文章一 · Interlatent Primer·
Entry 4 · 2026.VI.18
·
约 12 分钟阅读
·
合作：Tnkr
机器人硬件入门指南
从一份 BOM（物料清单）开始，把开源机器人组装出来这一过程，其实和组装宜家家具很像。一旦通电，两者就分道扬镳了：家具保持静止，而机器人要在保持"正确"的同时持续运动。本文围绕 Movement（运动）/ Body（本体）/ Sensor（感知）三件套，把这种差异讲透。
搭建一个开源机器人，从一个熟悉的过程开始：先有一份物料清单（Bill of Materials，BOM），里面列出了电机、轴承、螺丝、导线、摄像头、微控制器、电池以及一组 3D 打印零件，并附上各部件与价格。说明书的位置由 CAD 与 STL 文件补上——它们是每个零件的数字蓝图（例如 SO-ARM100/101 GitHub 仓库 ）。你制造出零件，把它们拧到一起，最终得到一个具备某些功能的物理成品。
Fig. 1 · 机器人不是家具
FURNITURE
static · 静止
ROBOT · MOVEMENT LOOP
Body
Sensor
Move
continuous · body ↔ sensor ↔ movement
图 1 · 家具保持静止；机器人在运动中保持"正确"。 本文后文反复出现的三件套：Body 本体 维持已知形状，Sensor 感知 读出"各处在哪"，Movement 运动 持续收窄差距。图中虚线表示它永远在缩小的那条误差。
根据原文 Fig. 1 可视化结构重建，用于中文阅读页展示。
但只要机器人一通电，这种相似性就立刻结束。书架在装配完成后就保持原样，而机器人必须持续运动，并且始终清楚自己当前的位置以及周围环境的状态。家具是完成态的产物，而机器人是持续运行的系统——在运行过程中不断自我修正。设计与制造机器人时，这种"在数值与时间双重意义上都必须正确"的需求是核心考量。
本文的剩余部分用一种机器人学常见的分件框架——把硬件拆成 Movement（运动）、Body（本体）、Sensor（感知）三件套——来展示这种差异是如何具体表现出来的。
本文与 Tnkr （一个面向开源机器人构建者的平台）合作发布。
Movement · 运动
运动从执行器（actuator）开始——执行器把电能转化为力或运动。一台裸露的电机通电后就会转动，要控制它，等价于控制它接收多少功率。但如果你希望它到达某个特定的位置，那份工作就要交给舵机（servo）。舵机更完整，因为它把电机、齿轮组、一个位置传感器和一个小型控制器打包在同一个单元里，自己完成这件事。你不需要告诉舵机"用多大力转"，只要告诉它"去哪里"，它就替你维持那个目标。舵机内部在持续做一次比较：把传感器上报的关节角度与你下达的目标角度作对比，然后驱动电机去收窄两者之差。如果有外力把关节推离目标，传感器立刻感知到这种变化，误差变大，控制器就反向施力，直到位置被恢复。
Fig. 2 · 舵机闭环（Servo Loop）
joint
command: target angle
sensor: measured angle
Controller
error = target − measured
→ drive motor
→ shrink error
loop runs continuously
图 2 · 舵机从不"盲目运动"。 它比较"下达角度"与"传感器读到的角度"，然后驱动电机去收窄误差。把关节推离目标，看闭环如何把它拉回来。
根据原文 Fig. 2 可视化结构重建，用于中文阅读页展示。
舵机内部在做的事，背后指向一条更一般的原理。物理上的因果链仍然是：电 → 电磁力 → 力矩 → 关节运动，但这条链中间需要一层清晰的"翻译"。力矩是旋转力，关节角度是位置，力不会自动变成正确的位置 。中间必须有一个角色，反复评估"关节现在在哪里、应该在哪里、应当施加多少力来缩小差距"。这与任何把一个测量值推向目标的系统里的 反馈控制器（feedback controller） 是同一个结构：持续评估、持续修正，闭环运行不停歇。这种结构最常见的实现是 PID 控制器 ——它持续计算"下达的设定值"与"实测值"之间的误差，并用比例（Proportional）、积分（Integral）、微分（Derivative）三项做修正。说人话：比例项 让你离目标越远、推得越狠；积分项 把长期存在的小误差累计起来抹掉；微分项 在你即将到位时收力，让关节稳稳停下、不再冲过头。
Fig. 3 · 调 P / I / D
setpoint
P = 4.0 · overshoots
I = 1.2 · kills lingering offset
D = 1.6 · smooth settle
t = 0
t → ∞
图 3 · 同一个误差，三种修法。 加大 P 让推力更猛；加大 I 抹掉长期残留偏差；加大 D 让关节在接近目标时提前减速、不冲过头。虚线即你下达的目标。
根据原文 Fig. 3 可视化结构重建，用于中文阅读页展示。
在执行器与关节之间，是传动机构（transmission）——它在静态家具里没有对应物。传动机构就是连接电机与关节、并在中间改变运动形态的那部分。它的存在是因为：电机往往转得快、力小，而关节通常需要慢、有力且可控。传动机构补上了这个力量需求上的落差。
齿轮箱（gearbox） 是最常见的实现。把不同大小的齿轮咬合起来，可以让电机转得大约慢十倍，同时推力大约大十倍——用速度换力量 。齿轮箱不创造能量，它只是把能量换一种形式。例如在 100:1 的减速比下，力矩大约放大约 100 倍、输出速度约除以 100 ，这也是为什么高精度机械臂常用 谐波（strain-wave / harmonic）减速器或行星减速器 。
但现实世界总会在这条传动链上加入不完美：摩擦、松动，使电机与关节之间的连接永远不是精确的，关节会略滞后于电机的动作。这恰好引出了物理系统——尤其是 AI 驱动时——控制难题的核心错配：下发的是目标结果，而不是具体的运动或力矩 。一个"把关节转到某位置"的指令，要先穿越摩擦与负载，才能变成真实的运动。下达值与达成值之间的这个差，正是为什么像 Action Chunking with Transformers（ACT，动作分块 Transformer） 这类学习型控制器，要一次预测一短串动作而不是一步步预测——把误差在长视野下的复合发散 压住。
完整的过程因此构成了一个闭环：执行器产生力 → 传动机构塑形 → 框架承载 → 传感器观测结果 → 控制器量出误差并修正 → 再次重复。
Fig. 4 · 整体闭环
Actuator
force
Transmission
shapes motion
Frame / Body
carries load
Sensor
observes result
Controller
measures error
force → motion → reading → error → next command
图 4 · 没有哪一步只跑一次。 力变成运动，运动变成读数，读数变成误差，误差变成下一条命令。信号在这条环路上不间断地转。
根据原文 Fig. 4 可视化结构重建，用于中文阅读页展示。
Body · 本体
在讲本体之前，先定义一个重要概念。机器人的自由度（degrees of freedom，DOF） ，就是它能独立运动的轴的数量。换句话说，就是你必须给定多少个独立数值才能完全确定它的位姿（pose）。第一性原理的起点是"在空无一物的空间里悬浮的一个刚体"，它恰好有六个自由度：沿 x、y、z 三轴的平移，加上绕三轴的旋转。机器人每加一个由 Movement 一节里讲到的执行器驱动的关节，典型情况下就增加一个独立的运动轴——机器人的 DOF 是一个关节一个关节挣出来的，每多一个关节就多一份运动能力，同时多一台电机、也多一份控制逻辑。所以必须按功能需要定义合适的 DOF，不要贪多。
Fig. 5 · 自由度
Free body · DOF 6
slide X
slide Y
slide Z
pitch
yaw
roll
Robot arm · DOF = Σ actuated joints
each joint = 1 motor + 1 control loop
图 5 · 一个孤立的刚体已经有 6 种运动方式： 沿三轴平移、绕三轴旋转。机器人的 DOF 是一个关节一个挣回来的，每一个关节换来的不只是可达范围，还多了一台电机。
根据原文 Fig. 5 可视化结构重建，用于中文阅读页展示。
本体就是机器人的物理结构——框架与所有刚性连接件，一直连到"两段相遇并允许相对运动"的关节处。本体是把物质按"让机器以特定方式运动"的方式摆出来的物质本身，这种摆法决定了机器人的物理极限：能伸多远、能稳到什么程度、能承受多重负载。
容易忽视的一点是：本体不是"智能部分的包装盒"，它本身就是控制系统的一部分 。如果机架在负载下弯了、抖了、扭了，机器人对"自己各部分在哪"的内部估计就不再符合现实，软件剩下的就是在与一个虚构的身体对话。工程上的推论是：良好的机械设计能减少系统所需的智能量。
这个设计过程通常从一个 CAD 模型开始。CAD（computer-aided design，计算机辅助设计）是设计零件所用的软件，CAD 文件保存了零件的完整可编辑设计，及其全部尺寸与编辑历史。要把这份设计共享出去或者拿去制造，通常要导出为一种中性格式。STEP 文件 保存的是精确的实体几何（以数学曲面与实体的形式，即"边界表示"，boundary representation ），其他程序打开后仍把它当作精确的三维对象处理，因此更适合编辑或机加工。STL 文件 更简单但有损：它丢掉了设计意图，只把外表面录成由许多小三角形组成的网格（mesh），是形状的近似而非形状本身。STL 主要用于 3D 打印——打印机一层一层堆出零件 ，要的就是这个网格。
Fig. 6 · 精确实体 vs 三角网格
STEP · 精确实体（数学曲面）
boundary representation
STL · 三角网格
mesh · 14 facets
图 6 · STEP 把真实曲线以数学形式保留。 STL 只剩一张"皮"——切成平的三角形。把网格变粗，近似就暴露出来；打印机需要的恰好只有这张皮。
根据原文 Fig. 6 可视化结构重建，用于中文阅读页展示。
设计好之后，要给"被设计出来的物质"挑一种真正的材料来填上它。PLA 塑料 便宜、出件快，适合做原型，但容易受热变形、偏脆 。PETG、ABS、尼龙 更结实。其中尼龙 强度高、耐磨，但极易吸潮，打印前必须烘干 。铝合金轻而强。碳纤维 在同等重量下刚度极高，但成本也更高、加工难度更大。
图 7（材料选择）· 一开始图省事选的料，几乎从来不是最后留下的那个。这种取舍和你挑技术栈时遇到的取舍是一样的——早期方便的选择（通常是 PLA） ，常常是后来必须替换的那一个。
Sensor · 感知
传感器是机器人获取信息的方式。在最底层，每个传感器都把某一片物理现实转化为数字。这些数字合在一起，就构成了机器人对自身状态的感觉——关节在哪、有没有倾斜、是否碰到了什么、前面是什么。
把各种传感器组织起来最清爽的方式，是问"每一个在感知什么"。本体感觉（proprioceptive）传感器朝内看 ——感知机器人自身；外感受（exteroceptive）传感器朝外看 ——感知周围环境。一个机器人通常两者都需要；一旦按这两类分开、并清楚每种传感器在转换什么，具体型号就容易理解了。
Fig. 8 · 朝内看、朝外看
proprioceptive · 朝内
Encoder 编码器
turns → joint angle
IMU 惯性测量单元
acceleration + rotation
+ current · battery · motor speed
exteroceptive · 朝外
Camera 摄像头
light → pixels
Depth / LiDAR
distance → depth map
Tactile 触觉传感器
contact → pressure
图 8 · 每个传感器都把某一片现实切成数字。 朝内那一组懂得"自己"，朝外那一组懂得"世界"；一个能用的机器人需要两者都读。
根据原文 Fig. 8 可视化结构重建，用于中文阅读页展示。
本体感觉传感器报告机器自身。编码器（encoder） 装在电机上，把转动变成精确的关节角度，告诉机器人关节到底转了多少。惯性测量单元（IMU） 测量加速度与旋转率，用来估计机器人如何运动、哪个方向朝上。与之并列的还有电机转速、电流、电池电压等基本内部读数。
外感受传感器报告世界，接入那些机器人不能直接控制的东西。摄像头把光变成像素网格——这是机器人"看见"形状与颜色的方式。深度传感器 / 激光雷达（LiDAR） 测量距离，把场景变成"每个表面有多远"的图。触觉传感器 把物理接触转换成压力读数，让机器人在碰到环境中的物体时"有感觉"。
两者都不可缺。摄像头可能看到桌上有一个杯子，但只有当机器人同时知道自己的机械臂、手腕、夹爪相对杯子在哪儿，这条观察才有用。本体感觉是机器人解读"它看见了什么"的基础 。外部信息若没有内部信息配套，就是一张没有"自己身处何处"标记的地图。
没有标定，这些数据毫无意义。机器人必须知道每个摄像头装在哪里、IMU 哪个轴朝哪个方向、什么样的数值对应实际关节的哪个角度。标定是把原始读数映射到统一坐标系的那一层，分成内参标定（intrinsic calibration） （摄像头自身的焦距与镜头畸变）与外参 / 手眼标定（extrinsic / hand-eye calibration） （摄像头坐标系与机器人本体坐标系之间的变换）。它在软件里扮演的角色与"配置 + schema"类似。标准工具集中在 OpenCV 这类库里。标定一旦出错，结果就是"自信而精确地错着"。没有标定，机器人有传感器与执行器，却没有可靠的自身模型。
硬件拆解 · SO-101
SO-101 是一只值得拆开看的机械臂，因为它正是为这种"边做边学"的循环而造的。它是 Hugging Face 的 LeRobot 小组 与 The Robot Studio 推出的一只 3D 可打印的 6 自由度机械臂，单只起价一百多美元。常规套件由一只用手推动的"leader（主臂）"和一只模仿它的"follower（从臂）"组成：你手把手引导 leader 完成一项任务，follower 复制动作，记录下来的运动用于训练一个能自主驱动 follower 的模型。
如果你更想跟着一次真实搭建来走、不想从裸仓库开始，SO-101 在 Tnkr 上有完整文档——交互式 3D 模型、物料清单、接线图、社区搭建记录，全都集中在一个地方。
Movement（SO-101）
这只臂由智能舵机构成。如前所述，舵机把电机、齿轮组、一个位置传感器和一个小控制器打包在一起：你对它下达"位置"，而不是"力"。STS3215 正是这样的东西——一只带内置编码器与控制电路的串行总线舵机。从臂使用六只 、注重力量与精准保持；leader 用更轻的减速比，让人能轻松推动——这就是"传动取舍"的具体体现。舵机之间不是各自拉线回到基座，而是菊花链（daisy-chain）串联：每只舵机插入下一只，一条共享总线同时承载电力与命令；每只舵机有独立地址，控制器仍能逐个点名调用。链路末端是一块底座上的控制板，通过 USB 与 PC 通信。把这一切拧在一起的那一步是标定 ——你让两只臂在同一个姿态下报告相同的数值，这正是"在一台机器人上训练的模型能在另一台上跑"的前提。
Fig. 9 · 菊花链：一条总线、六个地址
#1
#2
#3
#4
#5
#6
Ctrl
shared bus · power + commands · each servo has its own address
highlighted: addressed #3 receives the packet
图 9 · 一条共享总线沿整条臂传输电力与命令。 每个数据包都带地址，沿总线经过每只舵机，只有地址匹配的那一只会响应。
根据原文 Fig. 9 可视化结构重建，用于中文阅读页展示。
Body（SO-101）
这一部分要靠你自己——用普通桌面打印机把机架打印成一种结实塑料，然后拧起来。设计本身直接影响控制。SO-101 把导线走在外侧、并限制腕部旋转不超过 360 度，都是机械选择：让软件免于处理"线被缠住"和"关节自己绕到自己"这种麻烦。
Sensor（SO-101）
大部分感知藏在电机内部。每只关节的舵机都自带一个12-bit 磁性编码器 ，直接上报角度——所以机器人在任何时刻都知道每个关节的真实位置，这也是 follower 能复制 leader 的全部基础。"看世界"靠加摄像头。最简单的配置是一只在腕部或夹爪的近距摄像头负责看细节，但多数模仿学习工作会让这只近距摄像头与第二只外部摄像头搭档——通常固定在正前方或上方，给出更宽的视野——让模型既看到手上的细节，也看到整体场景布局。
合在一起，SO-101 就是本文的一个最小物理化身：一只打印出来的本体维持已知形状，编码器与摄像头报告状态，齿轮舵机产生运动——这一切都被标定闭环。
收束
现代机器人把"比特"连到"原子"，硬件就是 AI 与真实世界之间的桥。上一篇 ，我们把机器人画成一个函数。真实世界挑战的正是这种理解。把硬件栈拆成 Movement、Body、Sensor 三件套，我们希望任何人都能对"承载未来智能的基础硬件"获得直觉性的理解。
Interlatent 的使命是把物理 AI 带给每一个人，从"理解"开始。如果本文任何一处与你共鸣，欢迎加入 Discord 与我们一起搭建。
文章二 · Interlatent Primer·
Entry 3 · 2026.VI.10
·
约 9 分钟阅读
从第一性原理看现代 AI 机器人
机器人策略本质上就是一个函数：把观察（摄像头像素、关节角度、夹爪的触感）映射到动作（下一组关节位置与力矩）。其余一切——复杂的算法、训练方法、数据规模化理论——都服务于把这样一个好函数压进神经网络的权重里。本文沿"策略函数 → VLA 双脑 → 动作分块 → 边缘 vs 云端延迟预算 → 数据瓶颈 → 训练阶梯 → RECAP 自改进"这条主线，把现代 AI 机器人讲透。
描述"物理 AI 到底是什么"，有一个看似简单但很有用的方式——任何有 STEM 背景的人都会直觉性 get 到：和所有其他 AI 模型一样，一个控制机器人的模型也是一个函数。它吃进观察（摄像头像素、关节角度、夹爪的阻力，等等），吐出动作——给电机的一组下一个位置与力矩。除此之外的一切——复杂的算法、训练方法、数据规模化理论——都服务于把这样一个好函数造出来、压进神经网络的权重里。
Fig. 1 · 策略函数
Observations
camera pixels
joint angles
gripper force
proprioception
Policy π
network · weights
obs → actions
Actions
a₁
a₂
a₃
a₄
a₅
a₆
DOF
图 1 · 机器人策略就是一个函数。 观察从左侧流入，神经网络把它们打磨成理解，动作命令从右侧流出——机械臂的每一个自由度对应一条。领域中其他所有工作都服务于"把这个函数做得又快又好"。
根据原文 Fig. 1 可视化结构重建，用于中文阅读页展示。
如果你曾经训练过"把输入映射到输出"的模型，你已经把握住了这个问题的大致形状。真正有意思的，是把这个熟悉的形状丢进一个在动的、主动的世界里时，会发生什么。
配方，以及让配方破裂的那一维
改善这个函数的质量只有两种原料：算力与数据。数据是机器人智能的原始燃料——真实世界的模式像未被处理的矿石一样藏在里面。算力则通过矩阵乘法把数据里的模式挖出来、压进函数。
听起来这就是普通的机器学习，有一阵子你也可以这么骗自己。但机器人学引入了一条经典 ML 从未需要敬畏的新维度：推理时间（inference time）。一个语言模型花三秒想下一个 token，没人受伤；但一个正在倒咖啡的机器人不行——杯子已经在动了，动作必须在事件进行中实时生成。函数不仅要正确，还要"在你用上答案之前"仍然来得及。物理世界不会等你思考，这恰好构成机器人学领域一系列困难又有趣的抉择。
把大脑拆成两半
最自然的第一反应，是学一个巨大模型，把观察直接映射到动作。实践中，领域已经收敛到一个更有趣的方案：现代机器人模型常常被分成两部分——理解者（understander）与动作执行者（action-taker）。
主干（backbone）是一个大型模型，通常是视觉-语言模型（Vision-Language Model，VLM）——与驱动 GPT-5、Gemini 之类"同时理解语言与图像"的模型同族。它已经在海量的互联网图文数据上训练过，因此已经"认识"世界：例如知道"无论什么颜色，杯子就是杯子"，或者"把东西收起来"意味着把它放回一个合理的位置。它带着一份关于世界长什么样、怎么运作的学到的表征。这是慢速、深思的规划者，负责理解环境。
在它之上挂一个更小的"动作专家"（action expert）：一个快速模型，唯一的工作是把主干产出的理解实时细化为平滑的电机命令。NVIDIA 的 GR00T N1 ——一个 2025 年发布的、面向人形机器人的开源基础模型——把这种拆分做得很显式：它的 System 2 VLM 负责对场景做慢速、深思的推理，另一个独立的 System 1 模块几乎凭直觉生成实际动作，两部分紧密联合训练。Physical Intelligence 的 π₀ 使用同样的架构：一个 VLM 负责理解，一个小的动作头负责执行。这套结构就是所谓的视觉-语言-动作模型（Vision-Language-Action model，VLA）。
Fig. 2 · VLA 内部
Inputs
images
language
robot state
VLM Backbone · System 2
"understand the scene"
image features
language features
scene understanding
slow · deliberate
trained on internet data
Action Expert · System 1
refines noise → action chunk
~ t
~ t+1
~ t+2
~ t+3
~ t+4
fast · flow matching
图 2 · VLA 是一个网络、两个耦合部分。 大的 VLM 主干读取图像、语言与机器人状态，建立对场景的理解。小的动作专家接收这份理解，从噪声出发，在一个前向 pass 中把它打磨成"动作分块"——一串短期未来动作。
根据原文 Fig. 2 可视化结构重建，用于中文阅读页展示。
于是我们从"一个单一的整体函数"过渡到"一个承载世界图像的大模型 + 一个把图像翻译成运动的小模型"的协作。
动作究竟是怎么出来的
现在的问题是：函数以什么形式吐出一个动作？有两个答案，领域的演化大体就是从第一个走向第二个的故事。
第一种是离散式（discrete）：动作头一次产出一个动作——模型看一眼，发出一条命令，执行，再看。这是老系统的做法，直观、简单任务上有效，但太慢，且小误差会复合。每一点小错都把机器人推到一个训练数据里从未出现过的"更奇怪的状态"，下一次预测略差，再下一次更差——机器人从自己能力范围的边缘一路漂出去，失败。
第二种是分块（chunking）：模型一次预测一短串未来动作，把它作为一段平滑的整体执行完，再重新查询。这个想法在 2023 年以 Action Chunking with Transformers（ACT） 的形式被提出，作者是斯坦福的 Tony Zhao 与合作者们——名字借自心理学里的"组块（chunking）"概念，描述我们如何把一串小动作合并成一个连贯的运动。ACT 在只需约十分钟示范数据的情况下，把"开一个半透明的酱料杯"、"塞一块电池"这种精度要求高的任务做到了 80–90% 的成功率——是一次重大改进。一次预测一整块，把任务的等效长度压短，驯服了一步步预测的复合误差难题。
Fig. 3 · 离散 vs 分块
DISCRETE
error compounds · drifts off competence
commits to chunk · stays on path
CHUNKING
图 3 · 切到分块，按下 RUN。 离散模式下机器人一步一预测、小误差复合，从自己能力范围的边缘漂走；分块模式下一次性承诺一短串动作，牢牢贴着目标路径走。
根据原文 Fig. 3 可视化结构重建，用于中文阅读页展示。
现代机器人学的很多方法学都在平行人类的行为：人不会一次想一个微动作再执行——我们是边想边动，连续、流动的手势。现代机器人追逐的是"连续、分块、动作之间没有空挡"的运动——让动作看起来更像活物而不是死木偶。当前生成这些平滑分块的 state-of-the-art 方法叫流匹配（flow matching）——一项把带噪 latent 经由扩散细化为一条连贯轨迹的技术。π₀ 和 GR00T 的动作专家都从噪声出发，迭代地把它打磨成一条连贯轨迹——和现代图像生成器同族的技术，被改造成了生成运动而非像素。
大脑住哪儿：边缘还是云？
有了这个函数，还得找个地方运行它。这里出现一组核心取舍：算力与延迟之间的张力。
你可以把它放在边缘（edge）——直接挂在机器人身上的那台计算机上跑。延迟基本是零（前提是你的模型装得进边缘设备），这正适合物理世界，但你受限于"能拧到机器上的硬件"，通常得把模型压缩。
或者把它放到云端（cloud）跑——把重计算交给强大的服务器，动作再通过互联网回流。这样能跑得动巨大模型，但每条动作都要走一次网络往返，延迟就成了敌人。
这有多紧？看看 π₀.₅ ：在高端 GPU 上，它的完整感知 + 动作循环约 274 毫秒 ，其中约 80% 来自流匹配的迭代细化本身。在一台跑 3 Hz 控制循环的小型边缘设备上，每个循环只剩约 330 毫秒给"感知 + 动作生成"合起来用。几乎没有余量。这是整个领域赖以平衡的核心难题：云端给你更大的脑，边缘给你更快的脑，但你不能让"思考"与"行动"之间的间隔大到"世界已经跑掉了"。
Fig. 4 · 延迟预算
EDGE
model inference (on weaker accelerator)
~240 ms compute + 0 ms network
✓ in time · ≤ 330 ms deadline
CLOUD
model inference (GPU)
network RTT
~80 ms compute + 240 ms network = 320 ms
≈ at the limit
图 4 · 边缘上零网络、但加速器更弱， "计算"那块更大；切到云端，更大的 GPU 把计算压扁，但每条动作都包了一层网络往返。把 RTT 拉上去，看总额越过 330 ms 的死线。
根据原文 Fig. 4 可视化结构重建，用于中文阅读页展示。
数据瓶颈
和很多深度学习问题一样，机器人学苦于数据。但机器人学的苦法更特殊——它在"数据多样性"这一项上尤其难。
最丰富的机器人数据来自遥操作：人一遍又一遍地操作机器人完成任务。人类专家的演示能稳定产出好策略，但不可规模化——每一小时的数据都对应一小时的人工（有时还不止，因为示范质量很重要）。更糟的是，每只机器人、每种夹爪、每个实验室倾向产出各自互不兼容的小数据集，GR00T 团队给这种状态起了个贴切的名字——"数据孤岛"（data islands）构成的群岛 ，而不是那种统一的、互联网规模的海洋。
对比一下 AI 其他领域的轨迹——它们的魔法一直是同一个：把问题变成"能用算力规模化"的那种。语言建模能规模化，是因为文本数据极其丰沛且可互换；机器人没有这种消防水喉。于是领域分成了两条策略，来"造"它单纯采集不到的数据。
策略一：模拟世界
采集不到足够多的真实世界，那就造一个假的，让机器人免费在里面练。这就是世界模型（world model）与仿真（simulation）的入口。更准确地说，仿真是一个泛指——任何"足以让你在里面练习"的系统；世界模型则是一个神经网络——给定当前状态与动作，预测世界会变成什么样。它从观察中学到"行动会带来什么后果"，通常以图像这样的媒介表达，关键是它从观察中学物理，而不是从人手写的规则，因此能抓住目标环境里那些关键的动力学。
2025–2026 这一波的大跨越是 Google DeepMind 的 Genie 3 ——一个能从纯文本提示实时生成完整可交互、可导航 3D 环境的世界模型，每一帧都由前一帧预测而来。它对机器人的意义显而易见：无限、低成本的训练场景，包括你在真实世界里绝不敢搭建的危险边角情况。Waymo 走的就是这条路——它做了一个 Waymo World Model，用来生成同步的相机 + 激光雷达驾驶场景，里面充满了真实车辆几乎遇不到的稀有情况。NVIDIA 发现，把合成数据混入 GR00T 的训练，相比只用真实数据能让性能提升 40%。梦想是把数据问题转换成算力问题——做到了，你就继承了 AI 其他领域已经享有的所有优势。
策略二：学"人作为人"的数据
第二条策略更隐蔽，对我们来说也更美。最可规模化的机器人数据采集者不是机器人——是人戴着眼镜。
像 Meta 的 Ego4D （超过 3,000 小时的第一人称视频，记录人们做普通事情）和 Project Aria 智能眼镜把问题彻底重新定义了。Georgia Tech 的一个叫 EgoMimic 的系统把它讲透了：当你看着一份巨大的自我中心人类数据集时，你看到的等同于一份巨大的机器人数据集——只不过是被"人们单纯活着"这个过程被动生成的。你戴上眼镜过日子，你就在以"人类生活本身的规模"产出操作数据。这项研究里最让人停下来多看一眼的发现：额外的一小时人手数据，比额外的一小时机器人数据更能提升机器人表现。所以比起需要专门人工的遥操作，第一人称数据采集的承诺是以"几乎不增加额外成本"换"规模化的数据"。
训练的阶梯
有了架构与数据，怎么实际造出一只能干的机器人？答案是分多步走，每一步目标不同。
Fig. 5 · 训练阶梯
01 Pre-training
shape VLM backbone
spatial reasoning
02 Mid-training
build action expert
generalist across robots
03 Post-training
specialize to one body
teleop + ego data
04 Deployment-training
adapt to one room
safe + useful
competence is built stage by stage, each climbing on the last
图 5 · 能力是一层层垒出来的， 每一层都踩在上一层之上。从"懂世界"的主干，到"在某个具体房间里真的安全好用"的机器人——每一层目标不同。
根据原文 Fig. 5 可视化结构重建，用于中文阅读页展示。
Pre-training（预训练） 塑形 VLM 主干。喂给它海量关于"空间推理"和"世界通常如何运作"的数据，目标是让它建立对物理世界的理解与推理能力。
Mid-training（中期训练） 造出动作专家。目标是让这颗大脑"在几乎任何配置下都能凑合工作"，能把自己的理解翻译成多种机器人、多种场景下的多种动作。这一阶段需要大量跨环境的机器人数据。
Post-training（后训练 / 微调） 把这颗通用脑微调到一只具体身体 + 少数任务上。把通用模型专门化到，例如，某种双臂配置——现在它在该具身体（embodiment）上开箱即用。这一阶段才是"挖到的真实世界数据"真正发挥作用的地方——遥操作数据与第一人称数据能最直接地翻译成这里的真实表现。
Deployment-training（部署训练） 目标是把机器人适配到某一个具体环境，直到它在那里真的安全、真的有用。它填的是"在演示里能跑"和"在你家厨房能跑"之间那道缝——很多看起来很厉害的机器人就是在这里悄悄倒下的。π₀.₅ 之所以有趣，正因为它在试图收窄这道缝：它被设计用来在训练时从未见过的家庭厨房与卧室里做清扫，常常凑合能行——不完美，但带着一种人面对陌生房间时也会有的、令人熟悉的随机应变。
让机器人自学
这条路有天花板。一只只在示范数据上训练过的机器人，最多只能变得和它的示范一样好。它学到的是"理想路径"，但学不到"如何从自己的错误中恢复"——因为它根本没真正见过自己的错误。这就像只靠"完美驾驶视频"学开车——一旦你走错一步，你就手足无措。
出路的形态和人学东西的方式一样：练，对着一个评分者。这就是强化学习（reinforcement learning）——让机器人尝试，给结果打分，强化那些奏效的。难点在于：你无法在每个时刻都监督它，也无法为每种可能情况都准备好示范；并且在现实世界里（不像仿真），尝试是串行的、慢的，还要有人来重置场景。在物理世界里跑 RL 因此格外难。
另外，人类干预也是一个有用的工具。当机器人进入坏或危险状态时，人可以打断推理，把它带回到一个更好的状态。这催生了一系列人在回路（human-in-the-loop）的学习算法，比如 HIL-SERL 。
Fig. 6 · RECAP 闭环
INSTRUCTION
watch demos
COACHING
human intervenes · recovery
PRACTICE
score own attempts
DEPLOY
ask for "good"
图 6 · RECAP 把"一个人掌握一项技能"的整段弧线编成一根辫子。 信号沿闭环持续跑：从看示范，到被教练纠错，到一次次试错自评。
根据原文 Fig. 6 可视化结构重建，用于中文阅读页展示。
最近一个最有冲击力的示范是 Physical Intelligence 的 π*₀.₆ ——用一种叫 RECAP 的方法训练而成，把"一个人掌握一项技能"的整段弧线编成一根辫子：instruction（指令） ——看示范；coaching（教练） ——人通过遥操作实时纠错、教会它恢复；practice（练习） ——机器人自主尝试任务成百上千次，给自己打分、保留奏效的。里面还有一个巧妙的小细节——流匹配模型用不上标准的 RL 工具，所以 RECAP 改成教模型识别"好动作 vs 坏动作"，在部署时直接问它"给我一个好的"。结果是：在折衣服、拉浓缩咖啡这种高难度任务上吞吐几乎翻倍，失败率砍掉一半以上，机器人能基本不间断地跑一整个咖啡站。
自改进算法因此解决了机器人性能上的主要瓶颈——尤其是泛化方面。
我们从哪里切入
我们的使命是把"好奇的公众"与机器人学连接起来，让任何人都能部署一只机器人。以上所有内容，都是我们想让世界变得可读、够得着的那件事的一部分——不只是给那些拥有深厚工程师班底的研究室，而是给任何好奇心足够、愿意试一试的人。
如果任何一处与你共鸣，欢迎加入 Discord 、在 X 上关注我们 ，与我们一起搭建。