大模型再聪明，也伸不出手

01莫拉维克悖论：难的事容易，容易的事难

为什么最先进的 AI 能写代码、解奥数，却搞不定「把鸡蛋从A点拿到B点」？答案是进化写下的时间差——

人类的高级推理（抽象思维、逻辑）是进化晚期才出现的「新模块」，需要意识努力，运行起来慢而费劲——所以它看似高级，其实优化时间只有几十万年。而感知与运动控制是数亿年进化反复打磨的「老模块」，运行在潜意识层面，看似毫不费力，背后是极其复杂的神经计算。

AI 继承的是人类知识里「能写成文字的部分」——恰好都是新模块的产物；而抓取、平衡、接触这些老模块的能力，几乎没有文字可学，只能靠身体自己试。这就是为什么具身智能的数据与训练（遥操作、仿真、视频学习）如此关键，也是它和纯软件 AI 的根本分野。

02定义与边界：它不是「会动的聊天机器人」

「具身智能」站在三个相邻概念的交叉点上，边界一划就清楚：

哲学底座来自认知科学的具身认知理论：智能不是「缸中之脑」，身体形态参与塑造认知——人之所以理解「重」「推」「拉」，是因为身体体验过这些动作；认知的目的不是给世界建模，而是指导行动。这个立场直接决定了工程路线：让机器人从自己的身体经验中学习，比把人类知识灌进机器人更接近通用智能。

03核心架构：感知-决策-执行，永不停止的循环

智能体从物理世界接收信号（感知），基于内部模型产生意图与动作（决策），通过执行器改变世界（执行），改变后的世界又产生新信号进入下一轮感知。闭环不是「感知→决策→执行→结束」，而是永不停止的滚动循环——机器人在执行的同时也在感知（否则就是盲动），感知与控制常以 100Hz–1000Hz 的频率耦合在一起。

闭环有两大永恒敌人：不确定性（传感器噪声与遮挡、世界模型不完美、电机摩擦打滑——发出的指令未必精确实现）和延迟（感知→决策→执行链路若有 100ms 延迟，接球、快插拔这类任务就是致命的）。对策之一是策略模型输出 action chunk（动作序列块）而非单步动作——用前瞻补偿延迟。设计任何闭环系统的第一问永远是：「我的感知-控制链路延迟是多少？这个延迟下任务还能稳定吗？」

04三层频率：一个身体里的三个时钟

真实的机器人不是单一频率的闭环，而是多频率嵌套：高层想「做什么」，中层想「怎么做的下一步」，低层想「这一毫秒出多少力」。点击三层看各自的角色：

分层的好处：各层只关注自己时间尺度的信息——高层处理语义与长程目标，低层处理动力学与稳定性，互不干扰。

05形态即智能：身体不是外壳，身体在做计算

具身智能有个反直觉的命题——形态-智能耦合（Morphological Computation）：身体结构本身就在完成一部分计算工作。

• 软体手指被动贴合物体表面，省掉了复杂的抓取规划——形态承担了计算。
• 双足机器人膝关节的被动弹性，让走路能耗大幅降低——也是形态承担计算。
• 7 自由度机械臂的工作空间，先天决定了它能抓哪些位置的物体——形态约束任务空间。

形态还反向约束算法：人形 30+ 自由度导致动作空间维度爆炸，策略难学，要用层次化控制 + 全身控制（WBC）；双足天生不稳定，必须持续主动平衡（MPC + RL）；软体难以建模，反而逼出端到端学习型策略。同一个 VLA 模型，装在轮式底盘和装在双足人形上，能解决的任务空间截然不同。

那为什么 Tesla Optimus 偏选双足？因为它的目标场景（家庭、工厂）是为双足人类设计的——轮式上不了楼梯、进不了厨房。截至 2026 年的行业格局是「双轨并行」：工业/仓储轨（轮式 + 臂，技术最成熟、已规模化部署）与通用服务轨（双足人形，资本与媒体的焦点）。长期看人形是终极形态，短期（3–5 年）轮式 + 臂的商业化确定性更高。

06选型挑战：给五个任务挑对身体

学以致用。五个真实任务，从五种形态里选出最合理的那个——判分标准就是上面的选型箴言与形态对比表：

07回到本系列框架：具身智能卡在第几关

用第 1 期的「四道关口」量一量这个领域：

第一关早已通过：RT-2、π0 等 VLA 模型证明了「看图→出动作」的端到端路线可行。卡在第二关的三大拦路虎，全部呼应本页内容：Sim-to-Real（仿真里满分、现实里摔跟头——第 7 章主题）、数据稀缺（真机遥操作数据昂贵，互联网视频又不带动作标签）、泛化（换个厨房就失灵的长尾问题）。行业正在用跨本体数据（cross-embodiment）、大规模仿真、视频预训练三条路同时攻坚——这正是「多数技术死在第二关」规律的最新现场。