1.4 发展脉络与里程碑：从行为机器人到具身大模型
1.4 发展脉络与里程碑：从行为机器人到具身大模型
具身智能不是 2023 年凭空出现的概念。它的脉络可以追溯到 1980 年代的行为机器人学——理解这条脉络，才能看清当下「VLA 大模型」处在历史坐标系的什么位置。
1.4.1 五个时代分期
具身智能的发展可以大致分为五个时代，每个时代由一种主导范式定义：
| 时代 | 时间 | 主导范式 | 核心信念 | 代表 |
|---|---|---|---|---|
| 符号-规划时代 | 1980s 前 | 离线规划 + 状态机 | 智能是规划，感知是辅助 | Shakey、STRIPS |
| 行为机器人时代 | 1986-2000 | 感知-行动直接耦合 | 智能涌现于交互，无需内部世界模型 | Brooks 六足机器人 |
| 概率-学习时代 | 2000-2012 | 概率机器人 + 经典 ML | 用概率处理不确定性 | SLAM、PR2、DARPA 挑战 |
| 深度学习时代 | 2012-2022 | 端到端 CNN/RL | 用神经网络替换手工特征 | AlphaGo、DQN-Atari |
| 具身大模型时代 | 2022-至今 | 大模型 + 端到端策略 | 智能来自规模，跨本体泛化 | RT-2、π0、Physical Intelligence |
下面用 Mermaid 时间线串起这些里程碑：
1.4.2 行为机器人革命：Brooks 与包容架构
1986 年，MIT 的 Rodney Brooks 发表了具有里程碑意义的论文，提出包容架构（Subsumption Architecture），反对当时主流的「感知-建模-规划-行动」分层范式。他的核心论点是：
- 世界就是最好的模型：不需要在内部维护复杂的世界表征，机器人直接对环境刺激做反应。
- 层次叠加而非中心控制：底层是避障、中层是游走、顶层是探索，高层可以「抑制」（subsume）低层输出。
- 智能涌现：复杂行为不是被设计的，而是从简单的感知-行动层涌现出来的。
Brooks 用这种思路造出了能避开障碍、追光、探索房间的六足机器人，证明了「没有内部世界模型也能产生看起来很聪明的行为」。
💡 历史回响：今天的「端到端 VLA」（第 5 章）在精神上继承了 Brooks 的反模型主义——它也主张用学习替代手工建模。但不同的是，VLA 把「模型」藏在神经网络的参数里，而非完全不要模型。这是螺旋式上升。
1.4.3 概率机器人与 SLAM 的成熟
2000 年代， Sebastian Thrun、Dieter Fox、Wolfram Burgard 等人系统化了概率机器人（Probabilistic Robotics）范式：用贝叶斯滤波处理感知与动作的不确定性。这一时代的代表作是 SLAM（Simultaneous Localization and Mapping）——让机器人在未知环境一边定位自己一边建图。第 3 章会深入展开 SLAM 的因子图、EKF、回环检测等技术细节。
同时期，Willow Garage 推出 PR2 机器人与 ROS（Robot Operating System）开源生态，大幅降低了机器人研究的入门门槛，催生了大量学术 demo。这是「具身智能基础设施」的第一次大规模建设。
1.4.4 深度学习的两次冲击波
第一波：感知侧（2012-2017）。AlexNet 之后，CNN 迅速替换了机器人视觉中的手工特征（SIFT、HOG）。物体检测、语义分割、人体姿态估计在机器人任务中大规模应用。这一阶段感知革命先行，但决策仍以规划与状态机为主。
第二波：决策侧 RL（2013-2020）。DeepMind 的 DQN 在 Atari 游戏上展现深度强化学习的潜力，2016 年 AlphaGo 击败李世石让 RL 出圈。OpenAI 在 2017-2019 年连续用 Dactyl（单手解魔方）和抓取任务证明了 Sim-to-Real + 域随机化 可以训练出能在真实世界工作的灵巧手策略。这一时期奠定了第 7 章 Sim-to-Real 的工程范式。
⚠️ 关键转折：但 2020 年前后，社区发现 RL 在真实机器人上面临数据效率极低和奖励设计困难两大瓶颈。一个机械臂学会拧瓶盖可能需要数百万次仿真采样，而真机采样成本极高。这为后来的「模仿学习 + 大模型预训练」路线铺平了道路。
1.4.5 大模型时代的两次范式跃迁
第一次跃迁：LLM 当规划器（2022-2023）。SayCan（Google, 2022）首次系统性地把大语言模型当作机器人的任务规划器：LLM 提供任务的语义分解（「做三明治」=「拿面包 + 拿火腿 + 拿芝士 + 组合」），然后用一个 affordance 函数（也来自学习）过滤掉当前不可行的步骤。同期的 Code-as-Policies 让 LLM 直接生成调用机器人 API 的代码。这一范式在第 4 章展开。
第二次跃迁：VLA 端到端（2023-至今）。Google 的 RT-2（2023）首次证明：可以把视觉-语言模型（VLM）和机器人动作统一进一个 Transformer，让它直接从图像和语言指令输出动作 Token。这开启了 视觉-语言-动作模型（Vision-Language-Action Model, VLA） 时代。此后 Octo、OpenVLA、π0、RDT 等模型涌现，加上 Open X-Embodiment 跨本体数据集的发布，VLA 成为当前具身智能最具想象力的范式。第 5 章会系统剖析 VLA 的架构、训练与谱系。
1.4.6 当下坐标：2026 年的具身智能
站在 2026 年中回望，具身智能呈现几个鲜明特征：
- 双路线融合：大模型规划（第 4 章）与端到端 VLA（第 5 章）正在融合——高层语义由 LLM 处理，底层动作由 VLA 生成，分层架构重新成为主流。
- 数据成为新瓶颈：算法架构逐渐收敛（Transformer + 扩散/Flow Matching），真正稀缺的是高质量真实操作数据。Open X-Embodiment、DROID 之后，「数据引擎」与「遥操作基础设施」成为核心竞争力（第 7 章）。
- 人形商业化前夜：Figure、Tesla Optimus、Physical Intelligence、智元等公司的人形机器人开始进入工厂和仓库做试点任务，但离家庭通用服务仍有距离（第 8 章综合案例）。
- 世界模型兴起：单纯的 VLA 缺乏对世界动力学的理解，难以做长程规划。世界模型（World Model）作为「可预测下一步的内部模型」成为新研究热点，被视为通向具身 AGI 的关键拼图（第 8.4 节）。
1.4.7 给读者的历史地图
记住几个关键时间锚点，能帮你快速判断任何一篇新论文的历史位置：
- 1986 Brooks = 反模型主义起点（行为机器人）
- 2013 DQN = 深度 RL 起步
- 2017 Dactyl = Sim-to-Real 里程碑
- 2022 SayCan = LLM 当规划器元年
- 2023 RT-2 = VLA 大模型元年
- 2024 Open X-Embodiment = 跨本体数据规模化
- 2025-2026 = 人形商业化前夜 + 世界模型兴起
后续每一章在引入新方法时，都会回到这条时间线，让你看清它是在回答哪个时代的什么问题。
本节小结
- 具身智能经历了符号-规划、行为机器人、概率-学习、深度学习、具身大模型五个时代。
- Brooks 包容架构奠定了「反内部模型」的精神，今天的端到端 VLA 在螺旋上升意义上继承了它。
- 概率机器人与 SLAM 成熟于 2000 年代，深度学习在 2012-2020 年完成感知与 RL 决策两次冲击。
- 2022 SayCan 与 2023 RT-2 是大模型时代的两次范式跃迁，前者把 LLM 当规划器，后者开启 VLA 端到端。
- 站在 2026 年，分层融合、数据瓶颈、人形商业化、世界模型兴起是四大特征。
至此第 1 章结束。你已经建立了完整的认知坐标系：定义（1.1）、闭环架构（1.2）、形态载体（1.3）、历史脉络（1.4）。下一章《第 2 章 具身感知(一)：多模态传感器与融合》将深入闭环的入口，回答「机器人怎么看见、触摸、听见这个世界」。