<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>VLA视觉捷径 on 灵语AI</title>
		<link>https://lingyu7.com/tags/vla%E8%A7%86%E8%A7%89%E6%8D%B7%E5%BE%84/</link>
		<description>Recent content in VLA视觉捷径 on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Mon, 16 Nov 2026 03:15:00 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/tags/vla%E8%A7%86%E8%A7%89%E6%8D%B7%E5%BE%84/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>AI会说「烫」，但它从来没被烫过——1990年的一道哲学难题，正在机器人身上现形</title>
				<link>https://lingyu7.com/posts/ai-says-hot-but-never-burned/</link>
				<pubDate>Mon, 16 Nov 2026 03:15:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-says-hot-but-never-burned/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;我让一个 AI 解释&amp;quot;烫&amp;quot;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……&lt;/p&gt;&#xA;&lt;p&gt;写完我问它：&amp;ldquo;你有没有被烫过？&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;它说：&amp;ldquo;我是一个语言模型，没有身体，也没有感官经验。&amp;rdquo;&lt;/p&gt;&#xA;&lt;p&gt;这两句放在一起，就是本文要说的事：它能把&amp;quot;烫&amp;quot;用在所有正确的地方，却从未拥有过这个词指向的那件事。&lt;/p&gt;&#xA;&lt;p&gt;1990 年，认知科学家 Stevan Harnad 给这份尴尬起了个名字：&lt;strong&gt;符号接地问题&lt;/strong&gt;。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。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一1990年一个要命的问题&#34;&gt;一、1990年，一个要命的问题&lt;/h2&gt;&#xA;&lt;p&gt;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？&lt;/p&gt;&#xA;&lt;p&gt;传统 AI 里，&amp;ldquo;猫&amp;quot;是人手定义的符号。让机器自己学就不行：它学到的只是&amp;quot;猫&amp;quot;常和&amp;quot;喵喵叫&amp;quot;&amp;ldquo;毛茸茸&amp;quot;&amp;ldquo;怕水&amp;quot;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。&lt;/p&gt;&#xA;&lt;p&gt;Harnad 把这叫&amp;quot;符号的无限循环&amp;rdquo;。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。&lt;/p&gt;&#xA;&lt;p&gt;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&amp;quot;猫是哺乳动物&amp;quot;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。&lt;/p&gt;&#xA;&lt;h2 id=&#34;二只背词典学不会外语&#34;&gt;二、只背词典，学不会外语&lt;/h2&gt;&#xA;&lt;p&gt;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。&lt;/p&gt;&#xA;&lt;p&gt;&amp;ldquo;红&amp;quot;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。&lt;/p&gt;&#xA;&lt;p&gt;所以接地不是&amp;quot;知识更多&amp;rdquo;，是&amp;quot;知识换了个来源&amp;rdquo;——不是从文字到文字，是从世界到符号。&lt;/p&gt;&#xA;&lt;h2 id=&#34;三多模态把梯子倒过来搭了&#34;&gt;三、多模态，把梯子倒过来搭了&lt;/h2&gt;&#xA;&lt;p&gt;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。&lt;/p&gt;&#xA;&lt;p&gt;但 2026 年 9 月的一篇分析点出了一个结构细节，值得记住：&lt;strong&gt;VLM 不是从感知往上盖，而是从符号往下找。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;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。&lt;/p&gt;&#xA;&lt;p&gt;那篇分析用了个很准的说法：这不是接地，是**&amp;ldquo;语义洗白&amp;rdquo;**（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。&lt;/p&gt;&#xA;&lt;p&gt;这话听着抽象，后果却非常具体：&lt;strong&gt;如果&amp;quot;懂&amp;quot;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。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;四把指令删掉机器人照样把活干完了&#34;&gt;四、把指令删掉，机器人照样把活干完了&lt;/h2&gt;&#xA;&lt;p&gt;2026 年 11 月，北卡和 UIUC 的团队（arXiv:2602.17659）做了个有点残忍的实验。&lt;/p&gt;&#xA;&lt;p&gt;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&amp;quot;在同样场景里也说得通&amp;quot;的任务。原来教的是&amp;quot;把杯子放进篮子&amp;rdquo;，现在让它&amp;quot;把苹果放进盘子&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;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&amp;quot;反事实失败&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;最扎人的观察是：&lt;strong&gt;把语言指令整个删掉，这些模型的完成度并没有掉多少。&lt;/strong&gt; 换句话说，那段&amp;quot;指令&amp;quot;在很大程度上根本没被用上。&lt;/p&gt;&#xA;&lt;p&gt;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&amp;quot;你说什么就做什么&amp;quot;，而是&amp;quot;这个场景一般该干什么&amp;quot;。&lt;/p&gt;</description>
			</item>
	</channel>
</rss>
