01 // CHAPTER ROUTE

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”。

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

SECTION 01 / 阅读地图

小节一 · 从“会说”到真的会做

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

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。

关键线索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。

关键线索感知相机 · 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。

关键线索下棋规则明确 · 信息完整走路 / 抓杯子开放 · 不确定 · 充满意外

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节一 · 从“会说”到真的会做”讲解的 ChatGPT 生成教学场景图 — 教学场景补充 · 小节一 · 从“会说”到真的会做

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
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
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
比下棋更难？

规则明确的棋盘与充满障碍和地形变化的机器人抓取场地并列 — 照片 1.2　棋盘规则明确，物理运动却充满变化与意外

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？

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

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。

关键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。

关键线索感知识别物体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。

关键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。

关键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

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节二 · 精确菜谱，还是见多识广？”讲解的 ChatGPT 生成教学场景图 — 教学场景补充 · 小节二 · 精确菜谱，还是见多识广？

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
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，
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？

本节导读

按编号进入后续页面，逐项核对核心主张、工作机制与应用边界。

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。

关键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。

关键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。

关键线索真机遥操作采集真实动作REAL数字孪生

先看主张，再沿编号核对机制、证据与应用边界。

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。

支持“小节三 · 机器人正在走进哪些现场？”讲解的 ChatGPT 生成教学场景图 — 教学场景补充 · 小节三 · 机器人正在走进哪些现场？

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
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”
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
拆掉数据瓶颈？

仓储导航项目串联场景采集、训练工作站和机器人测试场 — 照片 1.5　场景采集、训练与测试共同缓解具身数据瓶颈

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 // FIVE QUESTIONS

第一章，记住五个关键判断

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

AI 的 “身体” 在哪里？

从“会说”到 真的会做

为什么走路 比下棋更难？

模块化： 逐站接力

机器人正在走进 哪些现场？

平台如何 拆掉数据瓶颈？

小节一 · 从“会说”到真的会做

从“会说”到真的会做

感知、决策、执行不是单行道

为什么走路比下棋更难？

本节场景补充

从“会说”到真的会做

从“会说”到真的会做

感知、决策、执行不是单行道

为什么走路比下棋更难？

小节二 · 精确菜谱，还是见多识广？

精确菜谱，还是见多识广？

模块化： 逐站接力

VLA： 一个模型直达动作

两条路线， 同一块地基

本节场景补充

精确菜谱，还是见多识广？

精确菜谱，还是见多识广？

模块化：逐站接力

VLA：一个模型直达动作

两条路线，同一块地基

小节三 · 机器人正在走进哪些现场？

机器人正在走进哪些现场？

为什么“身体数据” 最难获得？

平台如何拆掉数据瓶颈？

本节场景补充

机器人正在走进哪些现场？

机器人正在走进哪些现场？

为什么“身体数据”最难获得？

平台如何拆掉数据瓶颈？

第一章，记住五个关键判断

从“会说”到 真的会做

为什么走路 比下棋更难？

模块化： 逐站接力

机器人正在走进 哪些现场？

平台如何 拆掉数据瓶颈？

单选题 · 10 题

判断题 · 5 题

从“会说”到真的会做

为什么走路比下棋更难？

模块化：逐站接力

机器人正在走进哪些现场？

平台如何拆掉数据瓶颈？

从“会说”到
真的会做

感知、决策、执行
不是单行道

为什么走路
比下棋更难？

模块化：逐站接力

VLA：一个模型直达动作

两条路线，同一块地基

精确菜谱，还是
见多识广？

两条路线，
同一块地基

机器人正在走进
哪些现场？

为什么“身体数据”
最难获得？

平台如何
拆掉数据瓶颈？

从“会说”到真的会做

为什么走路比下棋更难？

模块化：逐站接力

机器人正在走进哪些现场？

平台如何拆掉数据瓶颈？