让机器下国际象棋，1997 年就办到了；让机器人在你家厨房稳稳绕开一只拖鞋，几十年过去仍然算难题。方向恰好与直觉相反：人类觉得轻而易举的看、走、抓，恰恰是 AI 最难自动化的部分；人类觉得费脑子的逻辑推理、下棋算题，机器反而早早拿下了。1980 年代，机器人学家汉斯·莫拉维克等几位学者各自表述了这个观察，后来它得到一个名字：莫拉维克悖论。这篇讲清楚悖论说了什么、怎么解释，以及今天的 AI 改写了其中多少。
三位学者的各自表述
这一观察没有单一起源论文，公开文献里的表述来自三个人。卡内基梅隆大学的机器人学家莫拉维克在 1980 年代的著述中写道：让计算机在智力测验或跳棋上达到成人水平相对容易，让它具备一岁孩子的知觉与灵活度却极其困难；他在 1988 年的公开著作里进一步说，人对自己的心智最不透明的，恰恰是做得最顺的那些事。麻省理工学院的罗德尼·布鲁克斯在 1980 年代后期的公开论文里论证，智能离不开与物理世界的实时互动，为此他提出以行为分层为核心的新架构。同一所学校的明斯基（见明斯基一篇）则在公开演讲里举过类似的例子：我们对走路、认脸这类能力习以为常，是因为它们在生物层面已经演化得太久，以至于难以被意识到。各家原话的精确出处与措辞以公开文献为准。
演化吃掉的那几亿年
公开文献里对悖论最常见的解释来自演化视角：感知与运动能力经数亿年自然选择打磨，早已成为生物大脑高度自动化的底层功能，主观上不费力，是因为整套机制对意识不可见；而抽象推理、数学、书面语言这些东西出现不过几千年，大脑处理它们时仍然吃力，人类也因此把它们错认成了「高智能」的标志。换到工程侧，逻辑推理有清晰的符号规则可以照抄，感知与运动却要面对连续、含噪、时刻变化的世界，没有现成规则可写——这也是早期符号路线的 AI 在机器人上屡屡碰壁的原因之一。
战绩单上的错位
把 AI 的战绩单与人类的难度直觉放在一起，错位一目了然。先排一张速查表：
1958 年，感知机公开，模式识别开局；1960 至 1970 年代，定理证明与跳棋等符号任务接连突破；1980 年代，莫拉维克、布鲁克斯、明斯基先后表述感知运动难题；1997 年，深蓝击败国际象棋世界冠军；2012 年，AlexNet 夺冠，视觉识别进入实用区间；至今，机器人的通用操作仍是公开可查的攻关课题。
逻辑这边：1997 年深蓝击败国际象棋世界冠军（见深蓝赢卡斯帕罗夫一篇），定理证明、专家系统（见专家系统一篇）都在符号任务上先跑通了。感知这边：视觉识别在 ImageNet 竞赛（见ImageNet 竞赛一篇）之前长期进展缓慢，2012 年 AlexNet 夺冠（见AlexNet 拿冠军一篇）才把看图识物拉到实用区间；至于双足行走、灵巧抓取这类运动能力，直到近年各大机器人赛事里，摔倒仍然是常态画面。
| 任务类别 | 人的难度直觉 | 机器的公开战绩 |
|---|---|---|
| 棋类与定理证明 | 费脑子，需要专门训练 | 1997 年深蓝击败国际象棋世界冠军，符号任务先跑通 |
| 视觉识别 | 看一眼就知道 | 2012 年 AlexNet 夺冠后才拉到实用区间 |
| 双足行走与灵巧抓取 | 不费力，下意识完成 | 机器人赛事里摔倒仍是常态画面 |
| 语言推理 | 需要动脑组织 | 成了大模型的看家本领，能写出条理清晰的步骤 |
今天账本重算了多少
深度学习兴起后，这份账本被部分改写：视觉识别在大量场景里已经实用，语音识别进了每部手机，语言推理成了大模型的看家本领——今天的 AI 应用里，逻辑任务反而成了强项。但悖论的核心地带依然坚固：让机器人做一顿饭、收拾一间乱屋子，仍是全行业在攻关的题目，感知运动与常识操作的自动化程度远落后于语言。你可以做个小实验：用豆包或腾讯元宝让 AI 描述「怎么把一杯水端过一屋子人」，它能写出条理清晰的步骤；同样的动作交给真实机器人，每一步都还是研究课题。写得出与做得到之间的这段距离，就是 1980 年代那个观察在今天剩下的部分。
关于莫拉维克悖论的三问三答
- 莫拉维克悖论一句话是什么？对人类简单、下意识就能完成的感知与运动任务，对机器反而最难自动化；人类眼中的高难度逻辑任务，机器反而更容易做好。
- 这个说法是谁提出的？1980 年代由莫拉维克、布鲁克斯、明斯基等学者在各自公开著述中分别表述，后来以莫拉维克的名字概括。
- 深度学习解决它了吗？没有全部解决。视觉与语音等感知任务大幅进步，机器人运动与常识性操作仍是公开可查的未竟难题。
