摘要
 
人类对世界的因果理解并非来自抽象符号学习，而是源于婴儿期四种最基本的本能动作：抓住、释放、拉近、推远。本文提出这四大根动作为人类所有动作与认知的底层公理，通过婴儿真实行为案例与机器人任务拆解，说明根动作如何生成根因果、子因果与经验模型，并构建“动作—体感—预测—任务”的完整认知链条。在此基础上，本文结合当前人工智能领域世界模型与因果推理的研究困境，提出一条从人类认知出发、自下而上构建计算智能的全新路径。
 
关键词
 
根动作；根因果；子因果；经验模型；动作Token；世界模型；计算智能
 
 
 
一、引言
 
自2016年以来，图灵奖得主Yann LeCun多次提出：未来人工智能的核心，是构建能够预测、推理、理解物理规律的世界模型。他在2018年正式以《Learning World Models》为题系统阐述这一方向，并在2022年提出自主机器智能的三大核心问题：
 
1. 机器如何像人与动物一样高效学习？
2. 机器如何进行推理与规划？
3. 机器如何在多层抽象上学习世界表征？
 
尽管Schmidhuber、李飞飞等学者纷纷跟进，LeCun团队也推出JEPA系列研究，但整个学界至今面临一个共同困境：
世界模型内部的因果结构从何而来？如何从最底层开始构建？
现有方法多依赖数据统计与预测拟合，始终无法回答“因果从哪里起源”这一根本问题。
 
本文从婴儿真实认知出发，提出一套极简、自洽、可泛化的理论框架：人类所有认知，都来自抓住、释放、拉近、推远四大根动作；世界模型的因果，本质就是根动作在环境中反复交互形成的经验结构。这一框架不仅能解释人类如何理解世界，也直接回应LeCun提出的世界模型难题。
 
 
 
二、四大根动作与根因果

 
婴儿一出生就具备四种不可再分的本能动作，每一种对应一条不可动摇的根因果：
 
1. 抓住
动作：握紧、固定、稳住。
根因果：抓住 = 可控、稳定、不丢失。
2. 释放
动作：松开、停止控制。
根因果：释放 = 物体进入动态，最终达到新稳态。
3. 拉近
动作：向自己靠近、获取。
根因果：拉近 = 靠近目标、能够得到。
4. 推远
动作：向外推开、排斥。
根因果：推远 = 远离、拒绝、恢复舒适。
 
所有后续动作、经验、任务、语言、社交，都是这四个根动作的组合、迁移与精细化，不会出现第五个根动作。
 
 
 
三、婴儿如何从根动作获得经验（真实案例）
 
婴儿通过反复执行四大根动作，在不同物体、不同高度、不同位置上形成子因果（经验），逐步构建对世界的理解。
 
1. 抓住：抓住奶头就能吃到东西
 
婴儿抓住母亲奶头，就不会脱落，就能持续吮吸、获得奶水。
他得到经验：
抓住 = 稳定、可控、满足生存需求。
延伸到玩具：抓住玩具就不会掉，自己能控制它。
 
2. 释放：举高 vs 腿上释放，动态与稳态
 
婴儿抓住玩具举高后释放：
玩具下落→落在婴儿垫→静止（新稳态）。
再把玩具放在大腿上方释放：
玩具下落→落在腿上→同样稳态，但高度更低、声音更轻、力度更小。
 
婴儿形成关键经验：
 
- 释放越高，动态越明显；
- 释放越低，越平稳；
- 永远遵守：释放→动态→稳态。
 
3. 拉近：靠近才能得到
 
婴儿把头拉近奶头才能吃到奶；把玩具拉近才能摸、看。
经验：拉近 = 靠近 = 能获得。
 
4. 推远：不想要就推开
 
推开不舒服的被子、难吃的东西，都会远离自己。
经验：推远 = 排斥、避开、恢复舒适。
 
婴儿所有对物品、声音、光线、空间的理解，都来自这四个动作的不断试错、对比、归纳，最终形成经验模型。
 
 
 
四、机器人任务示例：过去开门，把杯子放到另一张桌子中心
 

下面用四大根动作完整拆解机器人任务，证明复杂任务只是根动作的组合：
 
任务：
走到门前→开门→拿起杯子→走到另一张桌子→把杯子放在桌面中心
 
根动作拆解：
 
1. 走向门：抓住（稳态）+ 拉近（靠近门）
2. 伸手握把手：拉近 + 抓住
3. 转动并开门：抓住 + 推远
4. 走向杯子：抓住 + 拉近
5. 拿起杯子：拉近 + 抓住
6. 走到另一张桌子：抓住 + 拉近
7. 放到中心并松手：拉近（对准）+ 抓住（稳定）+ 释放（放置完成）
 
整个任务没有出现任何新动作，完全由四大根动作组合完成。
机器人的经验模型，与婴儿完全同构。

每一步根动作的执行，都会对应一条明确的因果关系。
机器人正是通过这些因果关系，形成对任务、物体与环境的理解：

1. 走向门：
   保持**抓住**（稳态）→ 自身稳定不倾倒；
   执行**拉近**（靠近门）→ 与门的距离不断缩小。
   **因果：稳定移动 → 靠近目标。**

2. 伸手握把手：
   **拉近**把手 → 手到达可接触范围；
   **抓住**把手 → 获得对把手的控制。
   **因果：靠近并握住 → 实现对物体的控制。**

3. 转动并开门：
   持续**抓住**把手 → 保持控制不丢失；
   **推远**门 → 门被打开、通道形成。
   **因果：保持控制并推开 → 完成开门动作。**

4. 走向杯子：
   保持**抓住**（稳态）→ 身体稳定；
   **拉近**杯子 → 逐步靠近目标物体。
   **因果：稳定移动 → 靠近下一个目标。**

5. 拿起杯子：
   **拉近**杯子 → 手到达杯子位置；
   **抓住**杯子 → 固定杯子、防止掉落。
   **因果：靠近并握住 → 成功拿起物体。**

6. 走到另一张桌子：
   保持**抓住**（稳态）→ 持杯稳定；
   **拉近**目标桌子 → 向目标位置移动。
   **因果：稳定持物移动 → 到达目标地点。**

7. 放到中心并松手：
   **拉近**（对准）→ 杯子到达桌面中心位置；
   **抓住**（稳定）→ 保证放置平稳；
   **释放** → 杯子脱离控制、落在桌面并恢复稳态。
   **因果：对准、稳定后释放 → 物体安全放置并静止。**

由此可见，机器人完成整个复杂任务的过程，
本质上就是**四大根动作依次执行 → 触发对应根因果 → 形成子因果经验 → 组合成完整任务链**。
所有看似复杂的行为，都可以还原为**根动作与根因果的有序组合**，
这与婴儿通过动作认识世界、建立经验模型的机制完全一致。

---
 
五、当前学界对世界模型因果的研究现状
 
LeCun自2016年提出世界模型以来，已成为AI领域核心议题：
 
- 2018年：LeCun正式提出世界模型是AI下一步核心；
- 2022年：提出自主智能三大问题，明确因果、推理、物理直觉是关键缺口；
- 2023–2026年：Meta推出JEPA系列模型，Schmidhuber、李飞飞等学者跟进研究；
- 但整个学界共同承认：
世界模型内部的因果结构仍然没有突破，不知道从何开始构建。
 
Judea Pearl指出当前AI只有关联没有因果；
DeepMind、MIT、哈佛实验证明：模型能预测，但不懂因果。
一句话：大家都在回应LeCun，但没人给出底层结构。
 
 
 
六、抛出核心问题
 
当我们真正理解了人类的四大根动作、根因果、子因果、经验模型之后，
一个更关键、更具未来性的问题自然出现：
 
我们应当如何依据这套人类认知体系，去设计、研究、创造真正具备因果理解能力的计算智能？
 
 
 
七、对这一问题的回答
 
依据四大根动作框架，计算智能的构建路径可以非常清晰：
 
1. 底层只保留四个根动作：抓住、释放、拉近、推远，不再增加原子动作；
2. 让智能体像婴儿一样在环境中试错，生成“动作—体感—结果”的子因果；
3. 把子因果组合成经验模型，用于预测、判断、规划；
4. 把单次根动作定义为动作Token，可重复、可迭代、可优化为顺滑动作；
5. 复杂任务由Token序列组合而成，全程以稳态、可控、节能为目标。
 
这样构建的计算智能，不再依赖海量数据拟合，而是像人类一样从动作与因果出发，自下而上形成世界理解。
这正是LeCun多年来提出、但一直缺少底层结构的世界模型真正答案。
 
 
 
八、结论
 
人类从婴儿开始，便依靠抓住、释放、拉近、推远四大根动作建立因果、形成经验、构建世界模型。当前人工智能虽然围绕LeCun提出的世界模型问题广泛研究，但始终缺少一套从根源出发的统一框架。本文提出的根动作体系，既解释了人类认知的起源，也为计算智能提供了可实现、可泛化、可解释的完整路径，为未来真正具备物理因果与常识推理的AI奠定了底层基础。