过去两年，我们见证了人工智能历史上最狂热的“Chat时刻”——一个对话框，一个输入区，一个等待你敲下回车的光标。人们与AI聊天、写诗、编程、辩论，惊叹于它居然能像一个知识渊博的同事那样应答如流。但有一个挥之不去的疑问始终悬在每个人的心头：它说得这么好听，可它能做什么呢？
“说”与“做”之间的鸿沟，比大多数人想象的要深得多。一个能写出满分论文的AI，打开冰箱拿鸡蛋时很可能把整盒鸡蛋捏碎；一个能解释量子场论的模型，面对一个拧紧的瓶盖可能束手无策。这就是从Chat到Act的跨越——让AI从“语言生成器”进化为“物理行动者”。
语言模型取得了令人眩目的成就。它可以在虚拟空间中任意驰骋，进行符号推理、知识检索、创意生成。但无论多么强大，它始终被锁在一个基本约束里：输出只能是文字。
这不是一个可以靠“扩大模型规模”“增加训练数据”来解决的问题。语言的本质是对世界的描述，而不是对世界的干预。当我告诉你“这个杯子很烫”，我是在描述一个事实；而当我伸出手递给你一个杯垫，我是在行动。描述可以在虚拟空间中无限精细，但行动永远发生在物理现实中，受制于重力、摩擦、材料疲劳和不可预测的邻居。
Chat模式的根本局限在于：它处理的是一个已经被人类清洗、标注、离散化的世界。训练文本中不会记录“当你打字时，手指按下去的力度是0.3牛顿”这样的信息，也不会记录“说完这句话后，环境温度变化了0.1度”。这些流失的信息恰恰是行动所依赖的。
因此，从Chat到Act，不是给ChatGPT装上一双手臂那么简单。它要求整个智能系统的架构进行根本性的重新设计。语言将不再是终点，而只是通往行动的一个中间环节。
当AI真正需要动手时，它面对的挑战是全新的。
连续的时空坐标，而非离散的符号
语言世界是离散的：一个词后面跟着另一个词，序列是一维的。而行动世界是连续的、高维的、同步的。机械臂的三个关节需要同时运动，每一毫秒的扭矩都在变化。你不能像在文本中那样“先考虑下一个词是什么”，再“考虑下下个词”。你必须在这里、现在、用这个角度、这个力度——即刻决定。
物理因果，而非语义关联
Chat模型学会的规律本质上是统计性的语义关联：“下雨”后面经常跟着“带伞”。但在物理世界里，因果是刚性的：你松手，杯子一定会下落。这不是统计相关性，是普适的物理定律。一个Act智能体必须内化这种刚性因果，而不是满足于“大多数情况下如此”。
闭环控制，而非开环生成
Chat模型生成一段文字后，任务就结束了。它不需要关注这段话被读完后发生了什么。Act完全不同：当你下达“倒水”这个指令，机器人需要实时监测水位、水流速度、杯子的倾斜角度、是否有溢出风险，并动态调整自己的动作。这是一个永不停歇的感知-行动循环，一次失误就可能导致失败。
安全与鲁棒性，而非创意最大化
语言模型有时故意输出意想不到的内容来展现“创造力”。但在物理世界中，“创造力”意味着可能撞墙、可能摔碎东西、可能伤害到人。Act智能体的行为空间天然带有高额风险，它的设计哲学必须从“追求最优”转向“保证安全前提下的足够好”。
要让AI真正动手，它必须补齐一系列Chat模式完全不具备的能力。
空间智能 这不是指理解“杯子在桌子上面”这样的空间关系句，而是能够在三维空间中构建实时地图、预判运动轨迹、处理遮挡和视野盲区。当机器人伸手到架子后面抓取一个物体时，它的“脑海”中必须有一个不可见区域的信念模型。
物理直觉 人类不需要计算就知道一张纸比一块砖更容易被风吹走。这种直觉来自于一生与物理世界的互动经验。Act智能体必须通过大量试错（主要在仿真环境中）来压缩这种直觉，用神经网络直接映射“状态→可能的结果”，而不需要通过物理学方程实时求解。
动作分词与组合 语言的单位是词、短语、句子。行动的单位是什么？捏、推、拉、拧、按压、滑移……复杂的任务如“整理书桌”可以分解为一系列基本动作，但这些基本动作的边界在哪里，如何组合，如何泛化，是目前的前沿难题。一个能“拧瓶盖”的机器人，能否泛化出“拧水龙头”、“拧螺丝”的能力？这类似于语言模型中的零样本迁移，但在动作空间中远未解决。
手-眼-脑协调 这本质上是一个极其苛刻的实时系统。视觉信息从摄像头传到处理单元，再传到控制单元，最终驱动电机——整个链路的延迟必须在几十毫秒以内。更糟糕的是，视觉更新频率、触觉更新频率和控制频率完全不同步，必须设计异步融合架构。
目前主流的技术路径有两种。
从上到下：为大模型装上“手” 这种思路认为，既然大模型已经具备强大的推理和规划能力，那么只需要将它的输出连接到低层控制器即可。例如，让GPT-4生成“向前移动10厘米，左转30度，抓取”这样的高层命令序列，然后由传统的运动规划库来执行。这种方法的优点是快，复用现有语言能力，缺点是语言模型生成的命令往往过于粗糙、不考虑物理可行性、缺乏实时适应性。
从下到上：以行动为核心重新设计 另一种思路主张，应该从底层控制开始，用强化学习、模仿学习等方法训练端到端的行动策略，然后将语言模型作为“顾问”提供高层指导。这种方法的优点是更贴近物理现实，动作更流畅、更鲁棒，但缺点是样本效率极低，且难以融入抽象知识和常识推理。
真正的答案很可能在中间：一个分层架构。顶层是语言模型，负责理解用户意图、分解任务、制定抽象计划；中层是“动作模型”，将抽象计划转化为时序动作序列，并处理意外情况；底层是传统的实时控制器，保证基本的稳定性和安全性。这种架构中，每一层都有自己的“思考时间尺度”——顶层慢、抽象；底层快、局部。
当AI真正能够动手时，哪些场景将首先被重塑？
家庭助理的质变 今天的智能音箱能告诉你菜谱，但它做不了菜。一个具备Act能力的家庭机器人可以：从冰箱拿出鸡蛋（感知新鲜度）、打蛋入碗（控制力度避免蛋壳掉落）、搅打（适应蛋液粘稠度）、倒进热锅（避开油溅）、翻炒（根据食材状态调整频率）。这才是真正的“家务劳动替代”。
远程操作与危险环境 在核电站检修、深海勘探、太空建造等场景中，让人类直接进入风险极高。一个具身智能体可以远程接受指令，但自主处理大量低层细节。操作员只需要说“把这个阀门拆下来检查”，机器人就能自己找工具、拧螺丝、标记拆下的零件、甚至应对螺栓锈蚀等意外。
医疗与康复 手术机器人已经存在，但它们目前更像精密的工具，每一步都在医生的直接控制下。当AI拥有Act能力后，它可以承担更复杂的辅助任务——自动调整内窥镜角度以便让医生获得最佳视野，根据组织的硬度反馈自动调节牵拉力道，甚至在医生疲劳时接管一部分重复性操作。
制造与物流的最后一厘米 自动化产线已经高度成熟，但那是针对标准化产品、结构化环境的“死”自动化。Act智能体可以处理混流生产中的异形件，可以在货架上从一堆杂乱的物品中准确抓取目标，可以处理软包、线束、不规则形状这些传统自动化无法对付的“刺头”。
我们必须诚实：今天的“Act”离人类的动手能力还差得很远。一个五岁小孩可以轻松完成“把乐高插在一起”的任务，而最先进的科研机器人仍然会在数十次尝试中失败多次。人类的手拥有超过20个自由度、每平方厘米数百个触觉感受器、实时更新的肌肉张力和关节角度感知——这些生物工程学的奇迹，工程系统至今无法企及。
但方向已经明确。从Chat到Act，不是简单地在对话后面追加一个“执行”按钮，而是让人工智能第一次学会与物理世界对话。它将不再是旁观者，不再是记录员，不再是那个永远只说不做的“纸上谋士”。
当第一台真正意义上的Act智能体走进人类的厨房、工厂、实验室，它会遇到无数文本训练数据中从未记载的情况——水洒了怎么处理？锅把被挡住了怎么办？猫跳上了操作台怎么应对？这些问题的答案不在任何语料库里，而只在实时的、具身的、负责任地行动的过程中才能被发现。
从Chat到Act，是一次从符号返回真实、从话语回归实践的长征。而长征的第一步，就是承认：真正的智能，从来都是动手做出来的，而不是动嘴说出来的。
