借景式具身智能：当机器人的世界模型遇见中国古典园林

引言：一场跨越四百年的对话

2026 年 6 月，ICRA（IEEE 国际机器人与自动化会议）在维也纳举行。在同期举办的 AGIBOT World Challenge 上，中科院自动化所联合高德 CV Lab 组建的 NeoVerse-ABot 团队以 0.829 的高分从全球 526 支队伍中夺魁 ^[1]。他们的核心突破是破解了机器人的「动作幻觉」问题——让机器人在行动之前先「想一想」。

而大约在 1634 年，明代造园家计成在其著作《园冶》中写下了一句看似轻描淡写的话：「借者，园虽别内外，得景则无拘远近」 ^[2]。

一个是在硅基芯片上运行的预测模型，一个是在宣纸上勾勒的山水构图。它们之间，隔了将近四个世纪，却在做同一件事——在动手之前，先在脑海中完成全量模拟。

本文试图将这两个概念放在一起，做一次认真的比较与重组。不是比喻，而是追问：如果机器人的世界模型是一种「通用预演能力」，那么中国园林师千年前锤炼的借景直觉，是否正是这种能力在空间设计领域的最佳载体？

第一部分：世界模型——机器人的「心智模拟器」

1.1 什么是世界模型

世界模型（World Model）是人工智能领域中一个核心概念，指的是智能体内部构建的一个关于外部环境的动态预测模型。它的功能类似于人类大脑中的「心智模拟」——当你准备伸手去拿一杯水时，大脑会在动作发生之前就预判出手臂的运动轨迹、手指的接触力度、杯子的重心偏移。世界模型试图赋予 AI 同样的能力。

Yann LeCun 在其 2022 年提出的「自主智能体」路线图中，将世界模型定位为通向高级智能的关键路径 ^[3]。他认为，当前大语言模型之所以缺乏真正的物理常识，根本原因在于它们只是在预测下一个 token，而没有建立起对物理世界的内在表征。世界模型的目标不是预测文本，而是预测世界的状态变化。

1.2 从 Ha & Schmidhuber 到 DreamerV4：一条八年的技术脉络

世界模型的现代研究可以追溯到 2018 年 Ha & Schmidhuber 发表的同名论文 World Models ^[4]。这篇论文提出了一种优雅的三段式架构：用变分自编码器（VAE）压缩视觉输入，用混合密度网络-循环神经网络（MDN-RNN）预测下一帧状态，最后用一个极简的线性控制器在「梦境」中学习最优策略。这一框架的核心洞见是——智能体可以在自己生成的内部模拟中训练，而不必每次都和真实环境交互。

Hafner 等人随后将这一思路大幅推进。Dreamer（2020）^[5] 引入了 RSSM（Recurrent State-Space Model），让智能体完全在潜在空间中进行规划和想象；DreamerV2（2021）^[6] 证明了世界模型可以在 Atari 游戏上达到甚至超越无模型强化学习算法的性能；DreamerV3（2023 年预印本 / 2024 年 Nature 发表）^[7] 首次让 AI 从零开始学会了在《我的世界》中收集钻石——一个需要长期规划和复杂工具链的任务。最新的 DreamerV4（2025）则同时引入了基于 Transformer 的注意力架构和扩散模型（diffusion models）来建模环境动态，进一步提升了长序列预测的精度和多样性。

与此同时，LeCun 提出的 JEPA（Joint Embedding Predictive Architecture）^[3] 走了另一条路：不在像素空间做预测，而是在抽象表征空间中做预测。V-JEPA 2 已经在机器人操作任务中验证了这种方法的有效性——从大规模视频数据中直接学习操作策略，而不需要逐帧生成。

1.3 动作幻觉：机器人「以为自己做了」

在具身智能（Embodied AI）领域，一个长期困扰研究者的问题是「动作幻觉」（Action Hallucination）：机器人在策略层面「认为」自己已经成功完成了某个动作（例如抓取物体），但物理执行时却失败了——物体滑落、碰撞、甚至造成设备损坏。

这个问题的根源在于，传统的端到端策略模型只学习「从观察到动作」的映射，却缺乏一个对动作后果进行内部验证的环节。策略网络输出了「抓取」指令，但没有一个内部模块回答「抓了之后会发生什么」这个问题。

1.4 ICRA 2026：从仿真到真机的闭环验证

AGIBOT World Challenge @ ICRA 2026 正是针对这一痛点设计的。赛事采用了「线上自动化测评 + 线下真机决赛」的双轨验证模式 ^[1]。世界模型赛道专门评估系统对物理交互的预测能力——包括「非理想物理交互，如物体跌落和抓取失败」等真实世界中的复杂场景。评估标准不再仅仅看仿真分数，而是聚焦于「机器人稳定性、物理世界适应性和长周期任务可靠性」。

中科院 NeoVerse-ABot 团队的方案核心正是一个融合了世界模型预测、多模态感知（视觉+触觉）和强化学习优化的系统。机器人在执行物理动作之前，先用世界模型「想象」动作后果——预判抓取力度、接触位置、物体响应——从而在行动前完成内部验证。这一机制从根本上消除了动作幻觉：每一个动作都经过了「先想后做」的双重校验。

技术小结：世界模型的本质是一种内部预演机制：在不消耗物理资源的前提下，通过内部模拟来评估和筛选行动方案。这一能力被认为是具身智能从「被动响应」走向「主动规划」的关键转折点。

第二部分：借景——造园师的「心智模拟器」

2.1 什么是借景

借景（Borrowed Scenery），是中国古典园林设计中最具哲学深度的技法之一。其核心方法是将园林围墙之外的自然或人文景观——远山、塔影、古树、天际线——通过精心设计的视线通道和框景结构，「借」入园中，使其成为园林整体构图的有机组成部分。

计成在《园冶·借景》篇中写道：「借者，园虽别内外，得景则无拘远近。极目所至，俗则屏之，嘉则收之，不分町疃，尽为烟景」 ^[2]。这段话精准地描述了借景的操作逻辑：不是被动地接受视野中的一切，而是主动选择——屏蔽庸俗的，收纳优美的，将有限的园子延展为无限的画卷。

在日本园林传统中，这一技法被称为「借景」（Shakkei），同样被视为空间设计的核心手法 ^[8]。

2.2 借景的四种空间维度

《园冶》将借景分为四种空间类型 ^[2]：

远借（yuǎn jiè）——收纳远处的山峦、河流或建筑作为背景。拙政园通过精心设置的视廊，将约 1.5 公里外的北寺塔引入园中视野，使一座城市私园获得了「塔影入园」的纵深气象，是远借最经典的案例。颐和园则将西山群峰的轮廓与昆明湖的水面相融，营造出「万寿山后西山翠」的意境。

邻借（lín jiè）——整合紧邻园外的元素，如邻居的楼阁、墙外的竹林。关键在于既不喧宾夺主，又让外部元素丰富园内层次。

仰借（yǎng jiè）——向上取景，将天空、云霞、飞鸟或高耸的树冠纳入仰视构图。留园的冠云峰便以天空为幕布，让一块太湖石获得了拔地参天的气势。

俯借（fǔ jiè）——向下取景，利用水面倒影、地形高差创造多层次的俯瞰体验。网师园的月到风来亭，正是借池水之镜面反射，将天空与建筑的双重影像收入眼底。

此外，计成还暗示了第五种维度——应时而借：根据季节、时辰、天气的变化，同一视角会呈现完全不同的「借景」效果。春借桃柳、夏借荷风、秋借霜叶、冬借雪景——时间本身成了设计变量。

2.3 借景的哲学内核：天人合一与意境

借景不仅仅是一种技术手法，更是中国传统哲学「天人合一」在空间设计中的具体实践。园林不是对自然的征服，而是与自然的对话——围墙划定了人的领地，但借景让人的视野与天地相连。

在中国美学中，这被称为「意境」——一种通过有限的物质空间唤起无限精神共鸣的艺术效果。借景正是创造意境的核心工具：它通过框取远处的山或天空，让观者在有限的空间中「借一景以观万象，因万象而悟无限」——以有尽之景，达无穷之意。

2.4 造园师的「预演」：动土之前已见山水

借景之所以与世界模型构成深刻的类比，在于它本质上也是一种内部预演机制。

造园师在动土之前，必须在脑海中完成一系列复杂的模拟：这扇窗开在这个位置，能看到远处的哪座山？那棵松树二十年后长到多高，会不会挡住视线？秋天的夕阳从什么角度照进回廊，在粉墙上投下什么样的光影？

这种预演的精度要求极高：它涉及空间几何（视线通廊的计算）、时间预测（植被生长、四季光照变化）、多模态感知（视觉、声音、气味在不同季节的组合效果）。造园师必须像一个世界模型一样，在内部模拟环境对各种设计决策的响应，然后选择最优方案。

拙政园、留园、网师园之所以历经数百年仍然打动人心，恰恰是因为它们的建造者在动工之前，已经在脑海中「运行」了数十年的空间演变模拟，并据此做出了每一个开窗、堆石、植树的决策。

第三部分：深层同构——两种「先想后做」的比较

3.1 结构对应

3.2 共同的认识论根基

两者的共同点远超表面类比。它们都基于同一个认识论判断：在物理世界中试错的成本太高，因此必须在内部模拟中完成大部分的「试」。

机器人的试错成本是设备损坏、安全事故、能源浪费。ICRA 2026 赛事刻意引入「非理想物理交互」 ^[1] 作为测试场景，正是因为现实世界中的试错代价不可忽视。

造园师的试错成本同样巨大：一棵树种错了位置，要等二十年才能发现它挡住了借景视线；一扇窗开错了方向，可能让整条回廊的光影节奏全毁。而且这些「错误」不像代码那样可以回滚——它们是刻在砖石与泥土中的。

因此，两者的解决方案殊途同归：构建一个内部世界，在其中完成低成本的预演。机器人用神经网络，造园师用大脑皮层，但功能逻辑是同构的。当然，两者的「模型」建构方式截然不同——神经网络通过梯度下降从海量数据中学习表征，而造园师的心智模型则由数十年的亲历经验、文化记忆和美学修养所塑造。但正是这种差异本身值得深入思考：数据驱动的模型与经验驱动的模型，各自擅长什么，各自的盲区又在哪里？

3.3 关键差异：时间分辨率与因果链条长度

差异同样值得注意。机器人的世界模型主要处理短时间尺度、紧密因果链的预测——「我伸出手 → 手指接触杯子 → 杯子移动」。而借景涉及的预测是长时间尺度、松散因果链的——「我在这面墙上开一扇窗 → 三年后爬山虎长满墙壁 → 透过叶子缝隙看到的远山有一种朦胧美」。

这种时间尺度的差异意味着：机器人的世界模型可以用大量快速迭代的交互数据来训练，而造园师的「世界模型」几乎无法通过快速试错来学习——人的一生中能经历的造园实践屈指可数。这也是为什么计成在《园冶》中反复强调经验的积累和对自然规律的观察：当快速迭代不可得时，只能通过深度的观察和推理来弥补。

第四部分：借景式空间设计 AI——一个具体的技术方案

基于上述比较，我提出一个具体的交叉领域方案：将具身智能中世界模型的技术架构迁移到建筑与景观空间设计领域，构建一个「借景式空间设计 AI」。

4.1 系统架构

该系统可以借鉴 Dreamer 系列的三段式架构 ^[7]，但将预测对象从物理动作替换为空间设计决策：

感知编码器（Perception Encoder）——融合多模态空间数据：地理信息系统（GIS）地形数据、气象数据（光照角度、风向、降水量）、植被数据库（树种、生长速率、冠幅预测）、周边建筑三维模型、场地照片的点云重建。这一模块的功能类似于世界模型中的 VAE，负责将复杂的空间环境压缩为一个可计算的内部表征。

世界模拟器（World Simulator）——核心预测引擎。给定一组设计决策（窗户位置与尺寸、植物种类与种植点、墙体材质与颜色），预测该决策在未来不同时间节点的空间效果：一年后的春季视角、五年后的夏季黄昏、十年后的冬季雪景。这一模块的技术路线可以结合神经辐射场（NeRF）用于视觉渲染、物理仿真引擎用于环境计算（光照、风场、声学）、以及植被生长模型用于时间演化预测。

策略优化器（Policy Optimizer）——在设计空间中搜索最优方案。类似于 Dreamer 在潜在空间中规划动作序列，策略优化器在「设计决策空间」中搜索能最大化「借景质量」的设计方案。优化目标可以包括：视线通廊的通透度、四季景观的多样性评分、与周边天际线的和谐度、自然采光效率、微气候舒适度。

4.2 核心创新：时间维度的借景优化

现有建筑 AI 辅助设计工具（如 Autodesk 的 Generative Design、Autodesk Forma）主要优化的是当下的空间状态——能耗、结构强度、日照时数。但借景式 AI 的核心创新在于引入时间维度：它不仅预测设计建成时的效果，还预测建成后第五年、第十年、第五十年时的效果。

这与世界模型在 ICRA 2026 中被要求预测「长周期任务可靠性」（long-horizon task reliability）^[1] 的需求高度对应。机器人需要预测一连串动作的最终结果，借景式 AI 需要预测一连串时间演化后的空间状态。

不过，这一方案面临一个根本性的挑战：训练数据的稀缺。机器人的世界模型可以通过数百万次仿真交互来训练，但空间设计的效果数据——一座花园建成十年后看起来如何——极为有限。可能的应对策略包括：利用历史园林的影像档案作为训练集、构建参数化的植被生长仿真引擎、以及通过生成对抗网络合成不同时间节点的视觉效果。这些方向各自都在快速发展，但将它们整合为一个端到端的系统，仍然是一个开放问题。

4.3 应用场景

城市天际线规划——在规划一座新建筑时，AI 模拟该建筑建成后对未来十年城市天际线的影响：它是否会遮挡某条重要街道观看远山的视线？它在不同季节和光照条件下的视觉表现如何？它与周边未来可能新建的其他建筑如何共存？

乡村景观建筑——为一座乡村民宿或茶室选择最佳的开窗方向和尺度，使每个窗户都成为一幅活的借景画框：春借油菜花田，秋借金色稻浪，晨借远山云雾，暮借落日余晖。

城市更新中的「借景修复」——在旧城改造中，识别并保护那些被忽视的借景视廊。AI 可以扫描现有城市肌理，发现那些「虽然不起眼但一旦失去就不可挽回」的视线通道——例如某条小巷尽头恰好框住的一座古塔，或某个社区花园透过老树冠看到的一片天空。

第五部分：更远的思考

5.1 世界模型作为一种通用设计方法论

如果我们把视野进一步拉远，世界模型和借景之间的同构性暗示了一个更普遍的命题：所有好的设计——无论是机器人控制、园林营造、城市规划还是产品设计——本质上都是在运行一个内部世界模型。

设计师的核心能力不是画图，而是预测。预测一条曲线会给人什么感受，预测一个交互会让用户产生什么情绪，预测一栋建筑在五十年后会如何与城市共生。这些预测的准确性取决于设计师内心「世界模型」的精度——而精度的来源，要么是大量的实践数据（如机器人通过百万次模拟训练），要么是深度的观察与反思（如计成数十年遍历江南园林后的提炼）。

5.2 AI 能向造园师学什么

反过来，造园师的「世界模型」也提供了一个对当前 AI 研究的有益启示：最好的预测模型不一定是最精确的模型，而是最懂取舍的模型。

计成说「俗则屏之，嘉则收之」——借景的精髓不在于把所有可见之物都纳入设计，而在于选择性地框取。这提示我们：在设计 AI 的世界模型时，也许不应该追求预测所有细节（如 LeCun 的 JEPA 所主张的——不要在像素层面预测，而是在抽象层面预测 ^[3]），而应该学会识别什么是重要的、什么是可以忽略的。

造园师不需要预测远处山上每一棵树的位置，只需要预测山的轮廓在晨雾中的大致形态。这种「粗放但抓本质」的预测策略，或许正是世界模型从「能玩游戏」走向「能设计空间」所需要的思维转变。

参考文献

1. AGIBOT World Challenge @ ICRA 2026 官方报道. PR Newswire Asia, 2026.06.
2. 计成.《园冶》. 明崇祯七年（1634年）刻本.
3. LeCun, Y. "A Path Towards Autonomous Machine Intelligence." OpenReview preprint, 2022.
4. Ha, D. & Schmidhuber, J. "World Models." arXiv preprint arXiv:1803.10122, 2018.
5. Hafner, D. et al. "Dream to Control: Learning Behaviors by Latent Imagination." arXiv preprint arXiv:1912.01603, 2020. (Dreamer)
6. Hafner, D. et al. "Mastering Atari with Discrete World Models." arXiv preprint arXiv:2010.02193, 2021. (DreamerV2)
7. Hafner, D. et al. "Mastering Diverse Domains through World Models." Nature, 2024. (DreamerV3).
8. Kuitert, W. Themes in the History of Japanese Garden Art. University of Hawaii Press, 2002.
9. "Borrowed Scenery." Grokipedia.
10. "Unfolding Architecture, Enfolding Landscape: The Shakkei Technique." Landscape Research, 2023.
11. "The role of artificial intelligence (AI) in architectural design." Springer, 2025.
12. "Digital twin technology in smart cities: A step toward sustainability." Energy Reports, 2025.
13. "An integrated framework to quantify tour-view experience in garden landscape." Nature Heritage, 2026.
14. "中科院两支团队包揽ICRA2026冠亚军：破解机器人'动作幻觉'加速具身智能落地." 今日头条, 2026.06.
15. "中国团队破解机器人'动作幻觉'难题！获ICRA全球冠军，为机器人装上智能大脑." 百家号, 2026.06.
16. "ICRA 2026深度观察：中国力量重塑机器人产业底层逻辑." Leaderobot, 2026.06.
17. "世界模型是什么？2026年AI最被滥用的词，也是最被低估的技术." Weste.net, 2026.05.
18. "AI for Architecture Design Market - Global Forecast 2025-2030." Research and Markets, 2025.

小红书笔记：当机器人的世界模型遇到中国古典园林 - 云栖旧梦 | 小红书