Paradoks Moraveca to obserwacja sformułowana w latach 80. przez robotyka Hansa Moraveca (a równolegle przez Marvina Minsky’ego i innych): dla sztucznej inteligencji stosunkowo łatwe jest opanowanie rzeczy, które ludzie uważają za trudne — logiki, szachów, skomplikowanych obliczeń — ale niezwykle trudne jest zrobienie tego, co każde małe dziecko robi bez zastanowienia: chodzenie, widzenie, rozpoznanie przedmiotu i zręczne chwycenie go.
Wyjaśnienie ma charakter ewolucyjny. Zdolności zmysłowe i ruchowe natura doskonaliła przez setki milionów lat, są więc w nas wbudowane, automatyczne i sprawiają wrażenie „prostych”. Myślenie abstrakcyjne jest natomiast ewolucyjnie młode i wykonujemy je wolno oraz z trudem — dlatego wydaje nam się bardziej wymagającym osiągnięciem. Tymczasem właśnie te stare, „łatwe” zdolności są obliczeniowo najbardziej złożone i najtrudniejsze do zaprogramowania.
Dla robotyki humanoidalnej paradoks ten jest w istocie założycielskim problemem dziedziny. Wyjaśnia, dlaczego mamy AI, która pisze wiersze lub rozwiązuje równania, ale zbudowanie robota, który niezawodnie posprzątałby dowolną kuchnię lub delikatnie chwycił miękki owoc, pozostaje nierozwiązane. Szczególnie trudna jest zręczna manipulacja — zob. zręczna dłoń — oraz utrzymanie równowagi podczas chodzenia, co jest powodem powstawania robotów takich jak Atlas, Figure 03 czy Phoenix.
Paradoks Moraveca jest też powodem, dla którego współczesne podejście opiera się raczej na uczeniu z danych (uczenie przez imitację) niż na ręcznym programowaniu — umiejętności fizyczne trudno opisać regułami, ale można je zademonstrować. Stanowi teoretyczny fundament koncepcji embodied AI i użyteczną odtrutkę na hype: postęp w modelach językowych nie oznacza automatycznie, że robot poradzi sobie ze światem wokół nas.