表征：机器人用什么"记"世界

前情提要 上篇（第 10 篇《多模态融合：把看听摸拼成一张世界地图》）讲到，机器人把摄像头看见的、麦克风听见的、触觉传感器摸到的零散信息，融合成了一张统一的"世界地图"。本篇要回答：这张地图在机器人脑子里到底长什么样？它怎么把眼前一团混乱的现实，变成一串能计算的、能比较的、能传递的数字？这正是具身智能的地基。

机器人脑子里"世界"长什么样？这个问题听起来很玄，但其实答案朴素得有点反直觉：那团混乱的现实，在机器人脑子里并不是一段视频、一张照片，而是一串数字。

设想一个最简单的例子。你想告诉朋友某个地方在哪儿。最笨的办法是拍张照片发过去："就这儿。"可照片太大、太杂、太不好比。两个人拿着两张照片，很难立刻说清谁离谁远。更好的办法是给这个位置三个数：经度、纬度、海拔。三个数一写，朋友就知道在地球哪个角落、多高；要算两个地方差多远，拿数一减就行；要发给别人，复制粘贴一个坐标就够。三个数，比一张照片好算、好比较、好传递。

机器人面对的世界也是这么回事。它眼前有无数像素、无数声音波形、无数触觉压力点，这些都是"照片"级别的原始信息，又多又乱又难直接用。于是机器人需要一个东西，把这些乱七八糟的输入，压成"经度纬度海拔"那样的一串数——这就是本篇的主角：状态表征（state representation）。

什么是状态表征

状态表征，说白了就是用一组数，描述机器人当前面对的情形。这套数就是机器人对"现在世界什么样"的记账。账记得好，后面做决定就省事；账记得乱，后面每一步都磕磕绊绊。

还记得前面 B 弧讲的"看、听、摸"吗？机器人用摄像头看、用麦克风听、用触觉传感器摸，把世界感知了一遍。可是感知到的那些原始信号，本身并不能直接拿去算。本篇要回答的，正是这些感知最终要落到什么地方——落到"一串能算的数字"上。这串数字，就是具身智能真正的地基。没有它，机器人就算"看"到了，也说不清、算不动、传不出。

打个比方。你走进一个房间，眼睛看到沙发、茶几、一盏灯，耳朵听到窗外车声，手摸到桌面是凉的。这些对你来说是"感受"。对机器人来说，所有感受最后都要被一个叫"编码器"的部件，翻译成一串固定长度的数字。比如"沙发在左前方、灯亮着、地面平坦、没危险"——这些零碎的语义，变成一个包含几十、几百甚至上千个数的列表。

上面这条线，就是表征发生的过程：场景进来，编码器把它压成一串数，这串数就是状态向量。机器人此后所有的思考，都围绕这串数展开。

有损，但够用：表征坍缩

你可能会担心：把丰富饱满的现实，硬压成一串数，不就丢东西了吗？没错，确实会丢。这在行内有个说法叫"表征坍缩"——信息是有损的，但往往是够用的。

还是用坐标举例子。你说"我在经度 116、纬度 39、海拔 50"，朋友脑中重建出的地点，当然不是你脚下的真实街景，没有风、没有气味、没有你手里那杯咖啡。可要办的事——约个见面地点——已经够了。机器人也一样：它不需要把场景里每根草、每道反光都记下来，它只需要记下"当下决策真正用得上的那部分"。丢掉无关细节，反而让计算变轻、变快。

所以好的表征不是"什么都记"，而是"该记的记、该扔的扔"。它像一个会抓重点的助手，把世界压缩成一张清单，清单上的每一项，都是后面决策可能要用到的线索。

表征好坏，决定后面难不难

这里有个容易被忽略的真相：表征选得好不好，直接决定机器人后面的活儿好不好干。

举个直觉例子。假设你要让机器人找房间里最亮的地方。如果你用的表征是"一张高清照片"，那它得对着几百万个像素挨个比亮度，累得够呛。可如果你用的表征里本来就有一项"当前光照强度"，那它看一眼这个数值就知道了。换种表征，同样的任务难度天差地别。

这就像整理行李：东西按"类别"装筐，找起来就快；全塞进一个麻袋，翻半天也翻不到。状态表征，就是给机器人的"世界行李"预先分好筐。筐分得巧，后面决策、规划、学习全都轻松；筐分得一塌糊涂，后面每一步都在还债。

那串数字，其实是个向量

说到这里，要做一个跨系列的回看了。你记不记得数学系列第 2 篇《矢量与空间：量子态住在哪》？那篇讲了一个关键思想：很多看似不相关的东西，只要能表示成一组有序的数，它就是一个"向量"，住在一个高维空间里。

机器人这串状态数字，本质上就是这样一个向量。经度纬度海拔是三维空间里的一个点；机器人的状态向量，则住在一个维度高得多的空间里——可能有上百维。在这个高维空间里，两个状态靠得近，就说明机器人面对的两种情形相似；靠得远，就说明差别大。机器人做决策、做比较、做学习，本质上就是在这样一个空间里移动、度量、找方向。

把现实压成一串数，不是偷懒，而是给机器人装上一套"世界语言"。有了这套语言，看、听、摸那些零散的感知，才第一次真正连成了可以计算、可以推理的东西。

小结一下

表征是地基，这话说多少遍都不过分。前面讲"看听摸"是机器人的感官，讲"融合"是把感官拼成地图；而本篇的表征，是把这张地图再翻译成一串能算的数字。下一步，机器人就要拿这串数字去"想"了——它怎么用这串状态，加上一个"动作"，在脑子里推演出"下一步世界长什么样"？那就要留到第 12 篇揭晓。

读后小测

3 句话复述 机器人把混乱的现实压成一串能算的数字，这串数字叫状态表征。表征往往有损但够用，叫做表征坍缩，关键是抓住决策要用的重点。这串数字本质是数学里的向量，住在高维空间，表征选得好不好直接决定后面决策难不难。

1 件动手小事 现在看你的书桌。试着只用 3 个数字给它"定位"，比如"离窗 2 步、离门 3 步、桌面第 1 层"。再想想：你丢掉了哪个维度？如果只凭这 3 个数，别人能还原出你桌上有几本书、什么颜色吗？感受一下"表征坍缩"——少记了，但找东西够用了。

下一回是「第 12 篇《世界模型：让 AI 在脑子里先演练一遍》」。你会看到，机器人怎么拿着本篇这串状态向量，加上一个"我要抬手"之类的动作，在脑子里先推演一遍"动完之后世界会变成什么样"，就像下棋前先在脑中摆几步，再决定真动手。