从“会说”到 真的会做
具身智能让 AI 获得感知与行动通道
AI 的 “身体” 在哪里？
具身智能 · 第一章
从屏幕里的“聊天 AI”，走向能够感知、决策、行动并从物理交互中学习的“做事 AI”。
为什么走路 比下棋更难？
规则世界适合计算
模块化： 逐站接力
模块化便于独立开发和排错，代价是接口复杂与误差累积。
机器人正在走进 哪些现场？
越结构化的环境越容易落地，家庭与农业等开放场景仍更具挑战。
平台如何 拆掉数据瓶颈？
真机、仿真和自动标注协同
SECTION 01 / 阅读地图
小节一 · 从“会说”到 真的会做
小节一 · 从“会说”到 真的会做
从“从“会说”到 真的会做”出发，逐页推进到“为什么走路 比下棋更难？”；每张卡都写明本页应抓住的机制或边界。
从“会说”到 真的会做
具身智能让 AI 获得感知与行动通道，进入真实或仿真的物理世界。
机制线索CHAT AI知道怎么做写文章 · 翻译 · 写代码能够去做
感知、决策、执行 不是单行道
机器人每执行一次，环境就可能变化，因此必须重新感知并持续修正。
机制线索感知相机 · 雷达 · 传感器决策大模型 / VLA · 策略
为什么走路 比下棋更难？
规则世界适合计算，真实世界却要求 AI 随时处理噪声、变化和意外。
机制线索下棋规则明确 · 信息完整走路 / 抓杯子开放 · 不确定 · 充满意外
阅读顺序：从“会说”到 真的… → 感知、决策、执行 … → 为什么走路 比下棋…
本节按“从“会说”到 真的… → 感知、决策、执行 … → 为什么走路 比下棋…”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
从“会说”到 真的会做
从语言意图到物理动作，需要感知、决策和执行共同闭环。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
01 // FROM CHAT TO ACTION从“会说”到
从“会说”到
真的会做
具身智能让 AI 获得感知与行动通道，进入真实或仿真的物理世界。
02 // CLOSED LOOP感知、决策、执行
感知、决策、执行
不是单行道
机器人每执行一次，环境就可能变化，因此必须重新感知并持续修正。
03 // MORAVEC PARADOX为什么走路
为什么走路
比下棋更难？
规则世界适合计算，真实世界却要求 AI 随时处理噪声、变化和意外。
SECTION 02 / 阅读地图
小节二 · 精确菜谱，还是 见多识广？
小节二 · 精确菜谱，还是 见多识广？
从“精确菜谱，还是 见多识广？”出发，逐页推进到“两条路线， 同一块地基”；每张卡都写明本页应抓住的机制或边界。
精确菜谱，还是 见多识广？
结构化高精度任务仍适合传统机器人；具身智能拓展的是变化更大的场景。
机制线索传统机器人工程师精确编程固定环境 · 极高精度具身智能
模块化： 逐站接力
模块化便于独立开发和排错，代价是接口复杂与误差累积。
机制线索感知识别物体CAMERA理解
VLA： 一个模型直达动作
VLA 省掉人工模块拆分，但依赖海量轨迹、强算力与额外安全机制。
机制线索相机图像红色杯子在桌上语言指令“放到托盘上”
两条路线， 同一块地基
路线可以并行，数据却是两者共同的训练燃料和评估依据。
机制线索模块化短期落地主力可解释 · 可调试 · 可加安全层端到端 VLA
阅读顺序：精确菜谱 → 模块化： 逐站接力 → VLA → … → 两条路线
本节按“精确菜谱 → 模块化： 逐站接力 → VLA → … → 两条路线”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
精确菜谱，还是 见多识广？
泛化能力来自持续观察环境并依据反馈修正动作。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
04 // TWO ROBOT ROUTES精确菜谱，还是
精确菜谱，还是
见多识广？
结构化高精度任务仍适合传统机器人；具身智能拓展的是变化更大的场景。
05 // MODULAR PIPELINE
模块化：逐站接力
模块化便于独立开发和排错，代价是接口复杂与误差累积。
06 // VISION-LANGUAGE-ACTION
VLA：一个模型直达动作
VLA 省掉人工模块拆分，但依赖海量轨迹、强算力与额外安全机制。
07 // TWO-LEGGED STRATEGY两条路线，
两条路线，
同一块地基
路线可以并行，数据却是两者共同的训练燃料和评估依据。
SECTION 03 / 阅读地图
小节三 · 机器人正在走进 哪些现场？
小节三 · 机器人正在走进 哪些现场？
从“机器人正在走进 哪些现场？”出发，逐页推进到“平台如何 拆掉数据瓶颈？”；每张卡都写明本页应抓住的机制或边界。
机器人正在走进 哪些现场？
越结构化的环境越容易落地，家庭与农业等开放场景仍更具挑战。
机制线索环境结构化程度决定落地速度仓储物流分拣 · 搬运 · 上架
为什么“身体数据” 最难获得？
机器人轨迹必须真实操作或高质量仿真采集，时间与硬件成本远高于文本。
机制线索文本互联网海量内容易获取图像
平台如何 拆掉数据瓶颈？
真机、仿真和自动标注协同，目标是降低高质量具身数据的采集成本。
机制线索真机遥操作采集真实动作REAL数字孪生
阅读顺序：机器人正在走进 哪… → 为什么“身体数据”… → 平台如何 拆掉数据…
本节按“机器人正在走进 哪… → 为什么“身体数据”… → 平台如何 拆掉数据…”推进：先定位问题，再读机制，最后用页面结论校验理解。
VISUAL RECAP
本节场景补充
READ THE SCENE
机器人正在走进 哪些现场？
仓储、农业等现场会把感知、动作和安全约束同时带进任务。
读图顺序：先看对象和环境，再看它们之间的关系，最后回到本节结论。
图片只用于帮助观察本页关系；课程结论仍以正文和逐字稿为准。
08 // APPLICATION MAP机器人正在走进
机器人正在走进
哪些现场？
越结构化的环境越容易落地，家庭与农业等开放场景仍更具挑战。
09 // DATA BOTTLENECK为什么“身体数据”
为什么“身体数据”
最难获得？
机器人轨迹必须真实操作或高质量仿真采集，时间与硬件成本远高于文本。
10 // DATA FACTORY平台如何
平台如何
拆掉数据瓶颈？
真机、仿真和自动标注协同，目标是降低高质量具身数据的采集成本。
RECAP // THREE MODELS
第一章，记住 三个判断框架
从“会说”到 真的会做
具身智能让 AI 获得感知与行动通道
为什么走路 比下棋更难？
规则世界适合计算
模块化： 逐站接力
模块化便于独立开发和排错，代价是接口复杂与误差累积。
机器人正在走进 哪些现场？
越结构化的环境越容易落地，家庭与农业等开放场景仍更具挑战。
平台如何 拆掉数据瓶颈？
真机、仿真和自动标注协同
理解具身智能，要同时看身体闭环、技术路线与数据来源。
SOURCE QUIZ // 10 MCQ
单选题 · 10 题
得分 0/10
先依据闭环、路线或数据逻辑作答，再查看讲义解析。
SOURCE QUIZ // 5 TRUE-FALSE
判断题 · 5 题
判断题得分 0/5