想象一下你正在教一个机器人做家务。你可能会认为秘诀仅仅是给它一个能说人类语言的超级大脑。但问题的关键在于：仅仅因为一个机器人能用语言表达它“理解”了你的意思，并不意味着它真的“领悟”了。这就是所谓的“具身智能”（Embodied AI）领域的核心，在这个领域中，计算机试图通过与真实的物理世界进行交互来学习，而不仅仅是阅读书籍。科学家们提出的重大问题是：当机器人利用语言来弄清楚该做什么时，这种语言究竟是在帮助它观察和移动，还是仅仅是一种华丽的装饰？把它想象成 GPS。如果你的 GPS 告诉你“向左转”，那只是一句话。但如果 GPS 真的知道那里有一堵墙，并因此阻止你撞上去，那就是另一回事了。我们想知道机器人的语言究竟是聪明的导航员，还是一个拿着地图却从不看一眼的乘客。

这篇论文就像是一个侦探故事，作者通过研究 105 个不同的机器人项目，来查明语言究竟扮演了什么角色，更重要的是，是否真的有人证明了它的作用。他们意识到，科学家们经常混淆“机器人声称它在做什么”和“机器人实际在做什么”。为了解决这个问题，他们创建了一种新的方法，将机器人分为五种不同的“工作”类别。他们称这些工作为：指令规范（Specification，告诉机器人要做什么）、具身表示（Embodied Representation，帮助机器人用语言理解世界）、动作编排（Action Orchestration，决定使用哪些技能）、接地调节（Grounding Regulation，在出错时进行修正）以及执行耦合（Execution Coupling，将语言直接转化为肌肉运动）。

作者发现了一个有趣但令人沮丧的模式：许多研究人员声称他们的机器人因为使用了语言而变得超级聪明，但当我们仔细观察证据时，语言往往并没有承担真正的重任。这就像一位魔术师声称他的帽子是魔术的来源，而实际上，戏法是在他的袖子里完成的。论文指出，仅仅因为机器人可以谈论一个计划，并不意味着这个计划是正确的；仅仅因为机器人成功完成了任务，并不意味着语言是其成功的理由。他们发现，虽然几乎每篇论文都展示了能够追踪从单词到动作的路径，但很少有论文真正证明了改变语言会改变机器人在现实世界中的行为。简而言之，该论文认为，我们不应仅仅庆祝那些会说话的机器人，而应该开始要求证据，证明这些话语确实让它们产生了移动。

机器人语言的五种工作

作者意识到，“语言”并不只是一种东西。它就像一把瑞士军刀，拥有不同的工具来应对不同的工作。他们根据机器人实际进行的语言功能，将研究中的机器人分成了五类：

1. 指令规范（任务管理者）： 这是指语言告诉机器人目标是什么。这就像递给快递员一张便条，上面写着“把披萨送到主街 123 号”。语言设定了规则。
2. 具身表示（翻译官）： 这是指语言帮助机器人理解物理世界。想象机器人看着一个杯子，心里想：“那是一个易碎的玻璃制品。”它将物理世界转化为文字，以便稍后记忆。
3. 动作编排（指挥家）： 这是指语言决定使用哪些技能。如果机器人有一个“抓取”技能和一个“推”技能，语言可能会说：“嘿，用抓取技能对待这个杯子，但推开那个盒子。”它负责组织团队。
4. 接地调节（裁判员）： 这是“哎呀”时刻。如果机器人尝试抓取杯子却掉落了，语言能帮助它意识到：“等等，我把它掉了！我需要再试一次。”它利用新的证据来改变计划。
5. 执行耦合（肌肉）： 这是最直接的联系。语言不仅在规划，它还直接告诉电机该做什么。这就像语言本身就是运动指令。

证据审计大考

作者不仅列出了这些工作，还对每一篇论文进行了测试。他们问道：“你真的证明了你的语言在承担这项工作吗？”他们寻找了五种特定的证明类型，称之为“证据审计”。

这里是他们发现的大问题：“证据替代”。这是一种高级说法，意指研究人员经常用弱证明来替代强声明。他们发现了四种常见的套路：

• “可读性”陷阱： 仅仅因为机器人用清晰的英语写下了一个计划，并不意味着这个计划是正确的。这就像写了一份完美的蛋糕食谱，但用的却是错误的原料。食谱很完美，但蛋糕会失败。
• “内部变化”陷阱： 有时，机器人在自己的大脑内部改变了想法（比如出现一个气泡对话框说“我应该左转”），但它从未在现实中左转。作者发现，仅仅因为机器人“想”着要改变，并不意味着它在现实世界中做了任何不同的事情。
• “成功”陷阱： 如果机器人完成了任务，大家都会欢呼。但语言真的起到了作用吗，还是机器人只是运气好？论文指出，赢得比赛并不代表语言是 MVP（最有价值球员）。也许机器人的眼睛特别好，或者任务本身就很简单。
• “靠近动作”陷阱： 一些机器人将语言直接放在电机旁边，认为这样会让语言更“强”。但作者说，这就像说一个司机因为离方向盘近就更优秀一样。如果司机根本不会开车，坐的位置再近也无济于事。

数据说明了什么

作者研究了 105 篇不同的论文。以下是证据审计揭示的结果：

• 100% 的论文展示了它们能够追踪从语言到动作的路径（他们称之为路径可追溯性）。所以，这些机器人能够将单词与动作联系起来。
• 92.4%（97 篇）展示了当它们干扰语言时，会报告一个行为后果（针对性行为测试）。这意味着它们尝试改变语言并看到了某种结果，尽管不一定是成功或预期的改变。
• 72.4%（76 篇）检查了机器人的话语是否与现实世界相符，例如检查它看到的“杯子”是否真的是杯子（具身约束检查）。
• 81.0% (85 篇) 将他们的机器人与使用不同语言设置的版本进行了比较，以观察相对于主要替代解释，语言是否是真正的英雄（声明相对隔离）。这并不意味着他们完全移除了语言，而是将其特定角色在最可能的其他原因面前进行了隔离。
• 仅 28.6% (30 篇) 实际上展示了当机器人犯错时，语言如何帮助它触发导致改变尝试的修正（闭环反馈）。至关重要的是，这个数字统计的是论文中计划在出错后被修改的情况，而不一定是机器人成功恢复或完成任务的情况。

最后一个数字是最大的惊喜。虽然许多机器人会说话并能进行规划，但很少有机器人能证明其语言能帮助它在现实世界中通过失败来改变其方法。作者认为，大多数时候，机器人的“聪明”部分实际上是视觉系统或电机控制器，而语言只是随行其后的旁观者。

总结

论文得出结论，我们不应再将“语言接地”视为让机器人变聪明的魔法标签。相反，我们需要更加明确。我们需要问：“语言具体在承担什么工作，以及你是否有证据证明它在承担这项工作？”

作者并不是说语言没用。他们是说我们需要更好的证据。如果一个机器人声称因为它使用语言而变得聪明，我们不应该仅仅听信它。我们需要看到证据，证明语言确实是那个掌舵的人，而不仅仅是那个拿着地图的人。在获得这种证据之前，我们可能对语言给予了过多的赞誉，而对这些机器人学习的实际机制关注不足。