具身智能 (Embodied AI)

教程导读：具身智能工程实战

一句话定位：大模型让 AI 会说，但让 AI 会“动手”是另一回事——具身智能（Embodied AI）研究的就是怎么让智能体通过身体与环境的交互来感知和行动。这套教程从感知、认知、运动控制到学习范式，把具身智能的全栈技术讲透，重点在工程实现和 Sim2Real 的现实鸿沟，不在哲学思辨。

这个教程解决什么问题

大语言模型这几年的突破，让 AI 在“回答问题”上越来越强。但换个场景——让 AI 控制一个机械臂去拧螺丝、让一个机器人端着水杯穿过房间不洒出来——你会发现这些对人类轻而易举的事，对 AI 难如登天。为什么？

因为这类任务需要的不是“会想”，而是“会做”——要在物理世界里感知环境、理解空间、规划动作、精确执行，还要在出错时即时调整。这种通过身体与环境持续交互来产生智能的能力，就是具身智能（Embodied AI）。它和纯软件 AI（大模型那种）的根本差别在于：它要面对物理世界的噪声、不确定性、延迟和物理约束，而后者只在数字空间里运行。

具身智能横跨好几个领域：感知（怎么让机器看懂环境）、认知（怎么让机器理解任务和规划）、运动控制（怎么让机器精确执行动作）、学习（怎么让机器从试错和示范里学会技能）。这套教程把这四块串成一条线讲，重点是工程实现——每个模块怎么搭、参数怎么调、遇到现实鸿沟怎么办。不讲“智能的本质”这种大词，只讲怎么把一个能动的智能体做出来。

适合谁读

• 机器人与自动化工程师：想让机器人从“按固定程序动”升级到“理解环境自主行动”
• AI 算法工程师：做视觉、规划、强化学习，想把能力落地到机器人等物理载体
• 具身智能研究者与学生：想系统了解从感知到控制的全栈技术
• 做机器人产品的技术负责人：需要理解各模块的能力边界，做技术选型
• 对通用机器人感兴趣的开发者

学完你能做什么

1. 说清具身智能和纯软件 AI（如大模型）的本质差别
2. 搭一套多模态感知系统，融合视觉、触觉、本体感觉
3. 理解 SLAM 的原理，知道机器人怎么在未知环境里定位和建图
4. 说清视觉-语言-动作模型（VLA）等具身基础模型的架构
5. 设计运动规划方案，理解位置控制和力控制的差别
6. 用强化学习和模仿学习训练机器人技能
7. 应对 Sim2Real 的现实鸿沟，把仿真训出来的策略迁移到真机

学习路线

建议按顺序读。第 1 章建立“具身智能到底是什么”的认知；第 2 章讲感知——具身智能的输入端，机器人怎么看世界；第 3 章讲认知——机器人怎么理解和决策；第 4 章讲运动控制——决策怎么变成精确的动作；第 5 章讲学习——怎么让机器人学会这些能力并迁移到现实。每节末尾的要点回顾可当速查，附录的术语表和平台对照方便随时回看。

怎么用这个教程

每节都配了 mermaid 图和概念性代码。代码是简化片段，重点是说清原理和接口结构，不是可直接搬上机器人的工程代码——真实机器人要处理的传感器噪声、标定误差、安全约束远比这复杂。读到代码和算法时，重点理解它为什么这么设计（这个模块解决什么问题、它的输入输出是什么、它在什么假设下成立），而不是纠结某个库的版本。

如果你手边有接触机器人的机会（实验室、仿真平台、甚至玩具机器人），建议边读边动手：试着搭个感知管线、跑个 SLAM、训个简单技能。具身智能是实践性极强的领域，光看概念和动手做的差距非常大。