一句话定义：莫拉维克悖论（Moravec's Paradox）说的是——对人类越难的高阶智力任务（下棋、算数、证明定理），机器往往越容易；而人类觉得不费吹灰之力的事（走路、抓握、看懂一张脸），机器反而极难。难度的排序，和人的直觉正好相反。
原理：把智能想成一座城市。市中心是几亿年进化打磨出来的感知与运动能力——眼睛判断距离、手控制力度、身体保持平衡；郊区才是最近几千年才出现的抽象推理和数学。老城区建得又密又稳，但图纸早就丢了，想拆开重建几乎无从下手；郊区是新盖的，规划清楚，照着画就行。语言和逻辑有明确规则、可以穷举、可以试错，所以适合用数据和算力硬堆。"抓一个生鸡蛋"却要求毫秒级的力反馈、几十个关节的协调、在滑落那一瞬间做出反应，还要在传感器噪声和没见过的场景里保持稳定——这类问题没有标准答案，也没有可回放的棋谱。
| 任务 | 人的体感 | 机器的难度 | 原因 |
|---|---|---|---|
| 下棋、解方程 | 难，要专门学 | 相对容易 | 规则明确、状态可枚举、对错可判定 |
| 写一段通顺文字 | 中等 | 已相当不错 | 有海量文本可学，出错也不致命 |
| 抓鸡蛋、走楼梯 | 毫不费力 | 极难 | 实时闭环控制、物理接触、容错率极低 |
和相邻概念的区别：莫拉维克悖论不是"机器做不到"，而是"难度分布反直觉"。它也不同于算力不够、数据不够——多堆数据不一定能堆出手眼协调。它常被用来解释具身智能（Embodied AI）为什么进展慢于大语言模型（LLM）。反过来，"机器下棋赢了人"也推不出"机器很快能照顾老人"。
实际意义：对从业者，它提醒别把语言模型的能力外推到物理世界；做机器人要先假设会失败，预留冗余和安全边界；仿真里跑通不等于真机上能用（sim-to-real 的坑）。对普通人，判断一个 AI 宣传靠不靠谱，先问它处理的是"有标准答案的题"，还是"要在真实世界里动身体的事"。后者通常慢得多、贵得多，落地周期也长得多。具体产品的能力边界，以官方页面为准。