智能体 on 灵语AI

AI再聪明，没有'手'也白搭——工具使用如何把AI从书呆子变成实干家

Tue, 15 Sep 2026 18:30:00 +0800

引言

想象一下：

你是世界上最聪明的人。你读过所有书，知道所有知识。但——你没有双手，无法触碰任何东西，也不能用任何工具。

有人问你：“鱼香肉丝怎么做？”

你能把步骤背得一字不差。“猪肉切丝腌制，泡椒剁碎，调好糖醋汁…“每一步都说得清清楚楚。

但你没法真的走进厨房。

你没法拿起菜刀、打开燃气灶、尝一口咸淡。你知道一切，却做不了任何事。

听起来很荒谬？但这恰恰是目前大多数AI的真实处境。

大语言模型就像这个"天才书呆子”——它们读过海量文本，知道多得惊人的知识，但如果没有工具的帮助，它们永远只能停留在"说话"的层面。

工具使用（Tool Use），是AI从"知道分子"走向"实干家"的关键一跃。 这篇文章，我要带你看看这一跃是怎么发生的。

一、AI的五个"先天缺陷”——为什么光有知识不够

你可能会想：AI不已经能写文章、写代码、回答问题了吗？这还不够？

不够。因为纯语言模型有五个无法绕过的天花板：

第一，知识的保质期。 一个模型的训练数据截止于某一天。那之后发生的事情，它一概不知。去年的大选结果、今天的热搜、刚刚发布的财报——它要么不知道，要么只能编一个。

第二，事实的不确定性。 模型经常"编故事"——这就是AI幻觉（Hallucination）。一个没有数据库、搜索引擎可以查证的语言模型，就像一个参加闭卷考试的学生：遇到不会的题，它只能硬编一个答案，还假装很确定。

第三，数学的短板。 大模型对语言很擅长，但对精确计算却很笨。你让它算"3857×926"，它可能给出一个接近但不准确的数字。它靠的是"猜"而不是"算"。

第四，与真实世界的隔离。 模型只能读写文本。它没法打开网页查询实时信息，没法发送邮件，没法操作你的日历，没法控制智能家居。它生活在"语言的世界"里，不是"物理的世界"。

第五，专业知识的深度限制。 一个模型可以"懂"很多领域，但在任何一个垂直领域，都不如该领域的专业工具。金融领域的彭博终端、医疗领域的影像诊断系统、工程领域的CAD软件——每个领域都有比通用AI更强大的专用工具。

你发现了吗？这五个缺陷都有一个共同的解决方案——给AI装上手和脚，让它学会使用工具。

二、一个你每天在用的"AI工具使用"案例

在深入技术之前，先看一个你很可能已经体验过的场景。

你正在用某个AI助手。你问它：“帮我查一下今天北京的天气。”

它怎么做的？

第一步，它意识到自己不知道今天的天气（因为训练数据不包含实时信息）。

第二步，它主动选择使用一个搜索或天气API工具。

第三步，它构造正确的参数——把"北京"“今天"转换成API能理解的格式（比如城市代码和日期）。

第四步，它调用工具，获取返回结果：“多云，15-25°C”。

第五步，它理解工具返回的结果，把它组织成一句通顺的话告诉你。

这个过程看起来很简单，但每一步都是一个巨大的技术跨越。

在2020年之前，没有任何AI能做到这种"主动判断自己不知道什么→决定用工具→正确使用工具→理解工具返回结果"的完整流程。

这是AI从"被动回答问题"到"主动解决问题"的分水岭。

三、“思考-行动-观察”：AI干活的三步循环

AI使用工具的背后，有一个非常优雅的核心架构——ReAct循环。

这个名字是两个词的组合：Reasoning（推理）+ Action（行动）。它模仿了人类解决问题时最自然的方式：边想边做，边做边看，边看边调整。

第一步：Thought（思考）

“我知道什么？我还需要什么？哪种工具可以帮我获取我需要的信息？”

这是AI的"大脑"在工作。不是立刻回答，而是先规划。

第二步：Action（行动）

“好，我用搜索引擎查这个关键词。” “我用计算器算这个结果。” “我调数据库里的这条记录。”

这是AI的"手"在工作。它调用工具，改变外部环境。

第三步：Observation（观察）

“嗯，搜索返回了三条结果。第一第二条似乎相关，第三条不太对。” “计算器给我了一个数字：3571822。” “数据库找到了我要的记录。”

这是AI的"眼睛"在工作。工具返回的信息被感知和理解。

然后，循环继续：

“基于刚才的搜索结果，我好像理解错了用户的问题，需要重新搜索……” “有了新信息，我再想一下……” “确认了，现在我可以给出最终答案了。”

这个"思考→行动→观察→再思考"的循环，让AI不再是一个"一次性的答题机器”，而变成了一个可以持续探索、不断迭代的智能工作者。

在一项实验中，使用ReAct循环的AI在ALFWorld（一个模拟家庭环境的测试）中的任务完成率达到了71%，而普通方法只有37%。换句话说，光是加上这个"想→做→看"的循环，AI的实用能力就能翻倍。

四、工具使用的五个层次——你的AI到哪一级了？

不是所有"工具使用"都是一回事。从笨拙到老练，AI的工具使用能力可以分成五个层次：

L1：被动调用。 人类告诉AI"用计算器算这个"，AI才去算。这是最低层次，AI没有主动性。

L2：主动选择。 AI自己判断"这个问题我答不了，我需要查资料"。它自己决定什么时候该用什么工具。

L3：参数构造。 不只是选对了工具，还能正确填入参数。比如调用天气API时，知道要把"北京"转成"beijing"，把"今天"转成今天的日期。

L4：多步编排。 能组合多个工具完成复杂任务。先搜索背景信息，再调用分析工具处理数据，最后用图表工具生成可视化。就像人类完成一个项目时，会使用多种工具协同工作。

AI真的需要一具身体吗？——具身智能如何重新定义「理解」

Thu, 30 Jul 2026 02:29:00 +0800

引言：一个婴儿和一本书，哪个更聪明？

想象两个"学习者"。

第一个，从出生起就坐在一个装满书籍的房间里，从未动过一下。它读完了所有书，能背诵百科全书，能回答任何理论问题——“重力是什么？““火为什么是热的？"——答案完美无误。

第二个，一个刚出生的婴儿。它什么书都没读过，但它在爬、在摸、在摔、在把东西塞进嘴里。它发现拍打水面会溅起水花，推倒积木会发出响声，松开手里的球，球会掉到地上。

现在问题来了：这两个"学习者"中，谁更有可能真正理解这个世界？

直觉告诉我们，婴儿虽然知识少，但它对世界的理解是"活的”——它知道重量、温度、因果、空间，这些不是从书上学来的，而是从身体的互动中"长"出来的。

这就引出了一个深刻的问题：AI要真正理解世界，是否需要一具身体？

一、从"离身"到"具身”——一场认知革命

传统AI从诞生之初就是"离身"的。

它坐在计算机里，处理的是符号、数字、文本，从未"触碰"过物理世界。它知道"杯子是圆柱形的，可以盛水”，但这个"知道"和人类对杯子的知道完全不同——你拿起杯子时能感受到它的重量、材质、温度，你知道杯柄应该怎么握，你知道倒热水时杯壁会变烫。

这些"知道"不是来自书本，而是来自身体的直接体验。

20世纪80年代，认知科学发生了一场革命：认知不是"大脑"的独立活动，而是"大脑-身体-环境"三方互动的产物。 这就是具身认知理论。

它的核心主张很简单：你的身体形态决定了你如何思考。一个没有手的人，对"拿"的理解和有手的人完全不同。一个只会爬行的生物，和能飞行的生物，对"空间"的理解截然不同。你的身体是你理解世界的"硬件接口"——它决定了你接收什么信息，形成什么概念。

人类的视觉系统不是被动接收图像的照相机，而是主动搜索的探照灯——眼睛不停地跳动，头转向声音的方向，手伸出去触摸。你的身体不是在"被动感知"，而是在主动构建感知。

这就是"离身"AI的根本局限：它缺少了感知-行动闭环这个最基础的学习回路。

二、感知-认知-行动：智能的"三角循环"

具身智能的工作方式，可以用一个简单的三角循环来理解：

感知 → 认知 → 行动 → 感知 → 认知 → 行动……

每一步都依赖前一步，也改变着下一步。

感知：摄像头看到前方有一个障碍物，激光雷达测出距离，触觉传感器感受到地面摩擦力。

认知：大脑处理这些信息——“这是个台阶，高度15厘米，表面是光滑的。我可以跨过去，但需要调整步幅，小心打滑。”

行动：双腿调整步态，重心前移，跨过台阶。

新的感知：脚落地了，触觉反馈"地面稳固"，视觉确认"已经跨过"。

这个循环持续运转，每一轮都让系统更了解环境，也更了解自己。智能不是"想"出来的，而是在这个循环中"长"出来的。

你可能会说：“这不就是机器人控制吗？有什么特别的？”

特别之处在于：在这个循环中，行动不是为了完成任务，而是为了验证预测、获取信息。

举个简单的例子。你走进一个黑暗的房间，你伸手去摸墙上的开关。你的手不是在"随机搜索"，而是在做一连串的预测——“开关应该在门框右边30厘米处，高度约1.4米。“你的手移动到那个位置，摸了摸——没有。于是你更新预测：“可能开关在左边。“手又移动过去。

这个过程的本质是什么？你在通过行动，主动地减少不确定性。 你不是在"接收"信息，而是在"搜索"信息。

这就是具身智能最核心的洞察：行动是认知的一部分，而不是认知的结果。 你"思考"的方式，受限于你"行动"的方式——你"做"什么，决定了你"知道"什么。

三、大模型给了AI"大脑”，但身体呢？

2022年以来，大语言模型（LLM）的爆发让AI的"大脑"突飞猛进。GPT-4、Claude、Gemini能写诗、能编程、能推理——它们看起来"聪明"极了。

但仔细想想，这些AI的生活是什么样的？

它们没有身体，没有感官，永远生活在文本世界里。它们"知道"苹果是甜的，但从未尝过甜味；“知道"火是烫的，但从未感受过灼烧；“知道"落体是加速的，但从未体验过失重。

AI的"知识"是"二手"的——从人类留下的文字中习得的，不是从亲身经历中长出来的。

这导致了一个有趣的现象：大语言模型在某些方面"聪明得可怕”，在另一些方面"笨得令人发指”。

给它一个复杂的数学题，它可能轻松解决；但问它"一杯水从桌边掉下来会怎样”，它虽然能回答"会摔碎”，但它真的"理解"重力、惯性、冲击力这些概念吗？还是只是在复述训练数据中的模式？

具身智能就是要解决这个问题：给AI一具身体，让它从物理世界的交互中，获得"第一手"的认知。

这正在成为现实。2023-2024年，具身智能成为AI领域最热的方向之一。Google的PaLM-E将语言模型与机器人结合，让机器人理解自然语言指令并执行复杂任务。特斯拉的Optimus、Figure AI的人形机器人，都在探索"AI大脑+机器身体"的融合路径。

大模型扮演"大脑"的角色——负责高层规划、语义理解、常识推理。它说"把桌上的苹果拿过来”。

机器人扮演"身体"的角色——负责感知环境、执行动作、反馈结果。它走到桌前，识别苹果，伸手去拿，握住，返回。

大脑和身体通过"感知-行动循环"持续交互，形成一个完整的智能系统。

四、为什么"行万里路"比"读万卷书"更难？

你可能想问：既然大模型这么聪明，给它装个身体不就行了？为什么具身智能还没普及？

因为真正的难点不在于"装身体"，而在于"让身体和大脑协同工作"。

第一个挑战：仿真到现实的鸿沟。

在虚拟世界中训练的机器人，到了真实世界往往寸步难行。虚拟世界没有摩擦力、没有光线变化、没有传感器噪声、没有突发状况。一个在仿真环境中熟练的"抓取"动作，到了现实世界可能因为阳光角度不同、物体材质不同、甚至地面的一点点不平整就失败。

这就像一个人在模拟器里学会了开车，但第一次上路还是紧张得手心冒汗。 真实世界太复杂了，永远无法完美模拟。

第二个挑战：样本效率。

大语言模型可以读几万亿个token学习——文本数据几乎无限。但机器人不一样，在真实世界"训练"一次，一秒就是一秒，无法加速。让机器人学会"抓杯子"，可能需要数万次尝试，每次都是实打实的物理成本。

第三个挑战：泛化能力。

一个学会"抓红色杯子"的机器人，换成一个白色杯子，可能就抓不住了。换一个光照环境，可能就识别不出来了。换一个位置，手臂轨迹可能就撞到旁边的障碍物了。

人类可以毫不费力地把"抓杯子"这个技能泛化到任何杯子上——陶瓷杯、塑料杯、玻璃杯、大的、小的、有柄的、无柄的——但机器人做不到。 这种"泛化"能力，是具身智能面临的核心难题。

五、具身智能的终极意义：重新定义"理解"

回到文章开头的问题：AI真的需要一具身体吗？