受到 force。

joint 有没有按照预期运动。

contact 有没有发生。

force 是不是突然变大。

而当这些信息开始重要时：

physical interaction 通常已经发生。

这个时候 system 剩下的时间很少。

所以：

Force sensing is near-field and corrective.

可以写成：

Vision \to anticipate the environment

而：

Force / Proprioception \to maintain the body .

3.5 Spatial Bandwidth 与 Temporal Bandwidth

这也让我觉得 motor intelligence 在 computational character 上，也许更接近：

hearing 和 haptics。

并不是说它们 anatomically 是一个 system。

而是它们的信息形态相似。

Sound 一开始是：

air pressure variation。

Touch 是：

force。

deformation。

vibration。

contact。

这类 signal 往往：

spatially 比较局部。

但 temporally 非常 dense。

Vision 则几乎相反。

它面对的是一个巨大的 spatial field。

需要从里面抽取：

object。

geometry。

depth。

motion。

semantics。

context。

所以也许：

Vision \approx high spatial dimensionality + complex representation + higher latency

而：

Motor / Haptic Sensing \approx fewer structured channels + high temporal bandwidth + low latency .

Raw force、vibration 和 tactile sensing，在 engineered robot 上完全可以达到 kHz-scale sampling。

Motor policy 自己不一定需要以 raw sensor 的最高频率 update。

但它可以持续从这种高速 mechanical signal 中获得 state。

所以真正重要的是：

Vision is high-dimensional in space.

Motor sensing is high-resolution in time.

3.6 World Intelligence 与 Body Intelligence

这时，我们可以把这个 architecture 提升到更大的 biological abstraction。

我说的 “brain”，更接近：

cortex。

conscious perception。

explicit reasoning。

prediction。

planning。

这部分主要面对：

environment。

other animals。

prey。

predators。

objects。

other people。

future possibilities。

goals。

这就是：

World Intelligence = environment + others + prediction + planning

而我说的 “spinal system”，并不是狭义 spinal cord。

而是广义的 subconscious body-control system，包括：

brainstem。

spinal cord。

cerebellar circuits。

autonomic nervous system。

local sensorimotor loops。

peripheral regulatory systems。

它面对：

body state。

posture。

balance。

gait。

swimming。

contact。

muscle coordination。

breathing。

circulation。

internal regulation。

所以：

Body Intelligence = body sensing + regulation + dynamics + control

两者都不是 passive。

两者都可以 autonomous。

3.7 Body Intelligence 并不简单

保持一个 body 活着并且 stable，本身就是一个极其复杂的问题。

Heart 有自己的 rhythm，同时接受 broader autonomic modulation。

Respiration 需要 brainstem、sensory feedback 和 mechanical loop 共同工作。

Blood circulation 和 pressure 在不断被调节。

Posture 需要 vestibular、proprioceptive 和 contact information。

Walking 需要大量 joint 和 muscle coordination。

Swimming 需要 whole-body rhythm 和 fluid dynamics。

这些都不是 simple actuator command。

它们需要：

state estimation。

feedback。

adaptation。

disturbance rejection。

coordination。

prediction。

所以：

The body has intelligence of its own.

3.8 不是 Smart Brain 控制 Dumb Body

真正的 structure 并不是：

smart brain \to dumb body .

而更像：

World Intelligence \leftrightarrow Body Intelligence

World Intelligence 说：

Predator 来了，逃跑。

Body Intelligence 解决：

在当前 water dynamics 下，怎样最快而稳定地 swim。

World Intelligence 说：

走到那棵 tree。

Body Intelligence 解决：

怎样协调 joint、maintain balance、switch gait、recover from disturbance。

World Intelligence 更接近：

meaning。

goal。

prediction。

strategy。

Body Intelligence 更接近：

physics。

execution。

stability。

recovery。

3.9 Local Motor Circuit 给出的 Biology Clue

CPG、spinal locomotor circuit 以及最近 connectome research，都给出一个很有意思的结构线索。

一个复杂的 perception/decision system，可以和一个小得多的 local motor system 共存。

可以抽象成：

complex perception / decision \to compressed descending condition \to local motor circuit \to motion .

高层决定：

动不动。

往哪里动。

动多快。

local system 解决：

动作到底怎样产生。

怎样稳定。

怎样 recover。

四、这种 Biological Design 对 Engineering 有什么 Advantage？

如果上面的理解成立，那么 biology 不只是给我们一个 analogy。

它可能直接给出一种 engineering architecture。

4.1 Multi-Rate、Asynchronous Architecture

不同 intelligence 没必要共享一个 clock。

可以是：

World Model / VLM few Hz

↓

trajectory / task condition intermediate rate

↓

motor policy 1 0^{1} - 1 0^{2} Hz or higher

↓

raw force / tactile sensing 1 0^{2} - 1 0^{3} Hz or higher .

具体 frequency 取决于 robot。

真正重要的是：

每一种 intelligence 都运行在适合自己 problem 的 bandwidth 上。

这样做的 advantage 很直接：

降低 computation。

降低 latency pressure。

降低 motor control 对 vision failure 的依赖。

减少不必要的 high-dimensional data transfer。

同时让每个 subsystem 更容易 independent optimization。

4.2 Motor Primitive 不是 Trajectory，而是 Agent

Motor primitive 不应该理解成一段 prerecorded trajectory。

它本身可以是一个 adaptive intelligent system。

Running Agent 可以自己学习：

不同 speed。

不同 slope。

不同 terrain。

不同 load。

不同 disturbance。

它的问题是：

给定 direction 和 speed，怎样保持 dynamic stability？

High-level 不需要告诉它：

left hip 多少度。

right knee 多少度。

每个 motor torque 是多少。

High-level 只需要说：

快一点。

慢一点。

往左。

stop。

change terrain mode。

所以：

World Intelligence \to condition \to Motor Agent \to dynamic execution .

这不是传统的 command。

而是：

adaptive delegation。

4.3 Hierarchy 是 Information Compression

假设 robot 有 $n$ 个 actuator。

如果 central controller 直接控制所有 actuator，就需要：

u \in R^{n} .

但如果 lower-level agent 已经学会：

u = f_{θ} (z, s),

那么 high-level 只需要传递：

z \in R^{k}, k ≪ n .

这个 $z$ 可能只有：

speed。

direction。

goal。

mode。

urgency。

所以 hierarchy 并不只是 organizational convenience。

它本身就是：

information compression。

Lower-level 越 intelligent，upper-level 需要传递的信息就越少。

4.4 Skill 可以理解成 Learned Manifold

所有可能 motor output 的空间极其巨大。

但真正 stable、meaningful 的动作只占其中一小部分。

Walking 只是 joint trajectory space 中很小的一部分。

Grasping 也是 hand configuration space 中的一个 structured subset。

Music 同样只是所有 possible waveform 中很小的一部分。

所以一个 skill 可以理解成：

M \subset X .

Lower-level Agent 学习这个 manifold。

它自己的 latent：

z \in Z

就像这个 manifold 的 intrinsic coordinates。

High-level 根本不需要自己 generate high-dimensional motor output。

它只需要：

找到 manifold。

选择 manifold 中合适的 region。

然后让 lower-level agent 自己执行。

4.5 Metric 是一种 Indexing Geometry

这又引出 metric。

两个 gait 在 joint space 里可能完全不同。

但如果都可以稳定地以 $1 m/s$ 向前走，对 high-level 来说，它们可能很近。

反过来，两种 gait 在 joint trajectory 上很像，但一个适合 slope，一个在 slope 上会摔倒。

那么对 task 来说，它们很远。

所以：

Distance is task-dependent.

High-level 自然理解的变量可能是：

speed。

direction。

distance。

terrain。

target。

所以 lower-level skill space 应该被这些 high-level meaningful variables 索引。

于是可以写：

q = ϕ (z) .

然后：

q_{desired} \to z^{*} \to execution .

所以可以把整个过程概括成：

Pretraining learns the manifold.

Post-training shapes its metric.

The metric organizes and indexes the manifold.

The interface aligns one manifold with another.

The prompt selects a region or direction.

The agent executes the trajectory.

4.6 Agent 之间需要的是 Learned Bridge

不同 Agent 根本没有必要共享同一个 latent space。

如果：

z_{A} \in Z_{A}

而：

z_{B} \in Z_{B},

没有必要要求：

Z_{A} = Z_{B} .

我们只需要学习：

c_{B} = h_{ϕ} (z_{A}) .

这个 bridge 可以是：

adapter。

projection head。

small transformer。

latent translator。

它的作用不是单纯 format conversion。

而是：

representation alignment。

真正重要的是：

一个 intelligence 怎样把另一个 intelligence 需要的信息压缩并传递过去。

而 receiving agent 自己足够 intelligent，所以它并不需要 upper-level 解释所有细节。

五、Current AI Trend 与这个想法是什么关系？

这个 framework 并不是在反对 VLM、VLA 或 World Model。

它真正问的是：

这些 model 应该放在 architecture 的哪里？

5.1 VLM / VLA

VLM 非常擅长：

scene understanding。

object recognition。

semantic reasoning。

task interpretation。

goal selection。

high-level planning。

这些能力非常重要。

它们天然属于：

World Intelligence .

所以问题不是：

VLM 有没有用？

当然有。

问题是：

VLM 是否应该直接拥有最快的 motor loop？

我们的答案更接近：

不一定。

更自然的是：

VLM \to goal / condition / plan \to motor agent \to fast execution .

5.2 World Model

最近 embodied AI 领域越来越重视：

World Model。

World Action Model。

Predictive Model。

这是一个非常重要的趋势。

VLM 更容易回答：

世界现在是什么？

World Model 希望进一步回答：

如果我做这个 action，接下来会发生什么？

它可以加强：

physical reasoning。

prediction。

counterfactual simulation。

long-horizon planning。

environment dynamics understanding。

所以，从这个 framework 看：

World Model 是更强的 World Intelligence。

它可以：

imagine future state。

compare alternatives。

plan farther ahead。

但是：

这并没有自动解决 Body Intelligence 的问题。

甚至 world-model rollout 越复杂：

reasoning time 可能越长。

compute 可能越高。

所以：

World Model / VLM

understand + predict + plan

↓ slow asynchronous condition

Body Intelligence / Motor Agent

fast sensing + dynamic control .

World Model 可以预测：

地面可能很滑。

一个 object 几秒后会掉下来。

某条 route 会 collision。

但当：

脚真的开始滑的时候，

local motor system 还是必须立即 react。

所以：

A better brain does not eliminate the need for a spinal cord.

真正的问题不是：

VLM 还是 World Model？

而是：

无论是 VLM 还是 World Model，它应该怎样和 autonomous Body Intelligence 合作？

5.3 其实很多 Pieces 已经存在

现在 robotics 中已经有很多方向，在不同层面上接近这个思想：

hierarchical reinforcement learning。

options。

temporal abstraction。

central pattern generators。

dynamical movement primitives。

latent skill space。

proprioceptive locomotion。

rapid motor adaptation。

vision-conditioned locomotion。

language-conditioned motor primitives。

skill embedding。

所以，我们并不是说：

没有人做 hierarchy。

而是：

很多现在被当成独立 engineering technique 的东西，也许其实都属于同一个更深的 architecture principle。

这个 principle 是：

不同 intelligence 应该根据：

不同 sensing modality。

不同 timescale。

不同 latent space。

不同 control responsibility。

进行 specialization。

而彼此之间通过 learned interface 做 alignment。

2026 年关于 two parallel brain progenitors 的 developmental result 又提供了一个非常有意思的 biology parallel：

甚至一个最终表现为统一 brain 的 system，也可能从很早期就由不同 neural lineage 并行形成，再被整合起来。 [15]

这并不能直接告诉我们 AI 应该怎么 architect。

但它至少提醒我们：

unity of behavior 并不意味着 unity of developmental origin，也不意味着 unity of internal architecture。

5.4 Society of Agents

这样重新回头看 Minsky：

他的核心 insight 也许并没有错。

Intelligence 可能真的像一个 society。

但今天 Society 的 member 不再是：

一条 symbolic rule。

一个简单 module。

而可以是一个完整的 learned intelligence。

Vision Agent 负责理解 visible environment。

World Model Agent 负责预测 future。

Language Agent 负责 semantic reasoning。

Locomotion Agent 负责 stable movement。

Manipulation Agent 负责 contact-rich dynamics。

Tactile Agent 负责 high-bandwidth local correction。

Autonomic Agent 负责 internal regulation。

每一个 Agent 都可以拥有自己的：

representation。

sensor modality。

training data。

timescale。

computational architecture。

它们不需要共享一种 internal language。

它们只需要：

学会合作。

结论

Deep learning 教会我们：

intelligence 不应该被人工拆成一堆 rigid symbolic rule。

但这并不意味着：

所有 intelligence 都应该进入同一个 model。

使用同一个 representation。

运行在同一个 frequency。

World Intelligence 面对的是：

environment。

other agents。

prediction。

planning。

Body Intelligence 面对的是：

body state。

homeostasis。

dynamics。

contact。

posture。

execution。

Vision 是：

far-field。

spatially rich。

predictive。

World Model 是：

future-oriented。

reasoning-heavy。

Motor sensing 是：

near-field。

mechanical。

temporally dense。

corrective。

Body control 是：

fast。

local。

closed-loop。

现在 developmental biology 又给出了另一个值得重视的线索：

brain 本身也可能不是由一个统一 neural progenitor 逐步分化而来，而是由至少两条 parallel、lineage-restricted developmental pathway 共同组成。 [15]

这当然不等于：

AI 必须有两个 model。

也不等于：

forebrain 就是 World Intelligence、hindbrain 就是 Body Intelligence。

但它至少削弱了一个很自然却未必正确的直觉：

一个统一 functioning intelligence，就必须来自一个统一 computational architecture。

也许并不是。

未来 embodied AI 也许不是：

one model + one representation + one clock .

而是：

many intelligences + many representations + many timescales

World Intelligence 问：

外面的世界正在发生什么？接下来会发生什么？我要怎样处理？

Body Intelligence 问：

我的身体正在发生什么？怎样保持稳定？怎样把任务真正做出来？

两者之间通过：

compact condition。

learned interface。

representation alignment。

prediction。

delegation。

进行合作。

High-level 负责：

intent。

goal。

planning。

Low-level 负责：

physics。

execution。

stability。

recovery。

这不是 continuous micromanagement。

而是：

adaptive delegation。

所以未来真正的问题也许已经不是：

How large should intelligence be?

而是：

What kind of intelligence belongs at each spatial and temporal scale, and how should these intelligences cooperate?

Minsky 把它叫作：

The Society of Mind。

而对于今天的 embodied AI，也许一个更适合的名字是：

The Society of Agents

一个由许多 autonomous learned intelligences 组成的 society。

每一个 Agent 都在最适合自己的 spatial scale、temporal scale 和 information space 上工作。

完整的 intelligence，不来自一个 system 对所有细节的控制。

而来自：

specialization、alignment、prediction、communication 与 adaptive delegation。

参考文献

Minsky, M. The Society of Mind. 1986.
Sutton, R. S., Precup, D., & Singh, S. “Between MDPs and Semi-MDPs: A Framework for Temporal Abstraction in Reinforcement Learning.” Artificial Intelligence, 1999.
Ijspeert, A. J. et al. “Dynamical Movement Primitives: Learning Attractor Models for Motor Behaviors.” Neural Computation, 2013.
Kiehn, O. “Decoding the Organization of Spinal Circuits That Control Locomotion.” Nature Reviews Neuroscience, 2016.
Guertin, P. A. “Central Pattern Generator for Locomotion.” Frontiers in Neurology, 2013.
Minassian, K. et al. “The Human Central Pattern Generator for Locomotion.” The Neuroscientist, 2017.
Jain, D., Caluwaerts, K., & Iscen, A. “From Pixels to Legs: Hierarchical Learning of Quadruped Locomotion.” CoRL, 2021.
Kumar, A. et al. “RMA: Rapid Motor Adaptation for Legged Robots.” RSS, 2021.
Miki, T. et al. “Learning Robust Perceptive Locomotion for Quadrupedal Robots in the Wild.” Science Robotics, 2022.
Tang, C. et al. “SayTap: Language to Quadrupedal Locomotion.” CoRL, 2023.
Assran, M. et al. “V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning.” 2025.
NVIDIA. “Cosmos World Foundation Model Platform for Physical AI.” 2025.
Reuss, M. “Pretrained to Imagine, Fine-Tuned to Act: The Rise of World-Action Models.” NVIDIA Seattle Robotics Lab, 2026.
Lin, A. et al. “Network Statistics of the Whole-Brain Connectome of Drosophila.” Nature, 2024.
Jokhai, R. T., Dundes, C. E., et al. “Two Parallel Neural Ectoderm Progenitors Contribute to the Developing Brain.” Nature Neuroscience, September 18, 2026.