具身智能

文章深入探讨了人类学习效率远高于大语言模型（LLM）的本质原因。作者挑战了将智能简化为“架构、学习规则、奖励函数”的传统工程视角，指出人类的样本高效性并非源于更复杂的损失函数，而是建立在进化先验、具身经验、主动干预以及社会文化脚手架之上。文章强调，人类是主动的实验设计者而非被动的数据采样器，真正的智能源于与世界的交互及因果模型的构建，而非单纯的预测误差最小化。

作者从组装一台低成本小机器狗的经历切入，引出具身智能的核心概念：感知、空间、动作、力矩。文章详细介绍了小机器狗的系统架构（STM32、ESP32-C3、ASRPRO等）、数据流和MCP能力清单，然后深入探讨了机器人如何感知3D空间、VLA（视觉-语言-动作）模型的不同路线、时间尺度与能耗挑战、数据采集困难，并分析了Tesla Optimus、Figure、Google DeepMind、NVIDIA等公司的技术路线与取舍。最后给出软件工程师进入具身智能领域的学习路径。

Qwen-VLA是一个通用视觉-语言-动作（VLA）模型，基于Qwen多模态骨干，将视觉感知、语言理解和空间推理扩展到连续动作生成和轨迹预测。它统一了机器人操控、视觉语言导航和跨体态控制，通过四阶段训练（T2A预训练、持续预训练、监督微调、强化学习）联合真实机器人数据、人类自我中心数据、合成仿真数据和通用视觉语言数据训练，在LIBERO、Simpler、RoboCasa等基准上匹配或超越专用模型，在真实世界和动态场景中展现零样本泛化能力。