想象一下，你正试图在忙碌的厨房里给朋友一个快速指令：“拿那个水果。”如果桌上有个苹果、一根香蕉和一个橙子，你的朋友可能会停顿一下。他们必须猜测你指的是哪一个。人类非常擅长这一点，因为我们不仅看字面意思，还会记住你通常吃什么、五分钟前你在做什么，以及此时此刻的感觉。我们使用一种心理捷径来弄清楚意图，而不需要每次都问：“哪个水果？”

这就是**人工智能（AI）的世界，特别是人机交互（Human-Robot Interaction）领域。科学家们正在这里尝试构建能够协助我们在家中生活的机器人和数字助手。长期以来，构建这些助手最流行的方法是使用被称为大语言模型（LLM）**的庞大“黑盒”计算机。把它们想象成读过互联网上几乎所有内容的超级聪明的鹦鹉。它们非常擅长预测句子中下一个出现的词，但它们也可能很混乱。当遇到新事物时，它们经常会进行随机猜测，运行它们需要巨大的能量，而且它们并不真正“理解”为什么选择苹果而不是香蕉——它们只是根据模式选择了最可能的选项。

一个核心问题是研究人员正在探讨的：我们能否构建一种在“如何思考”方面更聪明，而不仅仅是拥有更大记忆容量的 AI？我们能否教会它使用简单、类人的逻辑和习惯来快速解决问题，而不需要一台超级计算机？这篇论文深入探讨了那个谜题，试图创造一种不仅会猜测，而且能利用逻辑与记忆的巧妙结合来推理出正确答案的 AI 助手。

---

问题所在：“哪一个？”的困境

想象一下，你是家里一个得力机器人的老板。你说：“把水果放在桌子上。”你的厨房里有一个苹果、一个橙子和一根香蕉。对人类来说，这很容易。也许你刚吃了一个苹果，或者你正处于匆忙状态，通常会抓起香蕉。但对于标准的 AI 来说，这是一个噩梦。它看到了三种水果，却不知道你想要哪一个。

如果 AI 太不确定，它可能会停下来问：“哪个水果？”但如果你每次下达命令都要被问这个问题，这个机器人就会变得既烦人又缓慢。另一方面，如果 AI 直接瞎猜，它可能会抓错水果，让你感到沮粉。

本文作者注意到，现代 AI（如大型聊天机器人）擅长预测单词，但在这种个性化猜测方面表现糟糕。它就像一位知道世界上所有食谱的厨师，却不知道你讨厌香菜。他们想要构建的是一个能真正学习你特定习惯并利用这些习惯来解开谜团的机器人。

解决方案：三层思维阶梯

作者并没有让 AI 随机猜测或依赖一个巨大的、不透明的大脑，而是构建了一种新的架构（一种机器人思考的蓝图），其基础是层次化组合性（Hierarchical Compositionality）。这是一种高级说法，意思是：“将事物分解成小块，再将它们重新组合成组，然后学习这些组是如何与你相连的。”

这就像是用乐高积木搭建东西。

第 0 层：积木（原子属性）
首先，机器人观察家中的每个物体，并将其分解为微小的、简单的特征。它看到的不仅仅是“苹果”，它看到的是：是红色的、是圆形的、是甜的、有柄。这些就像基本的乐高积木。机器人从一个关于人类如何描述事物的数据库中获取这些描述。

第 1 层：预制集合（领域概念）
接下来，机器人注意到某些积木总是粘在一起。它看到是红色的、是圆形的和有柄经常一起出现。它将它们组合成一个名为“类苹果”的概念。它对所有事物都这样做。一个“灯”可能是一组发出光、有灯泡且放在桌子上的属性组合。这是机器人的通用世界知识，是所有人共享的。

第 2 层：你的个人手册（用户特定模式）
这是神奇的部分。机器人开始观察你。它注意到每当你与一个“类书籍”的对象（具有印刷文本且是扁平的）互动时，你几乎总是紧接着会打开一个“类灯”的对象。它不仅仅是记住“你喜欢书”；它学习的是这种模式：书 → 灯。

这就是层次化组合性。机器人搭建了一个知识阶梯：

1. 积木： 事物是由什么组成的。
2. 集合： 存在哪些分组。
3. 你的手册： 你具体如何从一个组移动到另一个组。

机器人如何解开谜团

当你说“把水果放在桌子上”时，机器人通过三个步骤来确定你指的是哪种水果。

第一步：逻辑过滤器（“禁区”）
首先，机器人使用严格的逻辑（称为答案集编程/Answer Set Programming）来排除不可能的选项。如果桌子已经满了，或者水果在一个锁着的盒子里，它会将这些选项从列表中剔除。这就像是在夜总会检查身份证的保安。

第二步：三个线索（为候选者评分）
如果剩下的仍有多种水果（例如一个苹果和一根香蕉），机器人会使用三个不同的“线索”为它们评分：

• 语义线索（语境）： 之前发生了什么？如果你刚刚把一本书放在桌子上，机器人会想：“哦，这是一个‘阅读’语境。”它会检查哪种水果最符合阅读语境。
• 显著性线索（近时性）： 你刚才碰了什么？如果你刚才拿了苹果，苹果的分数就会变高，因为它在你脑海中很新鲜。
• 主题线索（你的习惯）： 这是第 2 层阶梯发挥作用的地方。机器人会查看你的个人手册。“这个用户在阅读后通常会拿香蕉吗？”如果是，香蕉就会获得巨大的加分。

第三步：决策
机器人汇总分数。如果其中一个水果明显胜出（差距足够大），它就会抓取该水果。如果分数过于接近，它会询问：“你是说苹果还是香蕉？”这确保了它不会盲目猜测。

实验结果显示了什么

作者在一个包含 66 种不同物体（如杯子、书、灯和水果）以及五个具有独特习惯的“用户”的模拟房屋中测试了这个机器人。他们给出了 3,000 个模糊指令让机器人去解决。

他们将这个新的机器人与“最先进的”巨头（如最新的大语言模型）以及他们自己设计的更简单版本的机器人进行了对比。

结果如下：

• 新机器人获胜： 在几乎所有的测试中，他们的层次化机器人比那些大型 AI 模型更准确，尽管大型模型可以接触到完全相同的信息。
• “模式”的力量： 当指令非常模糊（例如用“它”代替“那个苹果”）时，机器人的表现尤为出色。在这些困难案例中，机器人利用第 2 层模式（你的个人习惯）的能力发挥了巨大作用。大型 AI 模型由于没有那个个人手册，一直在错误地猜测。
• 少问多做： 这个新机器人请求帮助（澄清）的频率远低于其他模型，但当它做出选择时，正确率更高。
• “迁移”技巧： 即使面对从未见过的“新物体”，只要这些物体与旧物体共享相同的“积木”（属性），机器人也能猜出你想要什么。例如，如果你通常吃桃子，而机器人看到一个看起来和感觉起来都像桃子的新水果，它也会猜测你也想要那个。

关于本文并非在说什么

需要注意的是，本文并未声称什么。

• 它并没有说大型 AI 模型（LLM）没用。它们只是不是处理这种特定任务（个性化、低数据推理）的最佳工具。
• 它并没有声称解决了所有的 AI 问题。该机器人仍需要在真实的物理机器人上进行现实世界的测试，而不仅仅是在计算机模拟中。
• 它并没有说机器人具有“意识”。它只是在使用巧妙的数学和逻辑来模仿人类使用快捷方式的方式。

总结

这篇论文表明，我们并不总是需要更大、更昂贵的 AI 大脑来制造更好的助手。有时，我们只需要一种更聪明的方式来组织我们已有的知识。通过构建一个将简单事实连接到复杂组别的“思维阶梯”，并学习你如何具体地在阶梯上上下移动，AI 可以成为一个更好的、更直观的助手。这就像是教机器人不仅要读字典，还要理解你的故事。

作者发现，这种方法比目前的行业巨头效果更好，尤其是当机器人需要根据你独特的习惯来猜测你的需求时。这是向着让机器人不仅能听从命令，而且能真正理解我们的目标迈出的重要一步。