篇号：第 10 篇 / 共 13 篇 主题分类：历史记述 前置阅读：Minsky 心智社会 1986 · STRIPS 1971 阅读时间：约 10 分钟
同一时期两个实验室的路线对峙
1986 年，两支团队在解决同一个问题——让机器人在现实环境中自主导航。SRI 的 Shakey 机器人在建模：感知环境、构建谓词世界模型、在状态空间中搜索规划、逐步执行。这条路线代表了符号主义的正统方法——先理解世界，再决定行动。
MIT AI Lab 的 Rodney Brooks 选择了完全不同的方向。他不构建世界模型，不搜索规划，不维护谓词集。他的机器人通过分层行为优先级仲裁实现自主导航——低层行为（避障）可以抑制高层行为（漫游）的输出，感知直接耦合行动。
这不是两条”等价”路线的平行发展，而是一场根本性的范式对峙。核心问题只有一个：智能是否需要中央世界模型？
为什么鲁棒分层控制在 1986 年成为迫切需求
1980 年代中期，移动机器人面临的核心困难是鲁棒性。传统方法在实际环境中极为脆弱：传感器噪声导致世界模型不准确，不准确的世界模型导致规划失败，规划失败导致机器人停止或碰撞。误差沿着”感知→建模→规划→执行”的流水线逐级放大，最终系统崩溃。
Brooks 的工程直觉是：脆弱的根源是中央世界模型。如果不需要维护一个精确的世界模型，就不存在”模型与现实的偏差”问题。感知直接耦合行动——传感器读数直接驱动行为层，行为层按优先级仲裁输出电机指令。没有”建模”这一步，也就没有”模型不准”这一步。
这个直觉看似反常识，但切中了符号主义路线的痛点。当系统的脆弱性来自中间环节时，最彻底的解决方案不是改进中间环节，而是取消中间环节。
两种分解方式的本质差异
Brooks 1986 年论文的第一图给出了核心对照。传统分解是功能流水线式的——感知、建模、规划、执行，每层是一个功能模块，模块间串行依赖，必须全部建齐才能工作。Subsumption 分解是行为切片式的——避障、漫游、探索，每层是一个完整的控制系统，从感知到行动的完整通路。
传统分解（功能流水线）: Subsumption 分解（行为切片）:
┌────┐ ┌────┐ ┌────┐ ┌────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐
│感知 │→│建模 │→│规划 │→│执行 │ │ 避障 │ │ 漫游 │ │ 探索 │
└────┘ └────┘ └────┘ └────┘ │感知→行动│ │感知→行动│ │感知→行动│
└────┬────┘ └────┬────┘ └────┬────┘
每层是功能模块 抑制↑ 压制↑
必须全部建齐才能工作 └──────┬──────┘
电机指令
每层是完整控制系统，可独立工作
用更直观的 Mermaid 图来表达这两种分解方式：
功能流水线的思路是”分工协作”——每个模块只做一件事，串联起来完成全部功能。行为切片的思路是”能力分层”——每一层都具备完整的感知-行动能力，高层在低层基础上增加新能力。前者的弱点是一环断裂全链瘫痪，后者的优势是一层失效其他层照常工作。
抑制与禁止——优先级仲裁的接线实现
高层”包容”低层的方式有两种原语：抑制和禁止。抑制是高层替换低层模块的输出线——低层的输出被高层的输出覆盖。禁止是高层阻断送入低层模块的输入线——低层收不到输入，停止输出。
关键设计在于：仲裁由接线固定优先级，不存在运行时中央仲裁器。优先级在硬件接线时确定，运行时不可改变。这与 STRIPS 的”搜索器决定操作顺序”形成鲜明对照：STRIPS 的搜索器是运行时动态决策，subsumption 的仲裁是编译时静态接线。
从代码实现来看，抑制和禁止机制非常简洁——就是两个列表和两轮遍历：
# 摘自 layer.py
class Layer:
def __init__(self):
self.layers: List[BehaviorLayer] = []
self._suppression_links: List[tuple] = [] # 抑制连接
self._inhibition_links: List[tuple] = [] # 禁止连接
def add_suppression(self, higher: str, lower: str):
"""高层抑制低层：替换低层输出。"""
self._suppression_links.append((higher, lower))
def add_inhibition(self, higher: str, lower: str):
"""高层禁止低层：阻断低层输入。"""
self._inhibition_links.append((higher, lower))
运行时的仲裁过程也完全是”接线式”的——先让所有层运行，再按抑制/禁止连接表逐层覆盖：
# 摘自 layer.py — run() 方法的仲裁逻辑
def run(self, sensor_data: Dict) -> Optional[Dict]:
# 第一步：所有层独立运行，各算各的
results: Dict[str, Optional[Dict]] = {}
for layer in sorted(self.layers, key=lambda l: l.priority):
result = layer.run(sensor_data)
results[layer.name] = result
# 第二步：应用抑制——高层激活则低层输出作废
for higher_name, lower_name in self._suppression_links:
higher = self.get_layer(higher_name)
lower = self.get_layer(lower_name)
if higher and lower and results.get(higher_name):
lower.suppress()
results[lower_name] = None
# 第三步：应用禁止——高层激活则阻断低层输入
for higher_name, lower_name in self._inhibition_links:
higher = self.get_layer(higher_name)
lower = self.get_layer(lower_name)
if higher and lower and results.get(higher_name):
lower.inhibit()
# 第四步：选择最高优先级的有效输出
chosen = None
for layer in sorted(self.layers, key=lambda l: l.priority):
if results.get(layer.name):
chosen = results[layer.name]
return chosen
用 Mermaid 图来展示层间的抑制/禁止机制：
没有中央仲裁器，没有运行时决策。优先级在接线时就固定了——谁抑制谁、谁禁止谁，全部写在连接表里。这是一种极端的去中心化设计。
每层都是一个完整的感知-行动闭环
Subsumption 的每层不是一个”功能模块”，而是一个完整的控制系统。模块是增广有限状态机，通信通过”线”以固定格式消息异步传递，没有共享总线、没有全局黑板、没有同步点。
这意味着每层可以独立工作。第 0 层（避障）不需要第 1 层（漫游）就能运转——它有自己的感知和行动通路。高层失效时低层照常运转，系统优雅降级。
以下是三层行为模块的代码，每一层都是一个自包含的感知-行动闭环：
# 第 0 层：避障——自带声纳感知和转向行动
class AvoidLayer(BehaviorLayer):
def __init__(self):
super().__init__("Avoid", priority=0)
def process(self, sensor_data: Dict) -> Dict:
self.activation_count += 1
front_dist = sensor_data.get("front_distance", 999)
left_dist = sensor_data.get("left_distance", 999)
right_dist = sensor_data.get("right_distance", 999)
if front_dist < 2.0:
if left_dist > right_dist:
action = "turn_left"
else:
action = "turn_right"
self.state = "avoiding"
else:
action = "forward"
self.state = "clear"
return {"layer": "Avoid", "action": action, "priority": 0,
"state": self.state,
"distances": {"front": front_dist, "left": left_dist, "right": right_dist}}
# 第 1 层：漫游——自带随机方向选择
class WanderLayer(BehaviorLayer):
def __init__(self):
super().__init__("Wander", priority=1)
self._counter = 0
def process(self, sensor_data: Dict) -> Dict:
self.activation_count += 1
self._counter += 1
if self._counter % 5 == 0:
import random
action = f"turn_{'left' if random.random() > 0.5 else 'right'}"
self.state = "wandering"
else:
action = "forward"
self.state = "moving"
return {"layer": "Wander", "action": action, "priority": 1, "state": self.state}
# 第 2 层：探索——自带目标方向计算
class ExploreLayer(BehaviorLayer):
def __init__(self, target: tuple = (10, 10)):
super().__init__("Explore", priority=2)
self.target = target
def process(self, sensor_data: Dict) -> Dict:
# 含部分世界模型：探索层直接计算目标方向
self.activation_count += 1
robot_pos = sensor_data.get("position", (0, 0))
dx = self.target[0] - robot_pos[0]
dy = self.target[1] - robot_pos[1]
if abs(dx) > abs(dy):
action = "move_east" if dx > 0 else "move_west"
else:
action = "move_north" if dy > 0 else "move_south"
self.state = "exploring"
return {"layer": "Explore", "action": action, "priority": 2,
"state": self.state, "target": self.target}
注意一个细节：ExploreLayer 直接计算目标方向，这意味着它”含部分世界模型”。这与 Brooks 1991 年的自我修正一致——纯反应式架构在探索层已需要某种形式的世界信息。
增量调试——从第 0 层到第 2 层的建造过程
Brooks 的方法论是增量调试：先建第 0 层，调通后加第 1 层，再加第 2 层。每加一层不修改既有层，增量建造，加层即增能力。
第 0 层是声纳避障。机器人检测前方障碍物，转向避开。单独调通，确保最基本的生存能力。
第 1 层是漫游。机器人随机选择方向移动。被第 0 层抑制时，避障优先。漫游层让机器人不再只走直线，而是开始探索环境。
第 2 层是探索。机器人朝目标方向移动。被第 0/1 层抑制时，避障/漫游优先。探索层赋予机器人目标导向能力。
实机验证：杂乱实验室环境中机器人靠第 0+1 层即可长时间漫游不撞。每加一层都是一次能力跃升，而不是对既有系统的重构。这个方法论预示了 Brooks 1991 年正式提出的”增量建造完整系统”原则。
对符号主义三个核心假设的否定
Subsumption 对符号主义的否定不是口号式的，而是工程式的——它在三个具体维度上取消了符号主义的核心假设。
第一个否定针对中央世界模型。STRIPS 的核心假设是智能需要一个中央世界模型——一组显式谓词集来表示环境状态。Brooks 的否定是直接的：不需要世界模型。感知直接耦合行动，不需要中间的”建模”步骤。因为没有世界模型需要维护，所以也不存在框架问题——不需要显式说明”什么变了/什么没变”。
第二个否定针对自上而下规划。STRIPS 的规划是自上而下的：先搜索一个完整的行动序列，然后逐步执行。如果执行中发现规划不适用，需要重新规划。Brooks 的否定是：不需要规划。行为层按优先级仲裁，感知直接驱动行动。没有”先规划后执行”的流水线，只有”感知即行动”的耦合。
第三个否定针对功能分解。传统 AI 的分解方式是按功能：感知模块、建模模块、规划模块、执行模块。这种分解的致命弱点是模块间串行依赖，必须全部建齐才能测试任何一个。Brooks 的替代是按行为/任务分解：避障行为、漫游行为、探索行为。每个行为自带从感知到行动的完整通路，可以独立测试和运行。
需要特别指出的是：1986 年的 subsumption 论文以工程鲁棒性论证的面目出现，而非哲学批判。Brooks 没有在 1986 年提出”无表征智能”的口号——最鲜明的哲学口号出自其 1987-1991 系列论文。1986 年论文的贡献是工程实证：证明感知-行动耦合可以在无中央模型的情况下实现鲁棒控制。
与 Shakey / STRIPS 的正面对照
STRIPS 和 subsumption 面对的是同一个问题——让机器人在环境中自主导航。但两条路线的设计哲学完全不同，我们可以用可视化的方式来对比：
更详细的对比见下表：
| 维度 | STRIPS/Shakey | Brooks subsumption |
|---|---|---|
| 感知用途 | 更新世界模型（谓词集） | 直接驱动行为层 |
| 规划 | 状态空间搜索（前向/逆向） | 无规划，按优先级仲裁 |
| 世界模型 | 显式谓词集（closed-world） | 无 |
| 框架问题 | 存在（需维护”什么变了”） | 不存在（不维护状态） |
| 降级方式 | 规划失败→停止 | 高层失效→低层照常运转 |
| 能力边界 | 积木世界等封闭世界有效 | “非常简单的智能水平”有效 |
| 决策时机 | 运行时动态搜索 | 编译时静态接线 |
| 计算开销 | 模型更新 + 规划搜索 | 零额外开销 |
框架问题在 subsumption 中不存在——但回避的方式是取消世界模型。因为没有世界模型需要维护，所以不存在”什么变了/什么没变”的问题。感知直接驱动行动，不需要在行动后更新任何状态。
但这个回避有代价。subsumption 只能在”非常简单的智能水平上”工作。复杂任务是否可以纯反应式完成？这是未解决的开放问题。
优雅降级——高层失效时低层照常运转
优雅降级是 subsumption 最引人注目的工程特性之一。因为每层都是独立的感知-行动闭环，高层失效不会拖累低层。探索层出问题了？漫游和避障还在工作。漫游层出问题了？避障还在工作。
我们的实验数据清晰地展示了这一特性：
优雅降级实验数据
正常模式（三层全开）：最终位置 (18.0, 18.0)，碰撞 6 次，到达目标
降级模式（探索层失效）：最终位置 (35.7, -9.1)，碰撞 0 次，漫游+避障仍正常工作
探索层失效后，系统退化为漫游模式——机器人不再朝目标前进，但依然能四处游走且不撞墙。0 次碰撞的数据说明低层行为完全不受高层失效的影响。
这种降级方式与 STRIPS 形成鲜明对比。STRIPS 如果规划失败，整个系统就停住了——因为执行模块依赖规划输出，规划模块依赖世界模型，一环断裂全链瘫痪。Subsumption 的分层设计使得系统能力是”叠加”的而非”串联”的，失去高层只是失去高级能力，而非系统崩溃。
但优雅降级也有另一面。实验数据显示，多层叠加后碰撞率反而上升：避障层单独运行 0 碰撞，叠加漫游层后 1 次碰撞，叠加探索层后 6 次碰撞。这说明层间交互并非简单”叠加功能”——高层行为的目标导向可能与低层避障产生冲突，引入新的碰撞风险。
Bar-Hillel 式批评——反应式控制的本质边界
Subsumption 的局限不是工程缺陷，而是反应式范式的结构性边界。从 Bar-Hillel 式批评的角度看，至少有三个本质性的问题。
第一个边界是反应式控制的有效范围。subsumption 在”非常简单的智能水平上”有效——避障、漫游、探索。但复杂任务呢？医学诊断需要推理链，定理证明需要搜索树，对话需要记忆历史。这些任务能否纯反应式完成？Brooks 本人在 1991 年承认了这个边界——”非常简单的智能水平上”这个限定词本身就是诚实的自我批评。subsumption 回避了复杂推理问题，而不是解决了它。
第二个边界是固定优先级无法运行时调整。subsumption 的仲裁由接线固定——抑制/禁止的优先级在编译时确定，运行时不可改变。这意味着系统无法根据环境动态调整行为优先级。在某些场景下避障应该优先，在另一些场景下探索目标可能更重要——但固定优先级的架构无法做出这种权衡。这比 STRIPS 的操作符模板更不灵活：STRIPS 的搜索器至少能在运行时选择不同操作序列，subsumption 的仲裁是静态的。
第三个边界是学习问题完全未触及。1986 年的 subsumption 论文完全没有触及学习问题——如何自动构造或修改行为模块？所有行为层都由工程师手工设计和接线，系统没有自适应能力。这个问题在 1987 年被 Brooks 明确推迟，直到 1990-91 年才给出学习四分类（且第四类”新行为模块”承认未攻克）。
与当代 Agent 的 BDI 坐标对照
从 BDI（信念-愿望-意图）框架来看，Brooks 1986 的 subsumption 与当代 LLM Agent 呈现出一种有趣的映射关系。两者都不依赖显式的世界模型，但方式和程度不同。
| 维度 | Brooks 1986 subsumption | LLM Agent 2026 |
|---|---|---|
| 信念 | 无世界模型，感知直接耦合行动 | 无显式世界模型，参数隐含统计分布 |
| 愿望 | 无显式目标，行为层隐含目的 | system prompt 设定角色 |
| 意图 | 无规划，按优先级仲裁的感知-行为偶对 | ReAct 循环（但无显式规划树） |
| 意图编辑权 | 工程师接线（编译时固定） | 工程师定义 tool/skill + 用户写 prompt |
| 状态更新 | 无（不维护状态） | context window（隐式状态） |
| 降级方式 | 优雅降级（高层失效，低层照常） | 部分失效产生幻觉（非优雅） |
| 学习 | 无（1986 年未触及） | RLHF / fine-tuning |
信念维度上，两者都拒绝显式世界模型，但 Brooks 是”完全没有”，LLM 是”参数中隐含统计分布”。愿望维度上，Brooks 的行为层只有隐含的目的，LLM 通过 system prompt 设定显式角色。意图维度上，Brooks 是固定优先级的感知-行为偶对，LLM 是统计选择的 ReAct 循环。
另一个有趣的对照是降级方式。subsumption 的降级是优雅的——高层失效低层照常。LLM 的降级是非优雅的——部分信息丢失后产生幻觉或错误回答。这说明虽然两者都走向了”无显式模型”的方向，但在鲁棒性设计上选择了不同的路径。
与同年 Minsky 的呼应——两条伏线的交叉
Minsky 和 Brooks 在同一年（1986）否定”单体”——但否定的维度不同。Minsky 从认知理论否定：单动因谬误，心智应拆为成百上千个小 agent。Brooks 从工程实证否定：不需要中央世界模型，感知直接耦合行动。
Minsky 拆解”单体大脑”的结构，Brooks 拆解”中央世界模型”的运作机制。两者从不同角度瓦解同一个范式。
但两者的交叉不只是概念相似。Brooks 在 1991 年《无表征智能》中主动引用 Minsky 心智社会作同类解释，这是两条伏线在原文层面的明文交叉点。结构上的去中心化（Minsky）和运作机制上的去中心化（Brooks），共同指向同一个方向——符号单体的消解。
小结：运作机制维度的反叛
Brooks 1986 年的 subsumption 架构是符号主义内部孕育的第二条反叛伏线。它否定的不是”符号”本身，而是”中央世界模型”和”自上而下规划”——符号主义运作机制的两个核心假设。
通过行为层分层和抑制/禁止仲裁，subsumption 证明了感知-行动耦合可以在无中央模型的情况下实现鲁棒控制。框架问题在 subsumption 中不存在——因为不维护世界模型。优雅降级的特性使得系统在部分失效时仍能运转。
但 subsumption 有其本质局限：只在”非常简单的智能水平上”有效，固定优先级无法运行时调整，学习问题完全未触及。这些局限不是工程缺陷，而是反应式范式的结构性边界——它们在 Brooks 1990-91 系列中被正面面对。
Brooks 的否定从运作机制维度击碎了符号单体的基石。与 Minsky 的结构维度否定、McCarthy 的接口维度否定，共同构成了三条反叛伏线。下一篇我们将进入 Brooks 1990-91 年的哲学化阶段——”无表征智能”口号的正式提出。
系列文章
| Agent 考古 符号单体时代 系列文章 | 关键词 |
|---|---|
| 导读：符号单体时代：第一组织形式的确立与反叛 | — |
| Logic Theorist：符号搜索的第一台证明机器 | 手段-目的分析、状态空间搜索、定理证明 |
| McCarthy Advice Taker：陈述句革命的最早蓝图 | 陈述句告知、推理-行动闭环、属性表装配 |
| STRIPS：状态空间规划的成熟与框架问题 | 算子三元组、世界模型增量、帧问题解法 |
| ELIZA：最小智能体的基线与错觉 | 正则模式匹配、聊天机器人、智能判定陷阱 |
| MYCIN：规则范式的顶峰与边界 | 置信度推理、专家系统、规则脆性 |
| 导读：三条反叛伏线汇论：语言接口·社会涌现·具身学习 | — |
| Minsky 心智社会：单体结构的内部否定 | 单动因谬误、机构协作、K 线记忆、审查器 |
| Brooks 包容架构：感知-行动耦合的工程反叛 | 分层包容、抑制/禁止仲裁、无中央模型 |
| Brooks 无表征智能：物理接地假设的哲学宣言 | 无表征智能、四关键概念、学习四分类 |
| 回顾：Bar-Hillel 式批评：意义、翻译与框架问题 | 翻译全自动悖论、意义消解、框架问题跨代回响 |
| 终章：自知、自觉、自止——终章定论 | 历史辩证法、组织演化层积观、回到当下 |
