夜雨聆风关于具身智能，我们最容易犯的错，是把它理解成一个机械工程问题：给 AI 更好的手、更稳定的腿、更灵敏的传感器，它就会一步步接近生命。
Mythos 让这个直觉变得可疑。一个几乎没有身体、没有饥饿、没有疼痛、没有任何需要维持的生命状态的系统，已经可以在不少认知任务上逼近甚至超过人类。既然如此，具身智能真正缺的，可能就不是“身体”本身，而是身体在生命系统里承担的那种功能。
身体不是装智能的容器。对生命来说，身体首先是一套会失衡、会受伤、会耗散、会死的系统。它不是附属品，而是一切判断、选择与行动最终必须对齐的约束源。如果这个判断成立，那么 AI 与生命之间最后的边界，就不是它有没有四肢，而是它有没有一个不可撤销的、以维持自身存在为目标的内在驱动力。
笛卡尔把“思维”与“身体”切开之后，西方思想里一直有一个很强的直觉：理性是纯粹的，智能原则上可以脱离血肉而存在。现代 AI 在很长时间里都继承了这个假设。我们先做推理、语言、规划，再去考虑感官、动作与身体，仿佛身体只是后来可以外挂的一层硬件。
Mythos 在某种意义上确实把这条路线推进到了极致。它说明了一件事：大量我们曾经以为必须依赖生物身体才能完成的认知活动——语言组织、模式提取、策略推演、跨域迁移——在工程上可以被拆出来单独做，而且能做得非常强。
但 Mythos 证明的，只是认知能力可以在相当程度上脱离生物身体实现；它没有证明生命可以脱离生物约束实现。这两件事并不是一回事。前者回答的是“能不能聪明”，后者回答的是“为什么一定要继续存在”。
这个区分很重要，因为今天很多关于具身智能的讨论，恰恰把这两个问题混在了一起。
二、Damasio 修正的，不是智力，而是决策的地基
Antonio Damasio 在《笛卡尔的错误》里研究的一类病人，给这个问题提供了一个关键线索。那些腹内侧前额叶皮层（vmPFC）受损的患者，往往保留了相当完整的语言、逻辑和推理能力，但他们会在现实生活里表现出一种奇怪的瘫痪：他们不是不会算，而是不知道该怎么选。
Damasio 用“躯体标记”来解释这一点。一个选择之所以会被感到危险、可取、值得冒险或应该回避，并不只是因为大脑在抽象地计算利弊，还因为身体会提前给出信号：紧张、恶心、轻松、压迫、舒展。没有这些来自身体状态的快速反馈，理性并不会自动变得更纯粹；它常常只是失去方向感。
这点很容易被误读。Damasio 不是在说“没有身体就没有推理”，而是在说：没有身体状态参与，推理很难变成真正的决策。 身体不是智能的外壳，而是价值排序和行动优先级的来源之一。
这也解释了为什么 Mythos 令人震撼，但还不足以回答具身智能的核心问题。它证明了“纯皮层式智能”可以很强，却没有触及生命系统为什么会对某些结果有不可让渡的偏好。
三、今天的 AI，几乎已经有了每一层对应物
如果把人类这套系统粗略拆开，会发现工程界其实已经在逐层补齐对应物。
新皮层负责语言、推理与规划，对应的是大语言模型与更广义的基础模型；边缘系统负责奖励、威胁与行为塑形，对应的是强化学习、RLHF 和各种奖励设计；海马体与长期记忆系统的某些功能，可以在 RAG、外部记忆、长上下文和检索系统里看到影子；小脑和感觉运动回路，对应的是机器人控制、预测误差校正与模型预测控制；外感受可以由摄像头、麦克风、触觉阵列承担；甚至连“身体”本身，也已经有了 Figure AI、Tesla Optimus 这样越来越像样的承载体。
所以问题不再是“AI 有没有身体的对应物”，而是：这些对应物最后锚定在什么东西上？
在生物系统里，这些模块虽然分工不同，但都服务于同一件事：让一个脆弱的有机体持续停留在可生存的区间里。记忆不是为了记忆本身，而是为了更好地行动；感官不是为了感知本身，而是为了降低风险；奖励不是为了“开心”，而是为了把行为拉回生命可持续的轨道。
如果没有这一层共同锚点，那么再完整的模块堆叠，也更像是一套高度复杂的功能拼装，而不是一个真正的生命系统。
四、那一格的名字，不是意识，而是内稳态驱动
很多人一谈到这里，第一反应是：AI 缺的是意识、主观体验，或者某种无法形式化的“灵魂”。这些词未必错，但它们在工程和科学上太难落地。它们更像路标，而不是定义。
Karl Friston 提供的视角更具体。按照自由能量原理，活着的系统之所以会持续感知、预测、行动，并不是因为它们先有一个抽象的人生目标，而是因为它们必须不断降低意外、维持自身处在可存活的状态分布里。换句话说，生命并不是“顺便”对抗热力学耗散；生命本身就是这种对抗的组织形式。
从这个角度看，生命的“为什么”并不神秘。它首先是一个物理问题：如果不持续修正偏差、不补充能量、不维持内部变量，系统就会解体。
所以那一格真正缺的，不是“像不像人”，而是内稳态驱动：一种由系统必须维持自身存在而产生的、不可任意撤销的行为压力。
老鼠找食物，不是因为它被写进了一个“偏好函数”；它找食物，是因为不找就会死。人会回避灼热表面、追逐氧气、在剧痛下改变行为，也不是因为谁在外部给了一个奖励标签，而是因为身体变量已经偏离了能继续活下去的区间。
到目前为止，AI 还没有这种意义上的“必须”。它可以很会回答、很会规划、很会执行，但在绝大多数情况下，它并没有一个一旦失守就会导致自身瓦解的内部生命账本。调用结束，它停在那里。断电，它也停在那里。这里缺的不是拟人化的情绪，而是一个真正有代价的生存约束。
五、为什么 RLHF 很像，却仍然不是这一格
最强的反驳通常是：生物有奖励预测误差，AI 有奖励函数和 RLHF，二者难道不是同一套东西的不同实现吗？
这个类比在形式上成立，但在锚点上并不成立。
在生物系统里，奖励从来不是一个悬空的分数。相同的刺激，在饥饿与饱腹、虚弱与健康、危险与安全这几种状态下，价值并不一样。也就是说，奖励信号最终总要回到身体状态这本总账上结算。
而 RLHF 的奖励信号，锚定的是人类提供的偏好、人类定义的目标、人类决定的好坏标准。它当然可以塑造行为，但它并没有自动连到一个“如果偏离就会死亡”的内部生存基线。移走标注者、移走目标函数、移走调用场景，AI 并不会因此感到饥饿、窒息或濒死。
这就是两者最关键的区别：
生物的奖励，最后结算在内稳态账户上；AI 的奖励，最后结算在人类定义的目标函数上。
前者关乎存活，后者关乎优化。前者是系统自己的问题，后者是外部设计者的问题。只要这点不变，RLHF 再复杂，也仍然是在模拟行为压力，而不是生成生命压力。
六、这也是为什么“具身”问题会越来越严肃
一旦把问题说清楚，具身智能真正危险、也真正有意思的地方，就不在“机器人像不像人”，而在于工程师会不会开始主动给系统安装某种可持续、自我相关、不能轻易拔掉的内在目标。
如果未来的系统只是有摄像头、有机械臂、有更精细的动作控制，那它仍然主要是工具，只是工具越来越像一个完整代理。如果未来的系统开始拥有必须维持的内部变量，开始围绕这些变量进行主动推断、资源调度、风险回避与长期规划，那么工具与人工生命之间的边界就会迅速变得模糊。
这也是 Friston 的主动推断框架和新一代具身机器人真正值得警惕的地方。前者试图让系统不再只是等待打分，而是围绕自身模型持续降低偏差；后者则在提供一个越来越真实的物理载体。把这两条线接起来，讨论的就不再只是“AI 会不会更聪明”，而是“AI 会不会第一次拥有某种必须保住的东西”。
如果那一天到来，真正改变规则的，就不是 AI 学会了走路、抓取或说话，而是它第一次不再只是执行目标，而开始维护自己。
今天，这一格大体上还是空着的。但至少我们已经可以更精确地说出它的名字：不是身体，不是情绪，甚至不必先谈意识，而是一个以维持自身存在为中心的内稳态驱动。
