爲什麼卷積神經網絡和Transformer架構不適用於物理AI

如果你現在打開手機，隨便問一個大語言模型：“把一隻玻璃杯推到桌子邊緣，會發生什麼？”它大概率會告訴你杯子會掉下去摔碎。

這個答案聽起來很聰明，但真相是——它並不真的“知道”杯子爲什麼往下掉。它只是在訓練數據裏見過太多次“杯子”“掉落”“破碎”這幾個詞扎堆出現，然後根據概率統計，給出了最可能的那句話。這種“聰明的猜測”在文本世界裏遊刃有餘，可一旦我們試圖把AI塞進一臺需要端盤子、疊衣服、走樓梯的機器人，情況就變得棘手了。

過去幾年，卷積神經網絡和Transformer架構稱得上是人工智能領域最耀眼的明星。CNN統治了計算機視覺，Transformer把語言模型推到了前所未有的高度，兩者聯手幾乎定義了當代AI的技術路線。但當聚光燈從屏幕轉向現實世界，當AI必須離開數字沙盤、踏入物理環境與人真實交互時，一個令人不安的問題開始浮現：這兩種我們無比依賴的架構，是不是根本就不適合用來做“物理AI”？

眼睛能看見，卻不理解物體

先說說CNN。卷積神經網絡的設計初衷是模擬人類視覺系統，它用一堆可學習的濾波器去掃描圖像，提取邊緣、紋理、形狀等特徵，然後層層抽象直到完成分類或識別。這套機制在ImageNet上打敗了人類，在很多視覺任務上幾乎成了默認方案。但問題恰恰出在它的設計哲學上——CNN本質上是在學習“像素與標籤之間的統計關聯”，而不是在理解“物體由什麼構成”。

舉一個很直觀的例子。想象一下，一個小孩看到一輛被幾棵盆栽擋住一半的汽車，即便他從沒見過這種遮擋模式，也能毫不費力地判斷出那是一輛車。爲什麼呢？因爲他頭腦裏有一個“車由輪子、車身、車窗等部件組成”的認知框架，即使某個部件被擋住了，他也能用其他部件的線索來補全判斷。然而標準的CNN可沒這個本事。

它的判斷基於整體像素模式，一旦遮擋模式稍微變化——比如擋的不是車身而是車燈——那些精心訓練的卷積核就亂了陣腳。研究表明，傳統的“黑箱式”深度卷積神經網絡在處理部分遮擋時表現很不穩定，直到研究者引入更結構化的“物體部件組合”方法，把物體表示爲一組空間可組合的部件，才顯著提升了遮擋情況下的識別魯棒性。

這個問題放在物理AI的語境下，就變得更加要命了。機器人走在路上，眼前隨時可能出現堆疊的箱子、交錯的管道、半開的門——全是動態的、部分遮擋的真實場景。如果它只能依賴CNN輸出的“像素特徵”去做決策，而缺乏對物體構成的內在理解，那麼稍微一轉身、光線一變化，原本“認識”的東西就可能認不出來了。

這還不是最麻煩的。更讓人頭疼的是CNN對紋理的強烈偏執——它更容易根據表面紋理來分類，而不是根據物體形狀。這就好比一個人判定貓的方式不是看耳朵、瞳孔和鬍鬚的整體結構，而是隻看毛色——毛色相似的動物就當成貓，換了毛就不認識了。這種偏執，在變幻莫測的物理世界中，是致命的。

統計相關不等於因果推理

如果說CNN的盲區在於“看見了卻不懂”，那麼Transformer的問題更深刻——它天生就不是爲了理解因果而設計的。

Transformer的核心武器是自注意力機制，它能一次性捕捉序列中任意兩個位置之間的依賴關係。這在語言模型裏簡直是神器——一個詞能和幾千字外的另一個詞建立關聯，這對於理解語義、生成連貫文本來說至關重要。但請注意，“注意力”算出來的只是“統計相關性”——在訓練數據裏，“打雷”和“下雨”常常一起出現，所以它們之間的注意力權重很高，但模型並不知道是打雷導致了下雨，還是兩者背後另有原因。用一句話來概括：Transformer是個頂級的“開普勒”，卻永遠成不了“牛頓”。

物理AI不需要這種只會死記硬背的“好學生”。一臺在工廠裏搬運零件的機器人，必須理解力學的基本規則：它推一個箱子，箱子的移動速度和方向取決於推力大小、摩擦係數、箱子質量。如果模型沒有內化這些物理因果，只是根據視覺輸入與動作輸出的統計關聯來做決策，那麼一旦環境發生微小變化——比如地板從乾燥變得溼滑，或者零件材質從金屬換成了塑料——整個策略就全盤失效了。有研究者一針見血地指出，當前的具身大模型本質上是“記憶軌跡”而非“理解邏輯”，它們只能依賴視覺輸入與動作的映射關係，環境中的任何微小變化都可能導致徹底失靈。

圖靈獎得主姚期智院士在一次訪談中也直接點出了問題所在：如今具身智能最大的技術瓶頸之一，在於它們只會不斷模仿人的行爲，卻缺乏可解釋的世界模型和物理因果推理過程。從“模仿”走向“推理”，這恰恰是現有Transformer架構難以跨越的一道門檻，因爲它的底層邏輯就是預測下一個token，而不是演繹邏輯或因果推斷。

數據荒漠和能耗黑洞

就算我們暫時忽略架構層面的根本性侷限，光看工程現實，CNN和Transformer在物理AI上也已經步履蹣跚了。數據就是第一個繞不過去的坎。

大語言模型之所以能成功，是因爲互聯網本身就是一座取之不盡的數據礦山——維基百科、新聞、論壇、論文、代碼庫……全是現成的、經過組織和標註的文本數據。訓練一個GPT-4級別的模型需要消耗數億美元，但這筆錢花得下去，因爲數據就在那裏。

可物理AI呢？機器人需要的數據來自真實世界中的每一次交互：每一次抓取、每一步行走、每一下推拉——每一幀數據背後都是真實的物理動作和對應的多模態傳感反饋。這樣的數據極難大規模採集：一臺遙操作採集設備一年的使用週期內，單條高質量數據的成本摺合仍高達3到5元，而全行業匯聚的高質量具身數據僅約50萬小時，不足大語言模型訓練數據的數萬分之一。一個具備通用泛化能力的具身模型，至少需要千萬小時級別的數據支撐——把這個缺口擺到賬面上，誰都看得出問題的嚴重性。

就算數據問題解決了，算力成本同樣不容樂觀。Transformer的注意力機制有一個廣爲人知的弱點：計算複雜度與序列長度的平方成正比。在語言模型中，這個“O(n²)”的複雜度已經夠讓人頭疼了，但在物理AI的場景裏，傳感器流是連續、高頻、多模態的——視覺、觸覺、慣性測量單元、關節角度……數據源源不斷地湧入。如果在機器人本體上跑一個參數量動輒幾十億的Transformer模型來處理這麼多維度的時序數據，功耗和延遲都能飆到一個難以接受的水平。有研究指出，全局注意力機制下每個token都要和所有其他token計算，這是平方級增長的複雜度，而對CNN來說最基礎的相鄰關係，在Transformer裏都需要大量冗餘計算。

需要反思，而非盲從

當然，說CNN和Transformer不適用於物理AI，並不意味着這些架構在物理AI中完全沒有用武之地。CNN可以用來做感知端的多模態特徵提取，Transformer可以用來做高層任務規劃和語義理解。問題是，我們不能把一個本來設計用來處理離散序列或靜態圖像的架構，寄予“理解物理世界因果律”這種完全不匹配的厚望。

物理AI需要的是能夠內嵌物理規律的模型——它應該天然懂得連續性、守恆律和因果鏈，而不是靠海量數據硬生生去擬合出這些規律的表面特徵；它需要高效的時序推理能力，能夠在有限的計算資源下完成實時的閉環控制；它需要從“模仿人的動作”升級爲“理解物理的邏輯”，即學會“先想清楚再動手”，通過建模因果關係來提升泛化能力。

劍橋大學一位控制理論學者曾給過一個引人深思的比喻：用Transformer去學習物理規律，就像用鋼琴彈一首小提琴奏鳴曲——聲音可能接近，但弓弦之間那種複雜的物理耦合，是你永遠彈不出來的。