Science Robotics / Research Article

Understanding the sense of self through robotics

作者：Tony J. Prescott, Kai Vogeley, Agnieszka Wykowska · 单位：Department of Computer Science and Sheffield Robotics, University of Sheffield, Sheffield, UK, Department of Psychiatry, University Hospital Cologne, Cologne, Germany, Institute for Neuroscience and Medicine–Cognitive Neuroscience (INM3), Research Center Juelich, Juelich, Germany, Social Cognition in Human-Robot Interaction Unit, Italian Institute of Technology, Genova, Italy · 来源：Science Robotics · 发布日期：2024-10-30 · DOI：10.1126/scirobotics.adn2733

机器人机器人学习

精读笔记

Problem Setting

论文标题：Understanding the sense of self through robotics（Science Robotics / 2024）。

这篇文章本质上不是一篇提出新机器人算法的 research paper，而是一篇带明确立场的机制综述：它试图回答 robotics 在研究 self 时到底能贡献什么。作者把问题设定为：如何利用物理机器人作为 embodied model 和 experimental probe，去检验关于 self 的功能性、发展性和病理性假设。

真正困难点在于 self 不是单一模块，也不是一个可以直接 benchmark 的能力。ownership、agency、spatial perspective、temporal continuity、ToM、autobiographical memory、narrative identity 之间存在强耦合，但又能在神经心理学和精神病理中部分解离。传统路线的问题是：哲学理论太高层，心理学实验太局部，神经科学相关性强但因果结构弱，机器人研究则常常只证明某个局部 sensorimotor trick 可行。

这篇文章抓住的关键矛盾是：如果 self 是一个 emergent system，那么单点现象不足以说明机制；但如果不把它拆成可实现子系统，又无法做科学建模。机器人提供的价值就在这里：它迫使理论变成可运行的架构，同时允许对子系统做构造、移除和扰动。

Motivation

作者认为已有路线不够，主要因为它们缺少 embodied sufficiency test。很多 self 理论能解释现象，却没有证明这些机制在一个真实闭环 agent 中足以生成相应行为。比如 comparator model 能解释部分 SoA，但在机器人 mirror self-recognition 场景中显得过于简单；rubber hand/virtual body illusion 能研究 SoO，但不能系统改变身体形态、动作能力和长期学习过程；计算精神病学能建模 prediction error，但很少有带身体、行为和交互的完整系统。

核心观察是：self 的很多现象都依赖身体边界、传感器视角、动作后果、时间连续性和他者互动，而这些变量在物理机器人中可以被精确操控。机器人既不像纯仿真那样脱离物理约束，也不像人类实验那样难以干预内部机制。

关键缺口不是缺一个更大的神经网络，而是缺一种能同时处理构造性、发展性和扰动性的实验平台。作者想把 robotics 从“实现类人行为”的工程目标，转为“检验 self 理论”的科学仪器。

Core Idea

核心思想可以概括为：self 不是一个 central representation，而是一组分层 predictive models 在 embodied sensorimotor loop 中形成的稳定组织模式。低层模型处理 proprioception、exteroception、interoception、action consequence prediction；中层模型形成 body schema、self-other distinction、peripersonal space 和 weak first-person perspective；高层模型编码 memory、goals、beliefs、ToM、autobiographical narrative 和 self-concept。

这改变了 self 的建模方式：从寻找一个“自我模块”转向构造一套能够在身体-环境-他者闭环中维持一致性的 predictive architecture。新的 inductive bias 是 embodiment：身体提供边界，传感器提供唯一视角，动作系统提供因果干预，时间连续的经验提供 persistence，社会互动提供 other selves 的参照。

和 prior 的本质区别在于，作者不是把机器人当作 cognitive capability demo，而是把机器人当作理论过滤器：一个 self 理论如果不能被嵌入可行动身体并产生相应行为，那么它至少是不完整的。这种思路比单一心理实验更 generalizable，因为它关注机制依赖关系；也比纯算法 benchmark 更接近认知科学，因为它保留了 embodied constraints。

Method

1. 构造 minimal self：目标是把 prereflective ownership 和 agency 操作化。body schema/self-manifold 解决身体状态与动作空间如何形成低维、可重构表示的问题；self-other distinction 解决哪些感知变化由自身动作导致；weak first-person perspective 解决 agent 是否具有以自身身体为原点的空间参照。这里的必要性在于，没有身体边界和行动后果预测，SoO/SoA 只能是外部观察者赋予的标签。

2. 构造 extended self：目标是把时间、社会和叙事维度接到 minimal self 上。episodic/autobiographical memory 提供跨时间一致性；joint attention、imitation、ToM 提供 interpersonal self；attention 和 memory inspection 提供 self-reflection 的起点。核心变化是 self 不再只是当前身体状态，而是具有过去-未来连续性和社会可解释性。

3. 机器人作为人类 self 的实验 apparatus：这里机器人不必有 self-model，而是作为可控 embodied stimulus。它能操控外形、人形程度、动作因果性、同步性、intentionality attribution，从而研究人类 SoO、SoA、joint agency 和 intentional stance 的边界条件。相比屏幕刺激，机器人多了物理存在和可交互身体；相比真人实验，机器人可控性更高。

4. 扰动 self-model 研究 disorders：通过改变预测误差处理、动作监控、层级间误差信号、memory retrieval 或 ToM 机制，观察机器人行为是否呈现类似 schizophrenia、depersonalization、autism、depression 中的 self disturbance。这里的价值不是诊断工具本身，而是给精神病理假说提供可运行的 causal model。

Key Insight / Why It Works

最重要的 insight 是：self 的很多核心现象本质上是 representation alignment 问题，而不是显式符号推理问题。SoO 来自身体相关多模态信号在一个共同 latent/body frame 中对齐；SoA 来自动作指令、预测感知后果和实际感知之间的因果对齐；self-other distinction 来自 temporal contingency 和 reafference 的统计结构；temporal self 来自 episodic memory 与 future simulation 的共享机制；interpersonal self 来自把 agency/intentionality 模型外推到他者。

因此机器人有效，不是因为它“像人”，而是因为它强制这些 alignment 发生在真实物理闭环里。物理身体提供天然的数据生成过程：动作会改变感知，感知误差会约束模型，身体形态会限制可行动作，传感器位置会定义 perspective。这些约束是纯离线数据或屏幕实验很难替代的。

最可能的核心贡献是把 predictive processing、embodied robotics、developmental self 和 computational psychiatry 放到同一机制图景下。它的实质创新不是某个模块，而是提出 robotics 可以同时做三件事：构造 self、测量 human self、扰动 self。这个三重角色比通常的 HRI 或 developmental robotics 更清晰。

但需要直接指出：很多所谓 self-like 能力目前可能只是 better inductive bias + engineered architecture，而不是真正 emergent self。body schema 学习可能主要是 sensorimotor representation learning；agency 可能主要是 forward model / contingency detection；ToM 很多时候仍像任务特化推断；narrative self 很可能依赖预定义 memory schema 和语言报告模板。增益来源不清：到底来自 embodiment、predictive hierarchy、长期学习，还是实验者预先设计的结构，文中未充分说明。

这篇文章最有价值的地方不是证明机器人有 self，而是提出一个更严格的判断标准：如果一个 self 机制不能解释在 embodied agent 中如何学习、维持、扰动和恢复，那么它不是完整机制。

Relation To Prior Work

这篇文章处在几条路线的交汇处：predictive processing / active inference 的 self 理论，developmental robotics 的 body schema 与 social cognition，HRI 中机器人作为心理实验工具，computational psychiatry 中 self disturbance 的计算模型，以及 enactivist/embodied cognition 对身体与环境耦合的强调。

和传统 body schema robotics 相比，它不满足于让机器人学会自己的运动学模型，而是把 body schema 放进 ownership、perspective 和 self-other boundary 的更大结构中。和 standard agency/comparator model 相比，它强调单一 predicted-vs-observed match 不够，需要 contingency learning、spatiotemporal structure 和层级预测模型。和 HRI 研究相比，它关心的不只是人是否把机器人当社会对象，而是 intentional stance、joint agency 如何反过来揭示 interpersonal self 的机制。

看似新的部分其实有不少是已有思想重组：minimal vs extended self、predictive self-model、body ownership illusion、intentional binding、ToM、episodic memory、computational psychiatry 都不是新概念。实质新增的信息在于把这些局部文献组织成一个 robotics-centered research program，并明确指出机器人可以检验 self 理论的 sufficiency，而不仅仅是模拟表面行为。

它属于“synthetic psychology / cognitive neurorobotics”谱系，而不是主流机器人学习中的 performance-driven 方法。若从机器学习角度看，它不是 scaling paper；若从认知科学角度看，它是在推动从 verbal theory 到 executable embodied model 的范式转换。

Dataset / Evaluation

本文没有统一 dataset、benchmark 或新实验评估；证据来自已有机器人平台和人机交互实验的综合，包括 iCub、Nao、Pepper、Tiago、Cog、Kenshiro、软体/仿生机器人、外骨骼、假肢、teleoperation 等。覆盖范围很广，但评估粒度不统一。

任务覆盖了 minimal self 的 body schema、self-touch、self-other distinction、mirror recognition、object permanence、SoA，也覆盖 extended self 的 joint attention、ToM、episodic/autobiographical memory、narrative reporting，以及 human study 中的 body transfer、intentional binding、joint agency、intentional stance。真实世界和真机成分较强，这是本文论证的优势。

但这些 evidence 并没有真正验证一个统一 claim：即 layered predictive architecture 是否足以生成 unified sense of self。多数研究只验证局部现象，平台不同、任务不同、评价指标不同，很难排除 task-specific engineering。机器人作为 experimental apparatus 的证据更扎实，因为它能系统操控 human response；机器人作为 self model 的证据更弱，因为缺少统一架构下的 ablation、developmental trajectory 和 long-horizon consistency evaluation。

因此 evaluation 支持的是“robotics 对研究 self 有用”，不充分支持“关键 self phenomena 已经能在机器人中以统一机制生成”。

Limitation

1. 缺少 interoception 和 homeostasis 是硬伤。作者也承认当前机器人内部 milieu 过于贫乏。若接受 Seth/Tsakiris、Damasio、Panksepp 或 enactivist 路线，身体内部调节不是附加模块，而是 self 的根基。没有丰富内感受、情绪价值和自维持压力，机器人 minimal self 只能覆盖 sensorimotor self 的一部分。

2. emergence 的归因不清。很多 self-like 行为可能来自架构先验、任务设计和人工标签，而不是机器人在发展过程中自然形成。所谓 unified self 可能只是多个模块被研究者放在同一系统里，文中未充分说明这些模块如何自动绑定成稳定整体。

3. extended self 更像概念拼接。episodic memory、ToM、narrative reporting、attention inspection 都已有机器人实现，但从这些能力到“narrative self”之间缺少严格机制桥梁。报告自己不等于拥有自我概念；存储 episode 不等于形成 transtemporal unity。

4. psychopathology 建模风险较高。用预测误差扰动模拟 schizophrenia 等现象有启发性，但很容易落入表面类比：机器人行为 disorganized 并不说明机制等价于病理经验。临床症状包含主观体验、社会语境、神经发育史和药理因素，当前机器人模型只能覆盖很小一部分。

5. 主观性问题被策略性后置。作者承认文章主要讨论 cognition/action 而不是 phenomenal self。这样做合理，但也意味着最强 claim 被推迟了：机器人能否拥有 subjective experience 仍未被解决。weak 1pp 到 minimal phenomenal selfhood 之间还缺什么，文中没有给出可操作判据。

6. scaling 上限不在计算量，而在 embodiment richness。增加模型规模或 memory 容量不能自动解决 self；真正瓶颈是身体边界、多模态皮肤、能量调节、长期自主生活、社会发展史和持续自我维护。目前大部分机器人仍是实验室短时任务系统。

Takeaway

  • 1. 最值得迁移的 insight：把 self 看成一组 predictive alignment problems，而不是一个显式符号对象。
  • 这个视角可迁移到 embodied agents、world models、memory agents 和 social AI。
  • 2. 机器人研究 self 的真正价值不是做类人 demo，而是做 sufficiency test：理论必须能在物理闭环中运行、失败、被扰动，并产生可观测行为。
  • 3. 下一步真正值得做的不是再实现一个 body schema 或 ToM demo，而是构建统一的 layered architecture，在同一机器人上同时测试 ownership、agency、memory、social inference 和 perturbation，并做长期 developmental evaluation。

一句话总结

这篇论文在机器人自我研究中的位置，是把零散的 body schema、agency、memory、HRI 和 computational psychiatry 工作重组为一个 embodied predictive self-modeling 研究纲领；真正贡献是明确机器人可作为检验 self 理论充分性的构造性平台，而不是证明当前机器人已经拥有强意义的自我。