Das Moravec-Paradox ist eine Beobachtung, die in den 1980er Jahren vom Robotiker Hans Moravec (und parallel von Marvin Minsky sowie anderen) formuliert wurde: Für eine künstliche Intelligenz ist es relativ leicht, Dinge zu meistern, die Menschen als anspruchsvoll empfinden — Logik, Schach, komplexe Berechnungen —, aber ungemein schwer das zu bewältigen, was jedes kleine Kind ohne Nachdenken kann: gehen, sehen, einen Gegenstand erkennen und ihn geschickt greifen.
Die Erklärung ist evolutionär. Sinnes- und Bewegungsfähigkeiten hat die Natur über Hunderte Millionen Jahre perfektioniert, sodass sie in uns fest verankert, automatisch sind und „einfach” wirken. Abstraktes Denken ist hingegen evolutionär jung, und wir betreiben es langsam und mit Mühe — deshalb erscheint es uns als die anspruchsvollere Leistung. Doch gerade jene alten, „einfachen” Fähigkeiten sind rechnerisch am komplexesten und am schwersten zu programmieren.
Für die humanoide Robotik ist dieses Paradox im Grunde ein Gründungsproblem des Fachgebiets. Es erklärt, warum wir eine KI haben, die ein Gedicht verfasst oder eine Gleichung löst, das Bauen eines Roboters jedoch, der zuverlässig eine beliebige Küche aufräumt oder behutsam weiches Obst greift, ungelöst bleibt. Besonders anspruchsvoll ist vor allem die geschickte Manipulation — siehe geschickte Hand — und das Halten des Gleichgewichts beim Gehen, weswegen Roboter wie Atlas, Figure 03 oder Phoenix entstehen.
Das Moravec-Paradox ist auch der Grund, warum der heutige Ansatz eher auf Lernen aus Daten (imitatives Lernen) setzt als auf manuelle Programmierung — körperliche Fähigkeiten lassen sich nämlich nur schwer durch Regeln beschreiben, dafür aber leicht vorführen. Es ist das theoretische Rückgrat des Konzepts der Embodied AI und ein nützliches Gegenmittel gegen den Hype: Fortschritt bei Sprachmodellen bedeutet nicht automatisch, dass ein Roboter die Welt um uns herum bewältigt.