大模型管想，控制器管动，中间隔着一层翻译
阅读方式：微信读书网页版，从第 1 章翻到第 6 章末，共 276 屏、6 分 43 秒。
结构：世界模型 → 机器人系统架构 → 基于大模型的混合控制架构 → 任务级规划 → 分层动作级规划 → 自动驾驶等案例。
这本书解答了一个我一直没想清楚的问题：给机器人接一个大模型，为什么还不够？
按直觉，大模型已经能听懂"把桌上的杯子拿过来"，那它指挥机械臂去拿，不就行了。
读完第一章就明白问题在哪："拿过来"是任务，"伸手、对准、闭合、抬起"是动作，"每个关节转多少度"是控制。 大模型只擅长第一段。
这本书把这三段之间的落差，切成了四级架构。它的价值不在讲大模型，在讲中间那几层翻译。
一、世界模型：先在脑子里预演一遍
第 1 章 1.3 节讲世界模型，两个小节标题就把话说完了：什么是世界模型、世界模型在具身智能中的作用。
它的功能可以用一句话概括：能回答"如果我这么做，接下来会怎样"。
为什么这件事关键？因为物理世界的试错成本极高。你在仿真里让机器人摔一万次都没关系，在真实世界里摔一次可能就是几万块。世界模型提供的正是"不真摔也能学到东西"的能力。
书里接着讲两条实现路线：大模型编码世界、多模态大模型构建世界模拟器。前者是把常识当先验塞进去——它知道杯子会掉、门要向外拉，不必每次都试一遍；后者是让模型直接生成可交互的场景。
还有一个很实在的点：书里说为了解决数据不足，通常用仿真生成数据，这类方法不仅扩展了数据集，还降低了在真实世界中进行试错的成本。
这句话背后是一笔很清楚的账：具身智能的瓶颈不是模型不够大，是"能用来学的动作数据"太少。 互联网上有万亿段文字，但没有万亿次"伸手抓杯子"的记录。所以仿真不是辅助手段，是主要数据来源。
二、三级范式与四级控制
第 2 章讲机器人系统架构，给了三种设计范式：层次范式、反应范式、混合范式。
这三种范式的区别，其实就是"想"和"动"谁说了算：
层次范式——先规划完整条路径，再执行。想得周全，但反应慢。
反应范式——不规划，见什么躲什么。反应快，但走不出复杂任务。
混合范式——高层规划、低层反应。书里的答案是它。
而"混合"具体怎么混，第 3 章给出了很干净的四级：
任务级——大模型做规划，拆步骤
动作级——把步骤翻成动作序列（具身大模型在这一层）
基元级——正/逆运动学，算关节角
伺服级——毫秒级闭环纠偏
这里有一个我认为全书最该被记住的区分。书里明确说：基础模型能处理多种复杂任务，应用范围广；而具身大模型不同，它主要应用于动作级规划，直接影响机器人或系统的物理动作。
换句话说：能聊天的模型和能动手的模型，不是一个东西。 前者输出文字，后者输出动作——输出的东西不一样，训练数据、评价标准、失败代价全都不一样。
这也解释了为什么"接个大模型"不管用：它输出的是"应该先抓杯柄"，而机械臂要的是七个关节的角度序列。中间那段翻译，没有现成的模型能干，得专门造。
三、任务级：难在拆得够细
第 4 章讲任务级规划，第一件事是任务分解。
"收拾桌子"要拆成：走到桌前、识别物体、抓取、移动到指定位置、松手、返回。拆不细，下面三层全白搭。
这一章还讲了两件很有意思的事。
一是分层与端到端的取舍。 书里两边都讲了，没有一边倒。端到端的优点是省掉中间环节、反应快；分层的好处是每一步都可解释、坏了能定位。而它最终落在"混合"上——高层分层，低层端到端。
这个取舍其实很务实：高层错了可以查，低层错了只能重训。 所以把可解释性留给高层，把速度留给低层。
二是微调与外部记忆。 4.3 节讲"具身经验的获取"，接着讲怎么把经验存下来。这个思路跟人一样：做过的事别每次都从零推理，存成记忆，下次直接取。
四、动作级：原语不够用
第 5 章讲分层动作级规划，开头就把工具的局限摊开了：动作原语及其局限性。
动作原语是什么？抓、推、放、移动。它们够用，但太粗。 书里紧接着给了解法：技能——把"开抽屉"这种连续动作打包成一个可复用的单元。
但技能也有局限：换个物体、换个场景就不灵了。 所以后面才有"基于技能的单步动作级规划"，还有低成本方案（书里提了 GPTR 的工作流程）。
这一段的逻辑我读得很顺，因为它和软件工程里的事一模一样：函数太原子，写起来啰嗦；封装成模块好用，但复用性有边界；最后总要在"细"和"通用"之间找平衡。
第 6 章的案例讲自动驾驶，把四级架构落到了具体系统上。流程是：多视角图像 → 鸟瞰图（BEV） → 语义分割（道路、行人、车道线）→ 占用预测（每个网格未来会不会被占）→ 轨迹规划。
书里有一段我印象很深，讲它怎么处理遮挡：系统不仅能识别可见物体，还能预测那些由于遮挡而不可见的潜在障碍物，为安全导航提供支持。
这正是世界模型的用处——不是看见才躲，是预判那里可能有东西。
五、这本书的短板
一是偏架构综述，工程细节少。 四级架构讲得清楚，但"具体怎么实现"多数停在第 2 章那种"选 A 还是 B"的层面，缺少可复现的实验配置。
二是术语与公式密度高。 正逆运动学、自由度、执行器、控制网络……没有机器人背景的读者，会在第 3 章后半段开始吃力。
三是案例集中在一个方向。 自动驾驶讲得细，人形机器人、机械臂的实操案例偏少，而后者才是"具身智能"最受关注的部分。
四是有些章节像论文综述。 引用密集、观点并列，读起来知道"有这些做法"，但不知道"该选哪个"。
它的长处是结构：四级架构这个切法，本身就是一个可复用的思考工具。 拿到任何一个"AI 要控制物理世界"的场景（机器人、车、无人机、产线设备），都可以先问：你这套系统，任务级在哪、动作级在哪、基元级在哪、伺服级在哪？哪一层是空的？
六、一句话
大模型让机器人"听得懂人话"，但要让它"拿得稳一个杯子"，靠的还是那套几十年的控制理论。真正的难点不在两头，在中间那层翻译——把一句人话，翻成一串关节角。这层翻得好不好，决定了机器人是"会表演"还是"能干活"。而所有"AI 落地"的行业，缺的往往都是这一层。
阅读记录：微信读书网页版逐页翻阅，276 屏 / 6 分 43 秒，6 章。
本书知识图谱见文中配图，原图地址：https://jiangtian.top/zb_users/upload/kg/embodied-ai-arch-map.png
发表评论: