具身认知科学是一个跨学科研究领域，旨在解释智能行为背后的机制。它挑战传统的计算心智理论，认为认知不仅仅是抽象的符号操作，而是深受物理身体及其与环境互动的影响。该领域包含三种主要方法论：整体建模心理和生物系统，将心智与身体视为单一实体；制定一套通用的智能行为一般原则；以及在受控环境中实验性地使用机器人代理。这种方法借鉴了认知科学、心理学、神经科学和人工智能的见解，并影响了从机器学习到自主机器人等多个领域。
该领域的知识根源可追溯至计算领域的早期提议。1950年，艾伦·图灵提出，机器可能需要类似人体的身体才能思考和说话，并指出可以为其配备最佳的感官器官，并通过类似儿童发展的过程教会其理解和说英语。这一想法预示了后来的具身方法，这些方法认为感知和行动与认知密不可分。
传统认知理论
传统认知理论在20世纪中期占主导地位，主要基于符号操作。在该模型中，输入被馈送到处理单元，该单元根据句法规则产生输出，并从中推导出语义意义。例如，人类感官器官充当输入设备，来自外部环境的刺激被馈送到神经系统，而神经系统充当处理单元。神经系统读取感官信息，因为它遵循句法结构，产生输出，从而形成身体运动和行为。这种观点的一个关键特征是，认知被封闭在大脑中，除了通过感官输入外，与外部世界隔绝。
这种计算框架影响了早期人工智能研究，包括麻省理工学院计算机科学与人工智能实验室和施乐帕洛阿尔托研究中心等机构的工作。然而，它面临概念性问题，最著名的是“小人论证”，该论证认为从符号中推导语义意义需要一个内部解释者，从而导致无限回归。这一批评削弱了传统模型的合理性，并推动了替代方法的发展。
具身认知方法
具身认知科学拒绝传统理论的输入-输出系统，主要原因是“小人论证”提出的问题。它不依赖内部符号操作，而是通过三个相互关联的方面来定义认知：身体的物理属性、身体在认知过程中的作用，以及有机体与环境的耦合。
身体的物理属性
第一个方面考察身体的物理特性如何影响其思考能力，试图克服传统模型中的符号操作成分。例如，深度感知在具身方法下能得到更好的解释，因为其复杂性。深度感知需要大脑检测由两眼间距引起的视网膜图像差异，以及身体和头部线索。当头部转动时，前景中的物体似乎相对于背景移动。这一观察表明，视觉处理无需中间符号操作即可发生，因为表观运动是直接感知的。
听觉感知提供了另一个例子。耳朵之间的距离越大，可能的听觉敏锐度就越高，而耳朵之间材料的密度会影响频率波穿过介质时的强度。大脑的听觉系统会考虑这些因素，而无需用符号来表示它们。距离本身创造了更高敏锐度的机会，密度则形成了频率改变的机会。因此，在考虑物理属性时，符号系统是不必要的，也是一个无益的隐喻。
身体在认知过程中的作用
第二个方面大量借鉴了乔治·莱考夫和马克·约翰逊关于概念的研究。他们认为，人类使用隐喻来解释外部世界，并拥有一套基本概念，从中可以推导出其他概念。这些基本概念包括空间方向，如上下、前后。人类理解这些概念，是因为他们通过自己的身体直接体验它们。例如，由于人类运动涉及直立站立和上下运动，人类天生具有上和下的概念。莱考夫和约翰逊认为，其他空间方向也是如此。这些基本空间概念构成了构建其他概念的基础。例如，快乐和悲伤分别被视为上或下；当有人说他们感到情绪低落时，他们表达的是根植于身体经验的隐喻映射。
这种观点影响了神经网络模型和深度学习的研究，在这些研究中，表示通常基于感觉运动数据而非抽象符号。它还与机器人学中的工作相关，其中物理具身是学习和行为的核心。
有机体与环境的耦合
第三个方面强调有机体与其环境之间的持续互动，拒绝将认知视为孤立的内部处理。这种观点与在受控环境中实验性使用机器人代理的方法一致，这是具身认知科学的核心方法论。具有简单规则的机器人可以在没有明确内部模型的情况下表现出复杂行为，正如罗德尼·布鲁克斯在斯坦福人工智能实验室和后来的麻省理工学院计算机科学与人工智能实验室等机构的早期工作所证明的那样。这种方法与传统人工智能对显式知识表示和推理的依赖形成对比。
贡献者与影响
具身认知科学大量借鉴了具身哲学和相关研究领域。贡献者包括神经科学家，如拉荷亚神经科学研究所的杰拉尔德·埃德尔曼、法国国家科学研究中心的弗朗西斯科·瓦雷拉，以及佛罗里达大西洋大学的J. A. 斯科特·凯尔索。心理学家如劳伦斯·巴萨卢、迈克尔·特维和埃莉诺·罗施也有贡献，语言学家包括吉尔·福科尼耶、乔治·莱考夫和伦纳德·塔尔米。人类学家如埃德温·哈钦斯和梅林·唐纳德也塑造了该领域。
在自主代理设计方面，早期工作归功于罗德尼·布鲁克斯和瓦伦蒂诺·布雷滕伯格。有影响力的书籍包括罗尔夫·普法伊费尔和克里斯蒂安·谢尔合著的《理解智能》，以及普法伊费尔和乔什·C·邦加德合著的《身体如何塑造我们的思维方式》。哲学家如安迪·克拉克、丹·扎哈维和埃文·汤普森提供了理论基础。该领域的想法也影响了现代人工智能研究，包括关于大型语言模型和变换器架构的工作，尽管这些系统通常在没有物理具身的情况下运行。
应用与现代相关性
具身认知科学在机器人和人工智能领域具有实际应用。像Figure AI和Sanctuary AI这样的公司开发依赖与环境具身互动的人形机器人。强化学习和课程学习的研究通常融入具身原则，其中代理通过物理或模拟互动来学习。该领域还为人类-机器人互动和自动驾驶车辆开发提供信息，如Waymo和特斯拉自动驾驶，其中感知和行动紧密耦合。
这种方法也影响了关于人工智能中无具身模型局限性的辩论。批评者认为，像大型语言模型这样的系统，在没有感官基础的情况下处理文本，可能缺乏真正的理解。具身认知科学表明，真正的智能需要一个与世界互动的身体，这一观点继续塑造学术界和工业界的研究议程。