1988年，卡内基-梅隆大学移动机器人实验室主任汉斯·莫拉维克说了一句后来被反复引用的话：让计算机在智力测验或下跳棋时表现出成人水平相对容易，但要赋予它们一岁儿童在感知和行动方面的技能则困难甚至不可能。

三十多年后，这段话在中国北京的国家速滑馆里得到了最直观的现场验证。

第二届世界人形机器人运动会开幕式上，银河通用的网球机器人站在了郑洁对面。从表面看，这是一场人机网球赛。往深了看，这是对莫拉维克悖论的一次公开展示——而且是向好的方向展示。因为在过去三十多年里，悖论的前半句早已被彻底兑现，而后半句，直到今天才看到了被突破的曙光。

很多人看完比赛的第一反应是，这不就是个机器人打球吗，有什么稀奇的。这种想法并不奇怪，因为人类对"难"和"易"的判断，天然是以自身经验为参照系的。对普通人来说，下围棋是很难的，打网球相对容易。所以当听说AI下棋赢了世界冠军，觉得理所当然；听说机器人会打网球，觉得也就那么回事。

但事实恰恰相反。对AI来说，下棋远比打球容易。围棋的棋盘是19路网格，361个交叉点，规则恒定，边界清晰。对手落子后，AI有几十秒甚至几分钟来推演下一步。整个世界是静态的、离散的、可计算的。虽然解空间大到比宇宙原子数还多，但本质上仍是一道难度更大的数学题。只要算力足够、算法够优，总有办法解出来。

而网球场上的世界完全是另一回事。球以每小时一百多公里的速度飞来，受旋转、风、场地摩擦的影响，每一拍的物理参数都不重复。机器人必须在几百毫秒内完成感知、预测、决策、全身协调，还要保持自己不摔倒。对手是活人，会骗你，会变节奏，会故意打你难受的位置。没有固定答案，没有最优解，每一毫秒都是新的局面。

这就是莫拉维克悖论的核心：人类觉得难的事情，对AI可能很简单；人类觉得简单的事情，对AI可能极其困难。因为人类经过了数百万年的进化，感知和运动系统已经被打磨得高度发达，只是因为用起来太顺畅，我们反而意识不到它的复杂。而逻辑推理和抽象计算是人类文明较晚发展出来的能力，相对而言更容易被模拟。

这个悖论背后还有更深层的进化论逻辑。人类的大脑并不是一台从零开始设计的通用计算机，而是一层一层叠加上去的。最底层、最古老的部分负责呼吸、心跳、基础反射，这些功能几乎不需要思考就能完成；中间层负责运动协调、空间感知、情绪反应，这些也是高度自动化的；最顶层、最新进化出来的大脑皮层才负责逻辑推理、语言、抽象思维，这部分虽然"高级"，但运行速度其实很慢，而且需要消耗大量的注意力资源。

所以人类做数学题、下围棋的时候，用的是最顶层、最慢的那部分大脑，而且自己能清晰地感受到"我在思考"。但走路、接球、识别面孔这些事情，用的是底层、更快的部分，我们几乎感觉不到自己在"算"，事情就已经做完了。正因为意识不到其中的复杂，人类才会误以为这些事情"很简单"。

从工业设计的视角来看，这个悖论有更深的一层含义。设计一款能在封闭环境中完成固定动作的机器人不难，难的是设计一款能在开放、动态、不确定环境中持续运作的机器人。前者是工程问题，后者是系统设计问题。

工厂里的工业机器人就是典型的"封闭环境固定动作"。它们在焊接、装配、搬运这些任务上比人类精准、高效得多，但前提是工作环境是固定的——零件放在什么位置、工作台有多高、每一步动作的顺序，都是预先设定好的。一旦环境稍有变化，比如零件放偏了一厘米，或者来了一个之前没见过的零件，机器人就傻眼了。不是它不够精准，而是它的系统设计就不是为了应对不确定性的。

网球场景恰好把这个系统设计问题推到了极致。它同时考验四重能力，缺一不可。第一是感知，要在极短时间内识别来球的速度、旋转、落点；第二是决策，要判断用什么动作回击、打向什么位置、用多大力度；第三是全身运动控制，要协调双腿、躯干、手臂、腕部的几十个关节，在动态中保持平衡并完成精准挥拍；第四是实时博弈，要根据对手的变化调整策略，不能只会打预设好的球路。

这四重能力不是简单叠加，而是要在毫秒级时间窗口内形成闭环。感知迟了，后面全错；决策慢了，动作就赶不上；运动控制不准，球就出界或下网；博弈能力弱了，很快就会被对手调动得疲于奔命。任何一个环节的短板，都会直接拉低整体表现。

而且，这四重能力之间还存在复杂的相互影响。比如感知系统如果有一点点噪声，传到决策层就可能被放大；决策层做出的判断如果稍微慢了一点，运动控制系统就需要用更大的动作幅度来弥补，而更大的动作幅度又会影响平衡，增加摔倒的风险。整个系统是一个牵一发而动全身的整体，任何局部的优化，如果不考虑整体影响，都可能适得其反。

银河通用的解法是大小脑协同架构，大脑做决策，小脑管运动。这个思路本身不新鲜，人类就是这么运作的。但难的是把它工程化、产品化。大脑和小脑之间的信息传递怎么设计？延迟控制在多少毫秒以内？决策指令怎样翻译成全身的动作序列？这些问题没有标准答案，需要大量的设计迭代和实验验证。

更难的是"小脑"本身。它不是简单复制人类的动作数据，因为机器人的身体结构和人毕竟不同——关节数量、力矩分布、重心位置都有差异。直接照搬人类动作，轻则动作僵硬，重则失去平衡。所以银河通用的做法是，通过对超过10万小时人类动作数据的学习，生成适应机器人自身身体结构的运动策略。这相当于让机器人"发明"了一套属于自己的动作体系，而不是机械地模仿人类。

这个过程中的设计含量，其实比技术含量更高。因为技术有现成的工具——深度学习、强化学习、运动学模型——但怎么把这些技术组装成一个能跑通的系统，怎么在有限的算力和硬件条件下做出够用的表现，怎么定义每个模块的边界和接口，这些都是设计决策。技术是零件，设计决定了零件怎么拼成一台能跑的机器。

这就像盖房子，建材都是一样的砖、水泥、钢筋，但不同的设计师能盖出完全不同的房子。有的房子空间利用率高，有的房子采光好，有的房子抗震强。建材本身没有变，变的是组合和使用的方式。机器人的设计也是同样的道理——同样的传感器、同样的电机、同样的算法框架，不同的系统设计，最终表现可能天差地别。

对比AlphaGo和网球机器人，可以很清楚地看到两代AI的不同。AlphaGo是纯软件的胜利，它只需要一个GPU集群，不需要和物理世界打交道。它的"身体"就是数据中心的服务器，稳定、可控、不会坏。而网球机器人是软硬件结合的产物，它有真实的身体，有重量，有惯性，有磨损，会摔倒，需要能源供应。它面对的不是规则完美的数字世界，而是充满不确定性的物理世界。

这也解释了为什么具身智能被认为是AI的下一个里程碑。因为如果AI永远停留在数字世界里，它能做的事情终究是有限的。只有当AI学会和物理世界打交道，学会在真实环境中感知、决策、行动，它才能真正释放出变革性的力量。就像人类文明的进步，不只是靠脑子想，更是靠双手做出来的。

从设计的角度看，具身智能时代的工业设计会变得越来越重要。因为当产品从"执行预设指令"进化到"适应开放环境"，设计的重心也会随之转移。过去的设计更多关注形态、功能、人机交互界面；未来的设计会更多关注系统架构、行为逻辑、适应能力、容错机制。一个机器人好不好，不只是看它长得好不好看，更要看它在复杂环境中表现得够不够聪明、够不够稳定、够不够可靠。

创品千乘在做工业设计的过程中，其实也一直在面对类似的问题。比如设计一款医疗设备，不只是要设计外观和结构，还要考虑医生在实际使用场景中的操作动线、误操作的可能性、设备故障时的应急方案、不同体型患者的适配性。这些都是"开放环境中的复杂问题"，没有标准答案，需要设计师系统性地思考和权衡。

而且，越靠近真实使用场景，问题就越复杂。比如一台康复训练机器人，它面对的患者身体状况各不相同，有的人左侧偏瘫，有的人右侧无力，有的人关节活动度受限，还有的人伴随认知障碍。如果机器人只会一套标准化动作，那肯定满足不了需求。它必须能感知患者的状态，调整自己的动作和力度，根据实时反馈动态调整训练方案。这和网球机器人面对的挑战本质上是一样的——都是在开放、不确定的环境中，实时感知、决策、调整，形成闭环。

再比如做精密装备的设计，用户的使用环境千差万别，有的在恒温恒湿的实验室，有的在嘈杂的工厂车间，有的甚至在野外。如果只在理想环境下做设计，产品到了现场就会出各种问题。所以真正有经验的设计团队，会在概念阶段就把各种极端使用场景考虑进去，通过可靠性设计、环境适应性设计，确保产品在各种条件下都能正常工作。这背后需要的，就是从系统层面整合多维度需求的设计能力。

网球机器人的这场表演，像是莫拉维克悖论被撬开了一道缝。虽然离真正突破还有很长的路要走，但至少我们看到了方向——感知、决策、运动控制、实时博弈，这四重闭环在真实物理环境中跑通的那一天，就是具身智能真正到来的时刻。

值得注意的是，这个突破只靠算法是不够的，还需要硬件、材料、能源等多个领域的协同进步。就像人类的运动能力，不只是靠大脑和神经系统，还需要骨骼、肌肉、关节的配合。机器人也是一样，没有高精度的传感器、高响应速度的电机、高强度轻量化的结构材料，再好的算法也跑不起来。

而把所有这些要素整合在一起，让软硬件协同工作，让各个部件协调运转，恰恰是设计的核心价值所在。创品千乘在多年的整案设计实践中，总结出了一个基本判断：复杂产品的竞争，最后拼的不是单点技术的领先，而是系统整合能力的高低。因为单点技术可以买，可以挖人来做，但系统整合能力是买不来、挖不来的，它是在一个项目一个项目中磨出来的，是一个团队的内功。

莫拉维克悖论之所以是悖论，正是因为它反直觉。人类对难度的判断和真实的技术难度是反过来的。但也正因为如此，谁能先解决这个反直觉的难题，谁就能在下一代人工智能的竞争中占据制高点。而要解决这个难题，需要的不只是更强的算法和更快的芯片，更需要能够从系统层面设计智能体整体架构、能够把感知决策运动控制博弈融于一体的设计能力。而在那之前，设计能力的高低，将决定谁能更快抵达终点。