传统AI依赖静态数据集识别世界，但具身智能面对的是不断变化的真实环境。它如何像人一样，通过尝试与失败，动态调整对世界的认知？这篇内容深入剖析了“动态Affordance表征”的核心思想，揭示了具身智能“边做边学”的底层机制，为理解下一代AI提供了新视角。
智能速览
具身智能的感知是动态的，会随行为历史而改变。
AI为物体的可操作性打上动态置信度，而非简单的能或不能。
通过“动作-结果-感知”的反馈机制，每一次尝试都是对世界模型的修正。
AI的感知可以跨任务迁移，做到环境、经验和任务敏感。
实现这一切的关键是在线建模，即在执行任务时持续学习。
精华内容
在具身智能领域，AI的感知不再是静态的图像识别，而是一个与真实世界不断交互、动态调整的过程。它如何一边行动一边学习，甚至在失败中修正认知？核心在于“动态Affordance表征”。
感知的重塑
传统视觉识别中，物体的属性是固定的，比如红色的苹果检测出来就是结果。但在具身智能中，物体的“可操作性”会因行为历史而改变。例如，第一次尝试拉开抽屉失败了，第二次再看到同款抽屉时，AI就会下意识怀疑它是否也被锁上了。这种被行为历史影响过的动态估计，就是“动态Affordance表征”的核心思想。AI的行为不再是感知之后的结果，而是感知判断本身的一部分。
动态置信度
要实现动态感知，第一步是给每个“Affordance候选区域”打上动态置信度，即“目前估计它能动的概率是多少”，这个概率综合了视觉、语言、上下文和历史经验。第二步，模型必须在每次尝试动作后实时更新置信度。例如，尝试抓握把手失败，下次再看到类似把手时，其置信度就会降低；成功推开门，这类门的操作优先级则会上升。这要求模型建立一个“动作-结果-感知”的三元组反馈机制，让每一次行为都成为修正世界模型的反馈。
在线建模
AI还需要具备跨任务迁移的能力。在某个环境中失败过的经验，可以被迁移到新环境中，使AI在面对相似场景时更加谨慎或更换策略。这要求AI在表征中加入上下文条件与时序经验，让感知变得环境敏感、经验敏感和任务敏感。实现这一切的关键在于“在线建模”，即AI不是在训练时学死，而是在执行任务时持续学习。就像一个不断修图的盲人，每次触摸世界，都让认知的图像更清晰一点，甚至发现自己画错了，擦掉重来。这才是“活着的智能”。
动态Affordance表征为具身智能提供了与复杂世界交互的钥匙，让AI从“识别世界”走向“与世界谈判”。在线建模能力使其能够不断进化，适应未知。未来，这种“活”的智能将如何更深刻地理解和改造我们的世界？
