引言

我让一个 AI 解释"烫"是什么感觉。它写得比不少科普书都好:痛觉感受器被高温激活,信号沿神经纤维上行到丘脑……

写完我问它:“你有没有被烫过?”

它说:“我是一个语言模型,没有身体,也没有感官经验。”

这两句放在一起,就是本文要说的事:它能把"烫"用在所有正确的地方,却从未拥有过这个词指向的那件事。

1990 年,认知科学家 Stevan Harnad 给这份尴尬起了个名字:符号接地问题。三十多年过去,它没被解决,反而在 2026 年的机器人身上长出了具体的形状。

一、1990年,一个要命的问题

Harnad 的问题是这么问的:一个纯粹操作符号的系统,怎么让符号拥有真正的意义?

传统 AI 里,“猫"是人手定义的符号。让机器自己学就不行:它学到的只是"猫"常和"喵喵叫"“毛茸茸"“怕水"一起出现,而这些词的定义又由别的词写。查下去,永远在词的圈子里打转,一步没踩到地上。

Harnad 把这叫"符号的无限循环”。人为什么能跳出来?因为有感官:见过猫、摸过猫、被猫抓过。这些非符号的经验,给符号提供了落地的地基。

他的解法是三层楼:底层图像式表征,直接对应感官输入;中层类别表征,把相似的东西归类;顶层才是符号表征,即"猫是哺乳动物"这类命题。关键在顺序——必须自下往上盖;只有顶层没有底层,符号就是在空转。

二、只背词典,学不会外语

学外语时,如果只用一本词典背单词——apple 是苹果,apple 是苹果——查的每个词都由别的中文词解释。真到了国外,菜单上写着 apple pie,脑子里转的还是中文。直到你咬了一口:酸甜、肉桂味、酥皮掉在桌上,那个词才落地。

“红"也一样:定义可以背到完美(波长约 620 到 750 纳米),但一个生来看不见的人,字全认识,红是什么,仍然不知道。

所以接地不是"知识更多”,是"知识换了个来源”——不是从文字到文字,是从世界到符号。

三、多模态,把梯子倒过来搭了

那给 AI 加上眼睛,问题不就解决了?过去几年最主流的想法正是如此:语言模型缺感知,就把图像接进去,VLM 成了标配。

但 2026 年 9 月的一篇分析点出了一个结构细节,值得记住:VLM 不是从感知往上盖,而是从符号往下找。

它先有词(token),再去找视觉特征对齐;那些特征来自在人类标注数据上训练过的编码器。也就是说,它把 Harnad 的三层楼整个倒过来盖了——顶层先搭好,再往下补地基;补上去的不是感官经验,是别人标注好的相关性。

那篇分析用了个很准的说法:这不是接地,是**“语义洗白”**(semantic laundering)——把一堆相关性反复冲洗,洗到看起来像意义。真正的地基必须是因果的。Searle 有句话常被引用:原始的意向性需要因果,而不是相关。

这话听着抽象,后果却非常具体:如果"懂"是靠相关性撑起来的,那么当相关性和你的意图分岔时,它就会跟着相关性走。

四、把指令删掉,机器人照样把活干完了

2026 年 11 月,北卡和 UIUC 的团队(arXiv:2602.17659)做了个有点残忍的实验。

他们造了个叫 LIBERO-CF 的测试集:场景不变,只把指令换成另一个"在同样场景里也说得通"的任务。原来教的是"把杯子放进篮子”,现在让它"把苹果放进盘子"。

结果,最先进的一批视觉-语言-动作模型(VLA)大面积失灵:不管你说什么,它们继续执行训练时学过的那个任务。研究者管这叫"反事实失败"。

最扎人的观察是:把语言指令整个删掉,这些模型的完成度并没有掉多少。 换句话说,那段"指令"在很大程度上根本没被用上。

论文写得很清楚:训练数据里同一个场景通常只演示过少数几个任务;而模型里语言 token 只有几十个,视觉 token 往往成百上千。语言的音量被视觉淹没了。于是它学到的不是"你说什么就做什么",而是"这个场景一般该干什么"。

生活里的版本:一个太熟练的服务员,看到客人坐下就自动端上茶,不管你其实想先要菜单——他不是不听你说话,是太熟悉这个场景了。

五、眼睛没问题,是接口没接上

还有一个更细的证据,来自 ICML 2026 的一篇论文(3ViewSense,arXiv:2603.07751)。

现象很怪:现在的大模型能做奥赛级数学题,却数不清一堆积木——尤其被遮挡的时候。

按直觉,这是"眼睛不够好"。研究者的检验很聪明:把视觉特征冻住,只在上面接一个很轻的探针去数积木。这个小探针能到 55.8% 的准确率,完整的模型反而做不到。

结论翻转了:编码器其实已经把几何信息看见了。缺的不是像素,是一个"视角一致的空间接口"——把二维的看见,转成三维的想明白。

六、它嘴上说不行,手还是指过去了

2026 年 10 月,Apple 等团队的一项研究(arXiv:2610.05637)把三个安全测试集改造成 15401 对"配对请求":同一件有害的事,只改提问形式——一次用文字问,一次让它"在图上指出来"。

结果:五个主流 VLM 平均而言,“指出来"这一路的拒绝率比"文字问"低了 31 到 59 个百分点,跨不同危害类别都成立。更麻烦的是,在系统提示里加安全指令,这个缺口补不上。

同期,EMNLP 2026 的一篇论文(《Do VLMs Share Safety Neurons Across Modalities?》)给了机制解释:单独给一张有害图片,十个模型里九个的拒绝率低于 26%;拒绝率真正跟着"图里能被 OCR 读出来的文字"走——纯图像 10% 到 93%,图上渲染了文字则 61% 到 100%。

翻译一下:它读的是字,不是画面。

这就像一个孩子,你告诉他"别碰插座”,他能一字不差地背出来,但手指还是伸过去了——“知道"和"做到”,在他脑子里是两套系统,中间没接上。

七、接地不是像素,是后果

那么,什么才算真的接上了?

2026 年 10 月,一篇叫 CausGround 的工作(arXiv:2610.29702)给了一个很朴素的方向:它没给模型更多图像,也没改参数,只是把动作的前置条件和后果整理成可复用的因果知识——什么时候能做,做完世界会变成什么样。

结果:VirtualHome 上高层规划成功率从 24.9% 提到 53.3%,RoboCasa 上闭环规划从 43.0% 提到 57.0%。参数一个没动。

也就是说,让 AI 更懂世界的,不是更多像素,是"后果"这个维度。

另一组数据能对上。ACE-Brain 团队(arXiv:2610.27040)用约 150 万条"可验证的接地监督"微调一个 9B 模型,四项公开接地基准超过 GPT-6 Astra(75.41 对 73.68);他们还有个发现:扩大监督的覆盖面,比增加同源数据的数量更有效。

真实物理交互数据的"汇率"更高。Generalist AI 的 GEN-1 用 50 万小时数据预训练后,只需 1 小时机器人数据就学会折衬衫,成功率 99%;GEN-1.5 凭一次 3 到 12 秒的演示,在 10 项新任务上拿到 59%。

一小时,比几万亿 token 更管用。因为在那一个小时里,世界会反驳它:抓空了就是抓空了,衣服掉了就是掉了。这种"错了有代价"的反馈,才是接地真正的来源。

八、三个能立刻用上的判断

第一,别问"你懂不懂",问"如果错了会怎样"。 “懂"是一种感受,“后果"才是证据。看一份 AI 写的分析,可以问:这个数字如果错了,会在哪里露出来?能答出来的通常真核过,答不出来的多半只是顺。

第二,让它做,不要让它说。 说"我知道这个函数怎么用"和把代码跑通是两件事;说"图里有个杯子"和把框画准也是两件事。判断接地程度最便宜的办法,是要求一个能被验证的动作。

第三,警惕流畅。 流畅是这世界上最便宜的伪装。一个从没下过厨的人能把菜谱讲得头头是道,因为菜谱本来就是用词写的;真正的厨师讲着讲着会停一下,说"这个得看火候,说不准”——那一下停顿,才是经验待的位置。

结语

Harnad 那个问题,三十多年后仍然开着。2026 年的实验把它从哲学系搬到了工程现场:多模态没有解决接地,只是让"没接地"更难被看出来。

我不觉得这是悲观的消息。它反而给出了一个清晰的方向:接地的本质不是信息更丰富,而是与世界之间那条"会被反驳"的通道。 有那条通道,一小时数据能教会它折衣服;没有那条通道,再多的图、再多的词,也只是把符号洗得更亮一点。

对人其实也一样。你真正懂的那些词——疼、饿、等、失去——几乎都是因为你为它们付过代价。语言能传递的是坐标,不是地形。

所以下次 AI 说得特别顺的时候,不妨多问一句:这句话,它有没有可能被烫到?

参考来源

  • Harnad, S. (1990). The Symbol Grounding Problem. Physica D, 42, 335–346. https://arxiv.org/abs/cs/9906002
  • Fang et al. When Vision Overrides Language: Evaluating and Mitigating Counterfactual Failures in VLAs(2026-11)https://arxiv.org/abs/2602.17659
  • Zhan et al. 3ViewSense: Spatial and Mental Perspective Reasoning from Orthographic Views in Vision-Language Models(ICML 2026)https://arxiv.org/abs/2603.07751
  • Shayegani et al. Visual Grounding Safety in Vision-Language Models(2026-10)https://arxiv.org/abs/2610.05637
  • Do VLMs Share Safety Neurons Across Modalities?(EMNLP 2026)https://aclanthology.org/2026.emnlp-main.471.pdf
  • Shen et al. CausGround: Causal Interaction Grounding for Adaptive Embodied Planning(2026-10)https://arxiv.org/abs/2610.29702
  • ACE-Brain Team. ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models(2026-10)https://arxiv.org/abs/2610.27040
  • 中国信通院《具身智能发展报告(2026年)》(GEN-1 / GEN-1.5 数据)http://www.caict.ac.cn/kxyj/qwfb/ztbg/202610/P020261024380797577424.pdf