分类： AI与科技

英文：Cognitive Offloading

以前，我们出门需要记住路线，遇到计算问题需要动笔，想不起电话号码时还要翻找通讯录。现在，这些事情几乎都可以交给手机完成。

我们不再刻意记忆电话号码，因为通讯录会替我们保存；不再费力寻找路线，因为导航会告诉我们怎么走；遇到复杂的问题，也越来越习惯先问AI。

工具让生活变得轻松，但一个新的问题也随之出现：当越来越多原本需要自己完成的思考任务被交给外部工具，我们的大脑正在发生什么变化？

这种现象被称为「认知外包」。

一、什么是认知外包？

认知外包（Cognitive Offloading），是指人们借助外部工具、环境或其他人，完成原本需要依靠自身认知能力处理的任务，从而减少记忆、计算、规划和思考等方面的负担。

简单来说，就是把一部分脑力工作交给外部资源。

它并不是人工智能时代才出现的现象。

早在文字和纸张普及之前，人们就已经通过结绳、刻痕等方式记录信息。文字的出现，让人类不必完全依靠记忆保存知识；算盘和计算器，让复杂计算不再完全依赖心算；地图和导航，则减少了人们记忆地理路线的需要。

这些都是认知外包的表现。

进入智能手机时代，认知外包变得更加普遍。而大语言模型的出现，又将这种现象推进到一个新的阶段：我们不仅可以把信息记忆和计算交给工具，还可以把内容整理、问题分析、语言表达，甚至部分决策过程交给AI。

认知外包的本质，是把部分认知任务从大脑转移到外部系统。

二、从记忆外包到思考外包

认知外包一直存在，但不同技术所承接的认知任务并不相同。

第一阶段：记忆外包。

文字、笔记、日历和通讯录，让人们不必记住所有信息。我们可以把精力留给更重要的事情，而不是不断重复记忆和查找。

第二阶段：计算与空间认知外包。

计算器、电子表格、地图和导航软件，逐渐接管了大量计算、定位和路线规划任务。

第三阶段：信息处理外包。

搜索引擎和数字工具，让人们能够快速查找、筛选和整理信息。过去需要花费大量时间完成的资料搜集，现在可能只需要几分钟。

第四阶段：思考辅助与部分思考外包。

生成式AI的出现，让认知外包进一步延伸。

我们可以让AI解释一个概念、比较不同方案、分析一份资料、撰写文章，甚至帮助制定行动计划。

这里出现了一个重要变化：过去的工具更多是在帮助我们完成某项具体任务，现在的AI已经能够参与任务本身的分析和组织。

它不只是替我们保存信息，也开始参与信息之间的联系、推理和表达。

当然，这并不意味着AI已经能够可靠地替代人类判断。它提供的分析和建议仍然需要验证，尤其是在涉及重要决策时。

三、认知外包是一件好事吗？

认知外包并不天然意味着能力退化。事实上，合理利用外部工具，能够让人们把有限的注意力和工作记忆资源投入到更有价值的任务中。

例如，一个研究人员不必亲自完成所有资料整理，就可以把更多时间用于提出问题和验证假设；一个学生借助AI理解复杂概念，也可能更快进入真正需要思考的部分。

从这个角度看，认知外包是人类利用工具扩展自身能力的一种方式。

但问题在于，当外部工具从辅助者变成默认的思考者，情况就可能发生变化。

1. 减少记忆，也可能减少知识积累。

当我们习惯随时通过搜索引擎获取答案，就可能不再主动记忆一些知识。

这并不一定是坏事。知识可以随时查询，确实没有必要记住所有信息。

但知识储备不仅用于回答问题，也为理解新问题提供基础。一个人如果缺乏必要的知识积累，即使拥有强大的AI工具，也未必能够准确判断答案是否合理。

2. 减少思考过程，也可能削弱独立解决问题的能力。

遇到问题就直接询问AI，能够快速得到一个看似完整的答案。

但如果长期跳过分析问题、寻找线索、尝试解决和检查结果的过程，我们可能逐渐失去独立完成这些任务的习惯。

尤其是在学习过程中，真正有价值的往往不只是最后的答案，还有获得答案之前经历的思考过程。

3. 提高效率，也可能增加对工具的依赖。

当AI能够快速完成写作、分析和整理任务，人们自然会倾向于使用它。

但如果一个人已经无法在没有AI的情况下完成基本表达、分析或判断，那么工具带来的效率提升，也可能伴随着个人能力的依赖性增强。

问题并不在于使用工具，而在于自己是否还保留着理解、判断和独立完成任务的能力。

四、AI时代，更重要的是保留思考能力

认知外包真正值得讨论的，并不是人类应该拒绝工具，而是应该如何决定哪些事情可以交给工具，哪些事情仍然需要自己完成。

例如，在学习过程中，可以让AI解释一个知识点，但不妨先自己尝试理解，再让AI帮助发现盲区。

在工作中，可以让AI整理资料和提供方案，但关键判断仍然需要结合真实情况作出。

在日常生活中，可以借助导航寻找路线，但也可以有意识地观察周围环境，建立自己的空间认知。

这些做法并不是为了刻意增加工作量，而是避免把所有认知任务都交给外部系统。

尤其对于孩子的教育，这个问题更值得重视。

如果孩子遇到一道题，AI马上就能给出完整解答，那么家长和教育者需要考虑的，就不只是如何让孩子更快得到答案，而是如何让孩子学会提出问题、理解条件、尝试推理，并最终形成自己的判断。

AI可以成为学习伙伴，但不应该让学习过程变成简单的答案获取。

结语

从文字到计算器，从搜索引擎到人工智能，人类一直在通过工具扩展自己的认知能力。

认知外包不是AI时代才出现的新现象，但AI正在让它从简单的信息记忆和任务执行，逐渐延伸到更复杂的思考活动。

这既是技术进步带来的便利，也是我们需要认真面对的新课题。

或许，未来人与人之间的能力差异，不再只是记住多少知识、完成多少任务，还包括能否提出好问题、辨别信息真伪，以及在必要的时候独立思考和作出判断。

工具可以替我们承担越来越多的脑力劳动，但理解世界、形成判断和决定自己要走向哪里，仍然需要人自己参与。

---

相关词汇

• 大模型：能够通过大量数据训练，完成语言理解、生成和复杂信息处理任务的人工智能模型。
• AI分身：利用人工智能模拟个人的表达方式、知识和行为特征，形成能够代替本人完成部分任务的数字化助手。
• 提示词工程：通过设计和优化输入指令，引导AI更准确地理解任务并生成符合要求的结果。
• 信息茧房：由于个人的信息选择和平台推荐机制等因素，导致接触的信息范围逐渐受到限制的现象。

英文：Embodied AI（Embodied Artificial Intelligence）

核心释义： 具身智能是指通过实体载体感知和理解物理环境，并根据任务要求自主决策、执行动作，在与现实世界的交互中完成任务的智能形态。机器人是其重要载体，但具身智能并不局限于人形机器人。

一、什么是具身智能？

过去几年，人们对人工智能的认识，很大程度上来自聊天机器人。

你可以让AI写文章、分析数据、翻译语言，甚至帮助自己制定商业计划。但无论它的回答多么出色，它通常仍然停留在数字世界里。

你让它整理房间，它可以告诉你应该先收拾什么、再整理什么，却不能直接伸出手，把桌上的杯子放进橱柜。

如果有一天，一台机器人不仅能够理解你的指令，还能看清桌面上的物品，判断杯子的位置，伸手拿起杯子，避开障碍物，再把它放到指定位置，这就涉及具身智能所关注的能力。

这里的关键不只是让机器拥有一个身体，而是让智能系统能够通过这个身体感知环境、采取行动，并根据现实中的反馈调整行为。

这就是「具身智能」所要表达的核心意思。

「具身」可以理解为智能具有具体的身体载体，并通过身体与外部环境发生联系。英文 embodied 也包含了这种具备实体形态、体现于具体载体之中的含义。

需要注意的是，具身智能并不是一种特定的机器人外形。

人形机器人可以是具身智能的载体，机械臂、四足机器人、自动驾驶汽车等也可能具备具身智能能力。决定它是否具有相关能力的，不是外形像不像人，而是智能系统能否通过实体与现实环境交互，并完成相应任务。

简单来说，传统AI主要回答「应该怎么做」，而具身智能还要进一步解决「如何在现实世界中真正做到」。

二、具身智能与我们熟悉的AI有什么区别？

要理解具身智能，可以把它与两种常见的技术形态放在一起比较。

1. 以数字信息处理为主的AI

我们日常使用的许多AI工具，主要处理文字、图像、声音和数据。

例如，让AI分析一张厨房照片，它可以识别出桌子、杯子、餐具等物品，也可以给出整理建议。

但识别物品与实际拿起物品，是两种不同的能力。

前者主要涉及信息理解，后者还需要处理物体的位置、形状、重量、摩擦力以及动作执行等问题。

即使AI能够准确描述一个杯子，也不意味着它已经掌握了拿起这个杯子所需的全部能力。

2. 传统自动化设备

那么，只要机器能够执行动作，就属于具身智能吗？

也不完全是。

传统自动化设备早已能够完成大量物理操作。例如，工厂中的机械臂可以按照预先设定的程序，反复抓取零件、移动物体和完成装配。

这些设备同样拥有实体，也会与现实环境发生物理接触。

但如果它们只能在固定条件下执行预设动作，面对位置变化、陌生物体或环境干扰时就无法自主调整，那么它们与具备较强环境理解和自主决策能力的具身智能系统仍然存在区别。

当然，这不是说所有传统自动化设备都不具备智能。现代机器人技术与传统自动化之间存在连续的技术演进，不宜简单地划出一道绝对界线。

3. 具身智能

具身智能希望进一步把环境感知、任务理解、决策规划和身体动作结合起来。

例如，当机器人需要把桌上的杯子放进柜子时，它不仅要识别杯子，还要判断杯子的位置，规划抓取动作，控制机械手完成操作，并在杯子滑动或位置发生变化时及时调整。

如果机器人能够在不同环境中处理更多变化，而不只是重复固定程序，它的具身智能能力就会体现得更加充分。

三者的区别可以简单概括为：

类型	主要能力	面临的关键问题
数字信息处理型AI	理解和处理信息	能否准确理解信息并给出有效结果
传统自动化设备	按预设规则执行动作	能否稳定、高效地完成固定任务
具身智能系统	结合环境感知、自主决策与物理行动	能否在变化的现实环境中可靠地完成任务

这张表是为了帮助理解而进行的概括，并不意味着三类技术彼此完全独立。现代具身智能系统本身也会使用大模型、传统控制算法和自动化技术。

三、为什么现在开始重视具身智能？

如果机器人执行动作的想法已经存在了几十年，为什么具身智能会在近几年受到如此多的关注？

一个重要原因是，人工智能的能力正在向现实世界延伸。

1. 大模型为机器人提供了更强的任务理解能力

过去的机器人往往需要针对具体任务进行编程。

如果希望机器人完成新的工作，就可能需要重新设计程序、调整设备或安排专门的工程人员。

大模型的发展为机器人提供了新的可能性。

机器人有机会理解更自然的语言指令，识别更加复杂的场景，并将抽象任务拆解成一系列具体动作。

例如，人类可以直接告诉机器人：「把桌面整理干净，再把书放到书架上。」

机器人需要进一步理解「整理干净」意味着什么，识别哪些物品需要移动，确定物品应该放在哪里，并将这些要求转化为实际动作。

不过，理解指令并不等于能够成功完成任务。大模型提供的语言理解和推理能力，还需要与视觉感知、运动控制、硬件和实际操作经验结合起来。

2. 现实世界需要的不只是回答正确

在数字世界中，一个回答即使存在少量偏差，也未必会立即产生物理后果。

但在现实世界中，机器人的动作可能直接影响人、物品和周围环境。

例如，机器人抓取一个玻璃杯时，如果力度过大，杯子可能破裂；如果力度过小，杯子可能滑落。

机器人搬运物品时，也需要考虑自身平衡、运动轨迹以及周围是否有人。

这意味着具身智能不仅需要理解任务，还必须将理解转化为安全、稳定且有效的行动。

它所面临的挑战，已经从信息处理扩展到了复杂的物理交互。

3. 机器人开始成为检验AI实际能力的重要载体

当AI进入实体设备之后，人们可以更加直接地观察它是否真正具备完成任务的能力。

机器人能不能连续工作？能不能适应不同物品？能不能处理突发情况？完成任务需要多长时间？出错后能不能恢复？

这些问题很难仅通过一段演示视频得到答案，却直接关系到技术能否投入实际使用。

2025年，「具身智能」首次写入我国《政府工作报告》，被列为重点培育的未来产业之一。此后，相关研究和产业应用持续推进。

2026年10月，清华大学电子工程系与中国信息通信研究院等机构发布《具身智能发展报告（2026年）》，进一步关注具身智能从展示演示走向实际作业的技术进展、应用路径与商业挑战。

这些发展说明，具身智能已经不只是一个实验室里的研究概念，而是逐渐进入技术竞争、产业布局和实际应用的讨论之中。

四、具身智能可以用来做什么？

具身智能的应用范围远不止人形机器人。

不同的实体载体，可以承担不同类型的任务。

1. 工业生产

在制造业中，机器人已经广泛用于搬运、焊接、装配和检测等工作。

具身智能希望进一步提高机器人面对复杂任务和变化环境时的适应能力。

例如，在传统生产线上，机械臂可能需要面对位置固定、规格统一的零件。具备更强感知与决策能力的机器人，则有望处理位置不完全固定、形态存在差异的物品，减少对严格固定生产条件的依赖。

不过，工业生产对稳定性、精度、速度和成本有很高要求。具身智能能否真正改善生产效率，还需要通过具体应用验证。

2. 仓储与物流

仓储环境中的物品种类繁多，摆放方式也可能发生变化。

机器人不仅要识别包裹，还需要判断如何抓取、搬运和放置，并与其他设备协同工作。

如果具身智能能够提高机器人对不同物品和环境的适应能力，就有机会拓展其在分拣、搬运和仓库作业中的应用。

3. 家庭服务

家庭是具身智能很有想象空间、同时也非常困难的应用场景。

在工厂中，设备可以面对相对明确的工作区域和操作规则；在家庭中，环境却更加复杂。

地面可能有玩具，桌面上的物品可能随时改变位置，不同家庭的家具布局也各不相同。

如果机器人要帮助人们收拾房间、拿取物品或完成简单家务，就必须适应大量非标准化场景。

这也是为什么让机器人在舞台上完成一套动作，与让它在普通家庭里持续完成家务，是两种难度截然不同的事情。

4. 医疗、养老与危险环境作业

具身智能还可能用于医疗辅助、养老服务、灾害救援和危险环境作业。

例如，在危险区域执行巡检，或者在特定条件下协助搬运物品，可以减少人员直接暴露于风险之中的机会。

但涉及医疗、护理和人身安全的任务，对可靠性、责任划分和安全标准的要求更高。

相关技术需要经过严格验证，不能因为机器人具备一定的自主操作能力，就认定它已经能够替代专业人员。

五、为什么会走路的机器人，不一定是好用的机器人？

这是理解具身智能时非常值得关注的问题。

近年来，人形机器人可以跑步、跳跃、跳舞，甚至完成一些复杂的动作。这些进步容易让人产生一种印象：只要机器人的运动能力足够强，它就很快能够承担大量现实工作。

但实际情况要复杂得多。

1. 动作能力不等于任务能力

让机器人完成一个预先设计好的动作，与让机器人自主完成一个实际任务，并不是一回事。

例如，一台机器人可以流畅地走到桌子旁边，却不一定能准确拿起桌上的不同物品。

它可以完成一次抓取演示，却不一定能在物品位置发生变化时继续成功操作。

真正的工作能力，要求机器人把感知、规划、行动和反馈连接起来，而不是只在某个环节表现出色。

2. 演示成功不等于长期可靠

一段视频可能只展示机器人最成功的一次操作。

但在实际生产中，机器人需要面对大量重复任务，也需要处理意外情况。

如果一台设备完成一次任务的成功率很高，却经常因为小问题停机，那么它仍然可能难以满足商业应用的要求。

因此，评估具身智能不能只看动作是否漂亮，还要看任务成功率、连续工作能力、故障处理能力和使用成本。

3. 技术可行不等于商业可行

即使机器人能够完成某项任务，也不意味着企业一定愿意购买。

企业还需要考虑设备价格、维护费用、运行效率、人工协作成本，以及机器人是否真的比现有方案更有优势。

在一些场景中，传统机械臂或专用自动化设备可能仍然更加经济、可靠。

具身智能的价值不在于取代所有传统设备，而在于解决那些现有方案难以高效处理的问题。

从展示动作到可靠作业，再到形成可持续的商业模式，才是具身智能真正需要跨越的几道门槛。

六、具身智能距离真正普及还有多远？

具身智能拥有广阔的应用前景，但仍然面临多方面的挑战。

首先是数据问题。

人类可以通过日常生活积累大量经验，逐渐学会拿取物品、使用工具和适应环境。而机器人需要通过数据、训练、算法和实际交互建立相应能力。

现实世界中的操作数据采集成本较高，不同机器人之间的硬件结构和控制方式也可能存在差异。如何让机器人从有限的训练经验中学会处理更多任务，是当前研究的重要方向。

其次是泛化能力。

机器人在实验环境中学会了如何拿起一个杯子，并不意味着它能够顺利拿起所有杯子。不同材质、形状、重量和摆放方式，都可能影响操作结果。

再次是安全与可靠性。

机器人在现实世界中行动，需要考虑碰撞、跌倒、误操作以及与人类共同工作的风险。尤其是在家庭、医疗和公共场所，安全不能仅仅依靠演示效果来判断。

最后是成本和商业模式。

硬件、模型、算力、维护和场景适配都需要投入。只有当机器人能够持续解决实际问题，并且整体成本能够被用户接受时，相关应用才有可能真正普及。

清华大学与中国信通院2026年的相关报告也指出，具身智能产业正处于从技术验证向实际应用过渡的阶段，技术能力、应用落地和商业回报之间仍存在差距。

因此，对具身智能既不必过度神化，也不应该因为当前存在局限就低估它的长期价值。

更合理的判断是：它正在拓展人工智能的能力边界，但距离在开放环境中普遍、可靠地完成复杂任务，仍然需要持续的技术进步和工程实践。

结语：人工智能不只要会思考，还要能够行动

从聊天机器人到能够自主行动的机器人，人工智能正在尝试跨越数字世界与物理世界之间的界线。

在数字世界中，AI可以帮助人们处理信息、生成内容和制定方案；在具身智能所探索的方向上，AI还需要将理解转化为动作，在现实环境中面对变化，并承担行动带来的实际后果。

这不仅是给人工智能装上一副身体那么简单。

它要求智能系统理解周围的环境，知道自己能够做什么，也能在动作失败时进行调整。

具身智能所代表的变化，是人工智能从处理信息进一步走向与现实世界互动。

它的最终价值，不在于机器人能否模仿人类的外形或动作，而在于能否真正帮助人们完成任务，让智能技术在现实生活和生产活动中发挥作用。

相关词汇

• 生成式AI：能够根据指令生成文字、图片、音频、视频等内容的人工智能技术。
• 大模型：通过大规模数据和计算资源训练、具备较强通用处理能力的人工智能模型。
• 人形机器人：在身体结构或运动形式上模仿人类的机器人，是具身智能的一种重要载体，但两者并不等同。
• 世界模型：用于表示或预测环境状态及其变化的模型，可帮助智能系统理解环境并规划行动。
• 人机协作：人类与机器在同一工作流程或任务环境中协同完成工作的方式。