一、人类智能的组成

我们的智能由什么构成？

智能的底层是语义吗？一个婴儿在学会说话之前，已经会伸手抓握、会因为够不到玩具而调整身体姿态。通过感官接收世界的状态，通过身体改变世界的状态，再从反馈中修正自己。

人类的感知不只是对当前输入的被动登记——看一张被遮挡的画面，大脑会自动补全缺失的部分并给出几种可能；接一个飞来的球，我们“看到”的其实是它零点几秒之后的位置，视觉系统对运动的感知内嵌着对未来的外推。可以说，感知即预测。这正是“预测加工”理论的核心主张：大脑是一台不断生成预测、再用感官输入修正预测的机器。以 Friston 自由能原理为代表的这一框架在认知科学中影响巨大——它“解释一切”的雄心在学界尚有争议，但“感知内嵌补全与近端预测”这一基本事实已相当稳固。换句话说，即使在最底层的感知里，也已经住着一个小型的时空世界模型。

一个三岁孩子知道松手的东西会掉下去，知道推积木塔它会倒。这些知识从未被明确教过——人类可能具有若干早期出现的认知倾向，再经身体互动与经验学习，逐渐形成可用于预测与控制的物理直觉。值得注意的是，人类的未来预测运行在两个层面上：时空层面预判几秒之后物体的位置与状态，抽象语义层面预测天气的走向、公司的兴衰、人口的变迁乃至个人的命运。前者近乎直觉，后者除了直觉外，更离不开显式的概念、理论与建模。

在感知的基础上，我们又是如何思考的？细究起来，人类的思考似乎运行在三个时间尺度上：其一是下意识的及时反应，毫秒级，如接住坠落物的条件反射；其二是更高层的“感觉”，一种基于对世界结构化认知的概率性判断——面对一个新问题，我们首先“靠感觉”想出该怎么建模、怎么入手，这种感觉本质上是世界模型支撑下的快速概率推理，事后再用文字和逻辑把它表达出来；其三是精确的逻辑推理与符号计算，在真正需要严谨性的关键环节，专门进行缓慢的、串行的推演——人类脑中的演绎、推算与证明，本质上都运行在符号系统之上。三者的协作有一个精妙的动态：面对新问题，先靠“感觉”做粗粒度的建模与方向判断，再在关键节点切换到精确推理——这很慢；但经过多次成败经验的训练之后，原本需要多步推理才能得出的结论，会被“蒸馏”成专门的快速模型一步直出。象棋大师的“棋感”不是天赋，而是被蒸馏过的推理。这套描述可以在认知科学中找到佐证：双系统理论是卡尼曼毕生工作的结晶，Fitts 与 Posner 早在 1967 年就提出技能从“认知阶段”经“联想阶段”走向“自主阶段”的三阶段模型，Anderson 的 ACT-R 理论用“程序化”刻画了陈述性知识如何转化为程序性知识。

我们还可以通过不断学习和训练提升自己的思考能力。对于学习，可以分成三个层次：参数学习是在既定模型里调整数值，比如练熟一个动作的手感；结构学习是更换模型本身，比如从“地球绕太阳”的直觉换成椭圆轨道理论；方法学习则是改进建模与学习的方法本身，比如学会先查资料再动手、学会设计能区分两种假设的实验。

二、VLA 模型的困境

视觉—语言—动作（VLA）模型是 2024–2026 年具身智能最耀眼的路线，也是“即时反应”这一能力的当前主要载体。从 RT-2 到 OpenVLA，从 π0 到 GR00T N1，核心思想都是在互联网规模的视觉—语言数据上预训练语义先验，再接动作头，把意图翻译成关节指令。这两年进展不少，π0.6 经强化学习在叠衣服、制作咖啡等多步骤任务上的成功率已超过 90%；LIBERO 评测上部分模型单任务成功率逼近 99%；据公开演示，Google 2026 年 8 月发布的 Gemini Robotics 2 已能让 Apollo 人形机器人完成“看场景—理解指令—规划步骤—动手执行”的连贯操作。

但要想成为具身智能的成熟底座，VLA 存在很多困难：

数据瓶颈与模仿学习的天花板。语言模型的语料以万亿 token 计，机器人示范数据却需人工遥操作逐条采集，最大规模数据集也只有几万小时量级；仿真数据又存在 sim-to-real 鸿沟。模仿学习只能复现“见过的做法”——训练数据里从未出现过的技能，模型难以凭空生成。

泛化性问题。以帧间差异作为动作代理信号，容易被光照变化、相机抖动、背景杂波劫持。使用带真实动作标签的机器人轨迹训练会好一些，但仅靠有限分布下的模仿数据，模型可能难以区分可控因素与偶然相关因素，在新干预、新物体、新约束下的泛化缺乏保证。研究者普遍观察到的“捷径学习”，即记住虚假相关性而非语义理解，正是这一隐忧的实证。

实时性与具身鸿沟。自回归逐 token 生成动作使端到端 VLA 通常只能跑到 3–5 Hz，远低于稳定控制所需；GR00T N1 用并行解码提速约 2.5 倍，代价是轨迹平滑性下降。高分辨率视频流的 token 化成本与端侧算力之间的矛盾是真实约束——尽管实践中可以用抽帧、缓存、多速率推理缓解，系统级的感知效率仍是瓶颈，这也是清华类脑计算研究中心研发、晰见科技产业化的类脑视觉芯片“天眸芯”所瞄准的问题：在感知前端做差异化编码，而非把每一帧完整画面无差别送进大模型。此外，不同机器人形态的动作空间差异巨大，跨本体迁移至今困难。

安全与可解释性。端到端黑箱无法提供安全保证，也无法解释“为什么这么做”——在物理世界中，错误动作的代价是破坏与伤害，而非一个差评。

三、世界模型的现状

如果说 VLA 回答的是“看到什么就做什么”，世界模型回答的则是“如果我这样做，世界会变成什么样”。它给智能体一个“内在沙盘”——在行动之前先在内部模拟若干种可能的未来。

世界模型的概念跨度范围很大：生成式世界模型重视感官内容与场景生成，面向决策的世界模型重视动作条件下、与任务相关的状态预测——Dreamer、MuZero 属于后者。到 2026 年，大致沿四条路线演进：潜空间强化学习路线以 DreamerV3 为代表，在潜在空间学习状态转移，让策略在想象中训练，样本效率显著优于无模型方法；视频生成路线以 Sora 2、Genie 3 为代表，其中 Genie 3 已能以 24fps 实时生成交互式环境，把“看视频”变成“走进视频”，但官方承认动作空间有限、交互时长仅数分钟；JEPA 潜空间预测路线的代表 V-JEPA 2-AC 仅用 62 小时无标注机器人视频后训练，即可零样本完成抓取放置，全程不生成一个像素；具身操作路线的代表 NVIDIA DreamZero 联合预测未来画面与动作，零样本泛化较最强 VLA 提升两倍以上，新本体约 30 分钟数据即可适配——从 VLA 向“世界—动作模型”的范式跃迁已然发生。

实验室之外，世界模型在 2025–2026 年快速走向产业。李飞飞的 World Labs 把生成式世界模型做成了生意：Marble 能从文本、图片或视频生成可持续漫游的 3D 世界，已在游戏、影视特效、机器人训练等场景获得付费客户，公司在 2026 年 2 月完成 10 亿美元融资，9 月又发布了原生处理相机位姿与 3D 深度的多模态世界模型 Atlas；LeCun 离开 Meta 创立的 AMI Labs 则以逾 10 亿美元的种子轮押注 JEPA 路线。落地最深的是智驾：蔚来 NWM 已推送量产车队、覆盖超 70 万用户，每 100 毫秒推演两百余条轨迹择优执行；理想以“重建 + 生成”构建 4D 闭环仿真，华为乾崑公开以 WA（世界模型）路线拒绝 VLA，Momenta、吉利等也各自押注。具身一侧，宇树开源了 UnifoLM-WMA-0，智元发布了机器人世界模型平台 Genie Envisioner 及其后续版本，星海图等公司开始布局世界模型基础设施。

需要指出的是，这些落地几乎全部发生在时空感知层——它们预测的是路况与场景，而不是变量之间的关系。但对抽象语义层的预测能力早已在别的学科各自生长——气象领域的 GraphCast 用图神经网络超越了最精良的数值预报，宏观经济学与流行病学有各自的统计与动力系统模型——但这两条线索从未被当作“同一种能力”统一设计。更重要的是，抽象语义层的预测与建模紧密相关：它预测的不是像素与位置，而是变量之间的关系，其天然语言是方程而非画面。

四、自进化能力

即便把 VLA 与世界模型拼装到位，智能系统仍缺关键一环：自进化——不依赖人类重新训练，就能从经验中持续变强的能力。这是“智能体”与“高级自动化设备”的分水岭：一个被部署到真实世界的系统，面对的永远不会全是训练分布内的场景，如果不能在部署后继续学习，它就从“助手”退化为“一次性工具”。

2026 年，自进化在具身智能领域已从概念走向工程实践。NVIDIA GEAR 实验室 Jim Fan 团队的 ENPIRE 项目让编程 Agent 自主驱动“重置场景、搜索文献、实现想法、训练策略、部署验证、迭代代码”的完整闭环，在灵巧操作任务上达到 99% 成功率，甚至观察到增加并行机器人数量带来的“物理 scaling”现象；宇树科技倡导的“自进化物理 AI”也是同一方向。

在 Agent 领域，最早的形态是记忆沉淀：Generative Agents 用记忆流加重要性评分解决“记不住事”，MemGPT 借操作系统虚拟内存的思想做记忆的分层换入换出，Reflexion 把失败后的文字反思写回记忆。随后是技能沉淀：Voyager 在 Minecraft 里把验证过的技能自动存库复用；2025 年 Anthropic 发布 Agent Skills 之后，技能包迅速成为跨平台标准，EvoMap、Hermes 等新一批工作更进一步，开始让技能携带“生存史”（成功率、变异日志、适用上下文）并支持自我修改。模型层面也有零星尝试：LoRA 让每个场景挂一个低秩适配器，成为低成本的自我微调；Pioneer Agent 走得更远——自己抓取数据、自建评测集、联合优化数据与超参，真正改动小模型的权重。而编程之所以成为第一个真正跑通的自进化垂直场景，靠的不是模型更强，而是编译器和测试提供了即时、廉价、无歧义的硬裁判——评价越容易获得，进化就跑得越快。

但用第一章“学习的三层次”来审视就会发现：数字世界的实践大多连参数都不动——记忆与技能的沉淀是“体外积累”，模型的能力本身并没有增长；机器人世界的实践则几乎全部停留在参数学习的自动化——更快地采集数据、更快地训练、更快地迭代。结构学习（换一个模型本身）与方法学习（改进建模与实验的方法）这两层，仍然由人类工程师承担。

真正的自进化应当长什么样？2018 年 World Models 论文用“神经网络学梦境 +进化策略优化控制器”的方案解决赛车游戏；但一个手残的聪明人面对这个游戏，不需要无脑试错——他可以先读游戏说明、看少量录像，意识到这个问题不用从零学习：车辆动力学有现成的方程可以表达，赛道本质上是几何约束。先给出初步的数学建模，再基于建模设计算法策略，实验下拟合少量参数即可；还不行的话，盯住失败的场景，反思哪里欠考虑，回头修正建模与策略；如果真实验证太慢太贵，就先设计更快的初步验证方式；效果达标之后，事情仍未结束——他会回头反思整个过程，总结成败经验，检视自己所依赖的应用理论乃至基础理论、世界观与方法论有何可改进之处，定期对这些底层认知做更深的审视。

把这个过程一般化，就是一个真正智能的系统面对新问题的完整闭环：信息获取→问题定义与初步建模→策略设计→参数拟合→实验与反思迭代→验证效率优化→经验沉淀→方法论自省，循环往复。寥寥几次高质量的真实尝试，即可达到大量盲目试错的效果，而且每一步都有清晰、可总结的经验。以此反观今天的自进化工程，会发现它只自动化了闭环的中段——拟合、实验、再迭代，而把前端的问题定义与建模、后端的方法论反思，这问题的两端留给了人类。

五、理想中的智能机器人

业界的共识正在收敛到一种快慢架构：快的一侧由 VLA 和世界模型负责，管毫秒到秒级的及时反应；慢的一侧由基于大语言模型的智能体负责，管任务分解、长远规划和事后反思。Figure 的 Helix 和英伟达的 GR00T N1 都已按这个思路做成双系统——一个高频运动策略贴身控制，一个低频推理模块在后方出主意。这不再是纸上设想，而是正在工程化的主流路线。值得认真追问的是：这个架子搭到顶，离理想的智能机器人还差什么。

先看快的一侧。理论上，VLA 加世界模型能交付的感知能力相当可观，可以拆成三层。其一是时空感知：世界模型从视频流中压缩出环境的紧凑状态，感知不再依赖人工标注的类别，而是以“预测下一帧”的方式理解世界，感知与理解由此合为一体。其二是时空生成与预演：世界模型不只是被动理解，还能在想象中展开未来——DreamerV3 早已证明智能体可以完全在世界模型生成的想象轨迹里训练行为策略，把候选动作先放进去推演一遍再挑最优，安全的试错第一次有了廉价的场所。其三是即时决策与执行：VLA 从感知直接端到端输出动作指令，动作分块和异步推理正在把这条链路的实时性推向实用。感知、推演、执行三者合一，机器人面对物理世界的临场反应，理论上可以又快又稳。

问题出在进化上。这套感知能力是“出厂时分层”的：快系统从慢系统蒸馏而来，而蒸馏通道只在训练阶段存在，部署之后就断线了。机器人上岗之后，无论遇到多少新场景、踩多少坑，它的感知模型都不会因此变好——攒下的经验只有被人工回收、清洗、重新训练，才能回到模型里，而这条回路以月计、以版本计。第四章讨论过数字世界的智能体如何在几小时内迭代出一个技能库，物理世界的感知系统离这种节奏还很远。换句话说，快慢架构里反应最快的那个部分，恰恰是进化最慢的部分。

慢的一侧也有自己的边界。基于大语言模型的智能体擅长语义推理，但它操持的概念全部来自人类已有的语言体系：在人类已经命名、已经抽象好的概念之间，它的推理高效得惊人；面对一个从未被人类语言覆盖的现象，它却连指称都无从建立，更谈不上推理。第六章会展开这个封闭域问题，这里只记住结论：慢系统的语义推理无法自主扩展。

把两侧合起来看，缺失的那一环就清楚了：抽象建模。它的缺席是一连串后果的总根源。没有显式的抽象对象，模型的决策依据不可解释，出了错无法定位是哪条“知识”失效；没有抽象层可以借力，每一次学习都要从原始像素和原始轨迹重新算起，学习效率被钉死在数据规模上；没有可命名的结构，经验无法被总结成可以迁移的规则，换个场景就要从头再来；而抓不住现象背后的规律，系统就只能在见过的分布内打转，面对未曾发生的情形说不出一句可靠的话。快慢架构解决了“反应快”和“想得深”，却没有解决“懂得透”。

所以，更理想的智能机器人应当在快慢架构的基础上再长出三种能力：自进化的感知能力，让世界模型在与环境的持续交互中自己变好，而不是等待下一个出厂版本；可扩展新抽象对象的语义推理能力，让系统面对未被命名的现象时能自己发明概念、扩展推理的疆界；以及贯穿两者的抽象建模能力，把感知流中的规律提炼成显式的、可运算、可检验的符号结构。第一章曾把人类的思考分成三个时间尺度——下意识的及时反应、高层语义的“感觉”、精确的逻辑推理与符号计算。快慢架构大致覆盖了前两层，而这第三种能力指向的正是最慢也最深的那一层：人类之所以能进行精确推理，是因为脑中有自己铸造的符号可供运算，而不只是借用的语言。这套机制如何工作，是第六章的主题；它与前两者如何联动成真正的自进化闭环，是第七章的主题。

当然，这一切都有一个物理前提。无论模型内部建立了多么丰富的抽象，它说出“原子”或“磁场”这些词的时候，并不能凭词语直接触摸世界。机器在物理世界里的行动与观察能力，仍受限于传感器和执行器的带宽——这个约束不会因为智能水平的提升而消失，只是人类对机器的授权，可以随着信任的建立而逐步放宽。

六、符号主义与抽象建模

符号主义是 AI 最古老的传统：把知识表示为显式的概念、规则与方程，通过形式化演算推理。它有过专家系统的辉煌，也因知识获取瓶颈与组合爆炸而泡沫破裂，但从未彻底沉寂——自动规划、定理证明、程序验证一直在发展。大模型的崛起给了这些老工具新位置，今天的典型分工是“神经生成—符号验证”：语言模型负责起草，符号系统负责验算——AlphaGeometry 正是靠这个组合攻克了奥数几何题。只是细看这场复兴，符号主义拿到的角色始终只有两种：一是监督员，替神经网络检查答案，比如验证生成的代码有没有语法错误；二是计算器，替它完成局部严格推导，比如求解一组约束。这两个角色真实且必要，但都在别人给定的框架内工作——校验别人生成的答案，求解别人给出的问题。

当前主流系统以连接主义为基座，辅以行为主义式的反馈调节；符号只以接口和工具的形式出现，没有进入学习的核心循环。一个直观的对照：机器人可以在撞上一百次桌角之后学会绕开桌子，但它始终没有形成“障碍物不可穿越”这样一条能被检查、被迁移、被说出来的规则——它表现得像懂规则，却没有运用和更新规则的机制。感知与行动一侧路线清晰、投入巨大、拥有自增长的引擎，唯独符号建模一侧连“成为主流议程”都尚未发生。因此，符号建模与推理在自主学习闭环中的缺位，是当前智能系统通往更强智能的核心短板——补上这一环不是修补，而是范式补全。

这里可能会有一个疑问：深度网络收敛的权重，难道不已经提取了世界的结构？的确提取了，但那是锁在权重里的隐式压缩，提取者是研究员，时机是训练之后，结论不回流学习——从网络里挖结构这件事本身，目前仍是人类的手工活。而且假设一个网络从数据里“学会”了滚烫的杯子不能抓——它没法指着这条知识说“我有一条关于烫的规则”，内省与归因因此没有抓手（缺指称）；它不知道这条规则对一杯液氮是否同样成立，也就不知道自己的知识边界在哪（缺标注）；它无法把这一条单独拎出来检验，对错混在整个训练损失里，出了错只能全局重训而非外科手术（缺检验）；它更不能把“烫→缩手”这条规则代入、取反、与别的规则组合（缺操作）。

而符号运算——运算是封闭的，产物仍是可运算的对象——方程加方程得到新方程，规则组合规则得到新规则，深度思考由此能在抽象层高效滚动，一步高层推演顶得上底层千万次具体试错。科学史上最有力的证据，是那些“先在方程里被算出来”的发现：麦克斯韦方程组预言了电磁波，狄拉克方程预言了正电子——新认知产生的时刻，数据尚不存在。反观大模型，它的强大本质上是人类符号遗产最大规模的一次转移：每个 token 背后都是人类已完成的一次切割与命名，它的思考空间是人类已命名概念张成的空间。这也解释了为什么当今最强的科研智能体——AlphaGeometry、AlphaProof、FunSearch——都是答案的发现者，而不是概念的发明者：定理有毫秒级的裁判，概念却只有长周期、事后显现的裁判；评价函数缺席的地方，进化无从发生。

那么，AI 如何学会真正的抽象？先要修正一个时序错觉：抽象并非始于感知完成之后，而是始于目标对感知的塑造。面对同一只杯子，要抓取它的机器人切出的是“可抓握的柱体和重心”，要预测它会不会摔碎的机器人切出的是“易碎品和接触面”——“无关”从来是相对目标的判断，取舍发生在感知的最前端，第二章的天眸芯正是把取舍做进硬件的例子。

在此之上，显式抽象建模呈现为一条闭环的符号发生流水线。一个机器人进入陌生厨房：它先在视野里切出杯子、水壶、灶台这些对象；继而注意到一些反复出现的模式，比如“杯子常出现在桌边”；按与“别打碎东西”这个目标的相关性，它决定优先弄清这条模式，并把它命名为一条可复用的规则——命名的本质是物化，把一段关系压成可以参与下一步推理的实体，正如“引力”把苹果落地、月球绕行与潮汐收编进同一个名；随后它在规则之间建立因果链——推杯子、平移、悬空、坠落、碎裂——并拟合“推多远会悬边”的参数；再用模型的预测指导主动观测，专挑不同桌子、不同杯子去试；最后把预测与现实的偏差提交回锚判定：预测成立，这条规则就固化入库、扩展适用域；在玻璃杯上失效，就修正参数或补充变量；到处失效，则降级封存。新固化的符号随即成为下一轮观察的先验——它看待下一个陌生厨房的目光已经不一样了。

这条流水线的每一环都已有孤立的学术工作，从 Slot Attention、SINDy 到 FunSearch，但共同形态是环内自动、环间靠人接驳；更深一层，三支研究传统各持一段：符号主义会命名却不接地，连接主义接地却不会命名，大模型继承了人类全部的“名”，接地通道却是别人的。本文的主张，就是把断线接成常驻的、自主运转的系统职能——让符号主义从监督员与计算器升级为理论建构者：不只检查答案、执行推导，还参与决定应该怎样提问、怎样建模。

世界在物理上是客观的，有真实的结构、规律与因果；但数学与符号不是世界的底层基质，而是描述它的形式系统——是“名”，不是“道”。牛顿力学在量子尺度失效、弦论自洽却可能永远无法被观测锚定，都是“名”与“道”脱钩的实例。这个区分对自进化系统是防护性的：若把符号体系本身当成终极目标，系统会追求内部自洽而失联于现实；唯有认清符号层是“名”，才能理解回锚判定为什么不是工程谨慎，而是存在性要求——名必须不断生成，也必须永远保留回归于道的通道。

七、结合符号主义的新范式

新范式的真正要义在于：符号语义推理、及时感知决策、抽象建模能力，是紧密联系的三大块——它们相互促进，才能实现全面的自进化。设想一个从未接触过《星际争霸 2》这款复杂即时战略游戏的智能体，看它如何从零开始学习：

冷启动期：符号语义推理主导。智能体唯一能依靠的是常识与语言知识——以今天的载体说，就是 LLM 加检索增强的 Agent 范式：读游戏说明、看攻略文本，把“这是一款资源—生产—对抗游戏”转化为最初的行动原则。此时的决策缓慢、笨拙、频繁出错，但真正的产出不是胜率，而是信息：哪些变量重要、什么动作带来什么后果、失败长什么样。探索本身就是目的。

建模期：抽象建模接管。信息积累足够之后，智能体沿第六章的符号发生流水线对这个游戏做显式建模——基于农民、兵营、矿脉这些独立对象，建模“采集速率—投入人口—经济增长”的关系，从最简单的模型起步。模型一旦建立，“什么情况下该做什么”就有了推导依据，比如前期资源投入经济的复利效应远大于早期暴兵。决策仍然慢，但开始有效。

加速期：蒸馏出即时反应。慢决策撑不起每秒多次的微观操作，于是把建模与推理反复产生的成功决策，蒸馏成不经语义推理、直接由感知驱动行动的快速策略，同时训练时空世界模型，补全视野之外的战场信息。这个“慢思考生成、快网络吸收”的循环在工程上早有名字——expert iteration：用慢的改进算子产出高质量决策，再蒸馏进快的近似器。本文主张的是把改进算子从纯搜索换成“建模 +推理”，因为搜索只能蒸馏出直觉，模型与推理的结论却能蒸馏出可言说的知识。即时反应一旦建立，探索与数据收集的速度随之倍增。

迭代期：失败驱动建模升级。更快的行动带来更多失败样本，坏案例被送回建模环节——是参数估不准、数据没有区分力、模型缺了变量，还是整个结构不对？对手的一次空投战术，就可能暴露“战场是局部连通图”这一隐含假设的错误。关键是反思的归宿不应只是一段被记住的文字，而应是对显式模型的一次修订：改参数、补变量、换结构，留下可检验的新版本。这些沉淀不只进模型，也进符号层，成为语义推理新的知识来源。

至此闭环成形：符号语义推理提供先验与问题定义，抽象建模把经验压缩成可推演的结构，及时感知决策提供速度与反应，而更快的反应反过来加速整个循环。三大块不是三个并列的盒子，而是同一个飞轮的三段轮缘。

这套机制在 AI 史上有过一次部分预演：AlphaGo 正是靠 expert iteration 自我进化——以 MCTS 作改进算子、以策略网络作近似器，把深度搜索的智慧一轮轮蒸进直觉；它的三个组件也恰好对应三种思考速度——策略网络是下意识的反应，价值网络是基于世界模型的“感觉”，树搜索大致对应精确推理。但 MCTS 终究只是启发式搜索，并非真正的符号推理：它给不出“为什么这手棋好”的演绎链条，也无法把棋理抽象成定理。AlphaGo 恰好证明了一件事的两面——参数层与策略层的进化可以走得很远，它是策略自我进化的耀眼样板；而结构层与理论层的进化可以同时完全缺席，它也是理论进化缺位的标本。而一旦符号主义以“理论建构者”的身份进入这个结构，局面就不同了：推理过程可解释，蒸馏出的直觉可以重新被抽象成理论、固化为显式知识——智能体由此从“会做”走到“会说”。符号层在闭环中还有最后一个不可替代的角色：自进化的“硬盘”与“护栏”——神经权重存直觉、符号库存规则，用形式化方法定义不可逾越的红线，是可信自进化的基石。

新范式的极限，可以用一个思想实验做压强测试：《三体》中的“三体游戏”。通关的关键不是活得够久，而是发现世界的秘密——这要求智能体做的不是拟合一个预测器，而是维护竞争假设，并主动设计区分它们的观测。面对“昼夜与温度毫无规律”这一核心反常，它不会直接跳到“三颗太阳”，而会先罗列相互竞争的解释——单恒星周围的异常轨道？自转轴的混沌摆动？多个引力源的共同作用？——然后追问：哪一种可获得的观测，最能区分这些假设？此时行动主要在改变观测条件，行动的信息价值第一次压过了任务收益。当证据压倒性地支持多引力体假设后，闭环进入建模期：以万有引力定律为候选形式拟合参数，再预测未参与拟合的现象——下一次恒纪元的到来时间；预测失败时的诊断——观测噪声、参数不准、隐藏天体，还是模型结构根本不对——正是“结构学习”发生的时刻。最终答案，不是学习出某种行为策略，而是一句话：“这是一个三恒星系统，其长期行为在解析上不可预测。”

这个例子也有边界：混沌系统的初始误差会被指数放大，再精确的模型也有预测有效期；有限观测未必能唯一确定真实机制；如果系统事先已拥有牛顿力学与三体问题的概念，它是在用已有理论识别新场景，而非从零发现定律——两者的难度与知识成本应当分开记账。真正智能的系统，应当识别自己预测的边界，知道何时该补充观测，而不是一找到拟合良好的公式就宣布发现了本质。

八、总结

当前智能系统在感知、行动与试错上拥有强大的引擎，唯独缺乏把经验压缩成显式结构、再对结构做运算与修订的机制——符号建模与推理在自主学习闭环中的缺位，是从 VLA 的泛化困境、世界模型的“能想象 ≠ 能模拟”、自进化困在参数学习层这些症状背后显形出来的共同短板；补上它的路径，是一条闭环的符号发生流水线，以及符号语义推理、及时感知决策、抽象建模三大块联动而成的自进化飞轮。

从人类智能到自进化机器人，我们要复制的不是人类的形体，而是那套“像科学家一样建模、像工程师一样迭代、像棋手一样直觉”的智能组织方式。感知内嵌预测、技能从生疏到熟练的三个阶段、VLA 的数据与泛化瓶颈、“视频逼真不等于物理真实”这些判断，学界已有相当共识，神经符号复兴和自进化走向工程也已是正在发生的趋势。一个能自己发现“三颗太阳”的系统，迎来的将是学习速度、进化速度与可解释性的同步跃升——而它也将反过来，成为人类理解世界、走向下一个纪元的强大助力。另一方面，自进化的飞轮越转越快，失控的代价也越大——这是否会成为开启潘多拉魔盒的钥匙，需要同样审慎的考虑。