导语
在最新一期的Lex Fridman播客中，MIT人工智能实验室教授Leslie Kaelbling深入探讨了构建智能机器人的核心挑战。作为强化学习、机器人规划和导航领域的先驱，Kaelbling分享了她从哲学背景转向机器人研究的独特历程，并阐述了她对AI发展历史的深刻见解。她特别强调了抽象能力在机器人智能中的关键作用，认为机器人无需具备意识即可表现出类人智能，但必须通过有效的状态空间抽象来处理现实世界的复杂性。这次访谈为我们理解当前AI研究的局限性和未来方向提供了宝贵的专家视角。
Leslie Kaelbling：机器人需要抽象能力而非意识
MIT教授Leslie Kaelbling在访谈中探讨了机器人智能的核心挑战。她认为机器人无需具备人类般的意识，但必须构建有效的抽象能力来处理复杂任务。从早期Shaky机器人到现代层级规划系统，她强调混合学习与模型的重要性，并指出当前AI研究需要更长的研究视野和对目标函数设计的重视。
大纲与深读 8 章
展开「深读」看每一段讨论的问题与论据。
01
哲学背景与AI启蒙
- 高中阅读Gödel, Escher, Bach启发了对AI的兴趣，关注简单原语如何组合成复杂智能
- 斯坦福哲学本科（主修符号系统）为AI和计算机科学提供了逻辑、形式语义等完美预备知识
- 在SRI实验室首次接触机器人Shaky，其技术报告包含A*搜索、符号规划、学习宏操作等众多开创性思想
深读这一段
讨论的问题：哲学训练如何具体影响AI研究者的思维方式？
论据 / 案例：斯坦福符号系统子专业涵盖逻辑、模型论、自然语言形式语义；Shaky技术报告发明了A*搜索和符号规划
02
机器人实践与方法论
08:00- ‘情境计算’理念：逻辑推理工具供工程师分析系统，但不一定作为机器人内部推理机制
- 早期机器人开发需‘重新发明轮子’（如控制、传感器），但亲手尝试坏方案后更能欣赏好方案
- AI历史呈现社会学驱动的范式振荡：从控制论→专家系统→机器学习，每次转型常伴随问题本身的重新定义
深读这一段
讨论的问题：当一个问题被认为‘难以解决’时，社区是放弃问题还是寻找新方法？
论据 / 案例：专家系统失败后，社区几乎放弃了‘将专家知识编码为逻辑规则’这一问题本身
03
符号推理的定位与抽象
16:00- 符号推理的核心价值在于‘为大集合提供短名称’，即通过抽象降低状态空间维度
- 人类无法完全内省并清晰表述自身决策过程（如视觉识别规则），这是专家系统的根本障碍
- 需要多种推理风格（空间/时间/目标抽象）应对不同问题，神经网络与符号模型是正交工具
深读这一段
讨论的问题：在何种意义上，抽象是连接感知、规划与学习的共同桥梁？
论据 / 案例：获取PhD或做晚餐需空间与时间抽象；人类无法写下识别水瓶的规则，但可讨论系领带的规则
04
MDP与POMDP：不确定性建模
24:00- MDP假设状态完全已知，但现实大多数问题是部分可观测的（POMDP）
- POMDP要求基于观测历史推理世界状态，并因自身不确定性做出行动决策
- 即使POMDP不可解或计算困难，将其作为思考框架仍能指导近似算法设计
深读这一段
讨论的问题：面对计算复杂性，‘不完美的形式化模型’相比‘没有模型’有何优势？
论据 / 案例：POMDP最优规划在离散情况下已可判定为不可判定；机器人必须在连续空间中近似求解
05
信念空间与信息收集
32:00- 信念空间将控制问题转化为对自身信念分布的控制，行动不仅影响世界也改变自身认知
- 该框架使机器人能主动权衡信息收集的价值（如人类驾驶时回头观察）
- 信念空间规划允许在行动前因自身不确定性而选择更安全的策略
深读这一段
讨论的问题：信息收集行动（如提问、环顾）如何被形式化为规划的一部分？
论据 / 案例：自动驾驶的激光雷达持续工作无需主动决策，但人类驾驶员需决定是否转头观察后方
06
层次规划与可行性判断
40:00- 通过时间抽象将长任务分解为子目标序列（如：出门→上车→驾驶）
- 高层次计划需基于抽象模型进行可行性判断，无需完全展开细节（如穿过机场）
- 关键能力是基于经验预测子目标难度（如估算穿过吉隆坡机场的时间）
深读这一段
讨论的问题：机器人如何在不展开所有细节的情况下，信任自己能完成子任务？
论据 / 案例：Herbert Simon的手段-目的推理；人类能给出穿过陌生机场的时间估算
07
感知的挑战与结构化偏差
48:00- 感知进步巨大，但核心问题是其输出应是什么（为下游规划/控制提供何种表征）
- 端到端学习需巨大数据量，因此必须引入结构化偏差（如卷积、物体存在假设）以降低样本复杂度
- 目标是发现‘卷积的道德等价物’——针对推理其他方面的内置结构
深读这一段
讨论的问题：在端到端学习趋势下，‘内置结构’的边界应划在哪里？
论据 / 案例：卷积是针对空间视觉的强偏差；图卷积与关系表征是探索物体语义空间的尝试
08
智能机器人的未来方向
56:00- 当前缺乏关键理念，无法预测人类水平AI何时实现；需结合学习与非学习组件
- 价值对齐与目标函数设计是务实且关键的近期挑战，研究者将从‘算法工程师’转变为‘目标函数工程师」
- AI研究周期不可避免，但每次低谷后的‘高水位’会更高；深度学习已带来重要提升
深读这一段
讨论的问题：如何向非专家解释现代AI系统‘非确定性’的本质？
论据 / 案例：军事伦理学家错误认为机器人像乐高Mindstorms按指令执行；实际系统优化假设类空间，结果不可预知
金句
- "I don't care if it's conscious or not. I'm happy enough if it behaves indistinguishably from a human." ——我不在乎它是否有意识，如果它在行为上与人类无法区分，我就很满意了。
- "What we're doing is doing a very bad job of very big problems." ——我们做的不是在解决简单问题上的优化，而是尝试用糟糕的方法解决巨大的问题。
- "You cannot reason completely fine-grain about everything in your life. You can't make a plan at the level of images and torques for getting a PhD." ——你无法对生活中的一切进行完全精细的推理。你无法在图像和力矩层面规划获得博士学位。
- "The thing that's going to make perception take the next step is actually understanding better what it should produce." ——让感知能力更进一步的关键，实际上是更好地理解它应该输出什么。
- "We're going to go from being people who engineer algorithms to being people who engineer objective functions." ——我们将从编写算法的工程师，转变为设计目标函数的工程师。
