具身智能：讲清了机器人的身体，没算清它的账

2026-11-12silcano

微信读书《具身智能：从虚拟 AI 到现实 AI》（杜雨、张孜铭 著）· 逐页翻阅 65 屏 · 前言 + 四章
抽样说明：这本书的骨架很清楚，我按骨架抽——前言（p0006）、感知与认知（p0013、p0019）、厂商表与成本（p0024）、核心零部件份额（p0027）、政策表（p0030）、AIGC 与多模态（p0035）、智能体（p0040）、Sim2Real（p0043）、自动驾驶技术史（p0052）、十年后的街景（p0060）。另有 p0010 那页「火腿肠的三个维度」，是我见过讲具身感知最省力的例子。
两件必须说清楚的事。第一，这本书我没读完：读到第四章第三节（自动驾驶的应用前景）时，本机有另一个抓取进程在抢同一个浏览器页面，我的阅读位置被重置回「序」，随即停止，所以止于 65 屏。第二，抓取期间有 6 张截图是空白的（p0007、p0008、p0016–p0018、p0022），都是章节切换瞬间的加载画面，我没有拿它们充当证据。本篇所有判断只覆盖这 65 屏，页码可对照原书核对，不引用书外材料。

先说一句可能让作者不太高兴的话：这本书最好的部分，是它开篇的那个比喻；而它最大的问题，是它此后一直没有回到这个比喻上。

前言里，作者写了一段我认为值回书价的话：

举例来说，虽然 AlphaGo 的围棋实力很强，但如要它从桌上繁多的物品中找到棋盒，打开盖子，拾起一颗棋子放在棋盘上，这种每一位棋手都能做到的事情它显然难以做到；而 ChatGPT 虽然可以详细地解答像菜谱咨询这样复杂的问题，但它并不能像人类厨师一样，根据菜谱直接为你制作一餐美味的佳肴。所以，现在的人工智能，似乎更像是「理论家」，而非「实干家」。想要人工智能不再「纸上谈兵」，就必须把它们装入现实的身体，让它们拥有与环境交互的能力。

这个对比好在哪里？好在它把「智能」拆成了两件可以分开的事：会想，和会做。过去几年所有人都在为「会想」鼓掌，这本书选择去问「会做」为什么这么难。这是个真问题，而且是个贵问题——贵到整本书后面的产业链、成本、政策、训练方法，全都是为它服务的。

一、它把「感知」讲成了一道判断题

第一章讲三件事：感知、认知、行动。真正让我停下来的是 p0010 那页的火腿肠。

作者说，计算机视觉要为具身智能搭一个类似人类的视觉体系，但人类视觉可不仅是「看见」，还要「理解看见的东西」。以厨房桌面上的一根火腿肠为例，机器要理解三个维度：

形状外观——它知不知道什么样的形状、什么样的外观的物体叫「火腿肠」，下次出现其他火腿肠的图像能不能认出来；空间关系——看到桌上摆放的火腿肠，能不能理解它的三维位置，以及如何运用机械手臂去触达；功能属性——它知不知道火腿肠的可食用属性，收到「去出发拿点吃的」这句指令时，能不能想到去抓这根火腿肠。

这三个维度一层比一层难，而且难的不是算法，是常识。第一层今天的模型做得很好，第二层勉强能用（实验室里能抓，家里抓不准），第三层基本靠猜——因为「可食用」这件事不在图像里，在人的生活经验里。一根火腿肠就把「具身」两个字讲完了：它的难点从来不是算力，是世界知识没有形状。

p0013 接着补了一个我很认的细节：模仿人类视觉的光学方案有缺陷，黑夜或者下雨天，相机就像人眼一样不太好使了，所以要模仿蝙蝠，借助各种形式的波来构建视觉——激光雷达、毫米波雷达、超声波雷达。对自动驾驶这种复杂且对环境适应力要求较高的场景，通常会采用多种视觉感知方案。

这个思路是对的，也很工程：不是让一个传感器变强，是让几个弱传感器互相兜底。这句话如果被记住，比记住任何一个模型的参数都有用。

顺便说一个书里没展开、但推荐语里点到的事。「手」比「眼」难得多。p0003 有位推荐人写：「灵巧手」是打开具身智能大门的钥匙，是机器人皇冠上的明珠，并说具身智能需要既是「灵芯」，也是「巧手」。这句推荐语写得比正文诚实——眼睛可以靠雷达兜底，手不行，手要抓起来不掉、要拧得动、要能感觉到「这个瓶子快滑了」。做视觉的人可以买现成模组，做手的人得自己磨。这也是为什么全书里所有整机成本都高：贵不在算力，贵在关节和手。

二、认知这一段，写得比感知弱

到了 p0019 讲「具身认知」，文风就变了。作者举了个房间里的例子：机器人要学会绕过椅子，或者学会推开门，每次做对了给奖励，撞到椅子就给负反馈，鼓励它下次换个方法。然后他下结论：这个学习过程就像一个调皮的孩子通过不断试错逐渐学会走路，每一次摔倒后都会更快地站起来；无论是模仿学习还是强化学习，人工智能学习的过程其实可以看作沉淀具身认知的过程。

这段没错，但它退回到了「打比方」的层次。感知那一节有火腿肠，有雷达，有可检验的三层；认知这一节只有一个小孩学走路。而认知恰恰是最难的部分——强化学习在真实世界里最大的问题是试错成本，机器人摔坏一次可能就要赔几万块，这个约束作者提都没提，直到第三章讲模拟器时才侧面碰到。

一句话：第一章的前半是好教材，后半是科普文。而全书后面所有的技术乐观，都建立在「认知能像感知一样被工程化」这个假设上，这个假设在这本书里没有被论证，只被比喻过。

三、第二章是全书最硬的地方：一张表，一个 70%

如果要我推荐这本书的一章，是第二章。它不讲道理，它给清单，而清单恰恰是这类书最稀缺的东西。

先看成本。p0024 讲小米的 CyberOne：能识别 45 种人类语义情绪、分辨 85 种环境语义，搭载自研深度视觉模组，结合 AI 交互算法可以实现人物身份识别、手势识别、表情识别。雷军说「极度看好智能机器人在生活、工作中的应用」，但书里紧接着写了一句很不给面子的话：CyberOne 的成本每台需六七十万元，尚无法实现量产。

这句话是全书信息量最大的一句。因为它把「技术可行」和「商业可行」之间的距离，用一个数字标出来了：六七十万。一台能干活的机器人，价格是一辆高配奔驰的十倍，而它一天能干的活还顶不上一个工人。所有关于「人形机器人进家庭」的想象，都要先过这道算术题。

再看产业链。p0027 讲减速器，讲得非常专业：精密行星减速器多用于机床、新能源设备、工业和服务机器人，日本新宝市场份额最大，国内厂商有湖北科峰、纽氏达特、精锐科技、利茗；RV 减速器主要用于工业机器人，2023 年该场景占到 RV 整体市场份额的 90%，而 RV 减速机市场仍被外资品牌垄断，仅纳博特斯克一家就占据中国 70% 的市场份额；谐波减速器市场集中度较高，2022 年日本哈默纳科市场占有率约为 38%，中国本土大约有 30 余家谐波减速机厂商，如绿的谐波、来福谐波等。

这段为什么值钱？因为它没有喊「国产替代」，它先给了你外资的份额：70%、38%、90%。先承认被卡，再谈替代，这才叫产业链分析。作者还补了一句更关键的判断：目前本土品牌 RV 减速机与外资品牌的主要差距，依然在于控制的精度与稳定性。这句话把「造得出来」和「装得上」分开了。

p0030 是一整页政策表，从工信部等 15 部门 2021 年的《「十四五」机器人产业发展规划》开始，一条条列发布单位、文件名称、发布时间和相关内容解读，其中提到建成 3—5 个有国际影响力的产业集群、培育专精特新「小巨人」企业。

我得说句实话：这一页表格比前面二十页正文都可信。因为它可查、可核、可反驳。而正文里那些「必将」「全面」「深刻改变」，一个字都查不了。

不过这张表也暴露了一个结构性问题：政策表里的每一条都是「支持」「攻关」「培育」，没有一条是「考核」「验收」「退出」。做产业的人看政策表，看的不是它给了什么，是它没给什么。这本书把表抄全了，却没有替读者读出这一层，这本来是行业作者最该提供的附加值。

四、第三章讲训练：先在模拟器里摔，再回现实补那道缝

第三章是我最期待的一章，因为「怎么教一个身体」才是具身智能的真问题。它给出了标准答案：Sim2Real。

p0043 写得很清楚：既然智能体是「灵魂」，而具身智能的最终目标是在现实世界中活动，那么一个训练思路是——我们是否可以先在虚拟的仿真环境里把智能体训练好，然后再植入现实世界中的设备上呢？这种仿真方法被称为「从模拟到现实」（Simulation to Reality，简称 Sim2Real）。在模拟器环境中，具身智能可以提高训练速度、降低训练成本，并可以提高整个训练阶段的安全性。

然后它介绍了 AI2-Thor：2017 年由艾伦人工智能研究所的计算机科学家构建，智能体可以在厨房、浴室、客厅和卧室等模拟场所徘徊，获取各个角度的空间视图，观察随时间变化的动态视图，完成各种全新任务。

这段写得挺克制，但漏掉了最有意思的部分：Sim2Real 的难点从来不是「模拟」，是 2Real 那个缝。模拟器里的摩擦系数、光照、材质、物体重量都是理想的，真实世界的桌面上有一层油、有一根头发、有一块不平的桌角。你在模拟里练了一万次抓取，到现实里第一次抓就滑了。这个「缝」在书里只用一句「降低训练成本、提高安全性」带过去了，而我恰恰认为它是决定人形机器人能不能落地的核心变量。

还有一个更基本的问题，书里也没答：训练数据从哪来。大模型靠互联网上的文本，几十年的存量随便用；具身智能靠的是「一个动作一个动作地做出来」的数据，得有人戴着力反馈手套去搬箱子、去拧瓶盖、去叠衣服，一小时一小时地录。这种数据没有存量，只能现采，而且采的时候还得有人在旁边看着。如果说大模型的燃料是捡来的，具身智能的燃料是自己炼的。这本书讲了模拟器能省成本，但没讲真实数据的采集成本有多重——而后者才是这个行业真正的产能瓶颈。

同一章里讲智能体（p0040）倒是讲得好。作者给了个来历：智能体最早由马文·明斯基在 1986 年提出，认为通过协商解决问题的个体就是智能体。然后是一个我很喜欢的比喻：你希望大语言模型写一个贪吃蛇游戏，你需要拆解构成、依次提问、引导它写出各模块，遇到运行不了的代码还要主动追问让它修正；而对智能体，你只要告诉它「写一个贪吃蛇的游戏」，它便自主设计结构、撰写程序、自主调试、遇到问题主动上网查资料，最终直接交付成品。如果说大语言模型像一个刚入职场的实习生，那么智能体就是一个熟练的职场专家，只需要你规定目标，它自己就能按时按质地完成相关的任务。

这个比喻好用，但它也暴露了全书的一个习惯：凡是讲不清机制的地方，就上一个比喻。实习生和专家之间差的是什么？是经验、是判断、是知道什么时候该问你一句。这三样东西没有一样是「给个目标」就能长出来的。

五、第四章讲自动驾驶：技术史写得比商业前景好

第四章转到自动驾驶，这一章的史料部分写得很扎实，值得单独说。

p0052 提到 1977 年，日本通产省（现经产省，相当于我国的工信部）下属的机械工程实验室开发出一台具备障碍躲避能力的试验车，成功取得了现代意义上第一辆自动驾驶乘用车的桂冠。它在车头安装两台摄像机和一个信号处理器，计算机视觉第一次被用在自动驾驶领域；当时的决策算法相对简单，系统内预置了 256 种场景与输入的信号值，只需要像查字典一样就能查找到对应的控制策略；凭借这套系统，试验车可以保持 30 千米/小时的速度自动驾驶。

1983 年，受日本突飞猛进的信息技术能力刺激，美国政府决定拨给 DARPA 一大笔经费，全力推动「战略计算计划」，其中陆军的项目是自主陆地车辆 ALV，激光雷达被首次装到自动驾驶车辆上用于识别障碍物特征；在最终测试中，ALV 能够绕过沟壑、陡坡等不利地形，也能绕过垃圾桶等障碍物，并达到 20 千米/小时的最高时速。参与项目的卡内基梅隆大学在项目结束后持续改进，率先引入神经网络技术，并在 20 世纪 90 年代拿到美国国防部科研经费。

这两段好在哪？好在你看到一个行业最原始的形态：256 种场景查表、30 公里时速、两台摄像机。所有今天看起来宏大的东西，起点都笨得可爱。这种细节能让人对技术保持耐心，也能让人对「十年后遍地移动酒店」这种话保持警惕——1977 年那台车到今天的无人出租车，中间隔了将近五十年，而不是十年。

但第四章的后半段就滑走了。p0060 说，在无人驾驶时代，汽车将成为可自主移动的全能空间或生产作业平台，我们可能会在 10 年后的世界中随处可见移动酒店、移动影院、移动 KTV、移动按摩店等新一代线下商业门店，也会见到无人化自主执行任务的环卫车、消防车、巡逻警车、移动储能车等新一代专业/特种用途车辆，从而迎来一个极度繁荣的具身智能汽车生态。

读到这一段，我的反应不是兴奋，是疑问：移动按摩店这个生意，解决的是「车会自己开」的问题，还是「有人愿意在车里按摩」的问题？前者是技术，后者是消费。作者把两者放在同一句话里，读者就容易误以为它们会同时发生。而现实里，决定前者的是法规和成本，决定后者的是钱包和习惯，这两件事的节奏完全不同。

六、它的短板

第一，技术与商业之间缺一本账。书里给了 70% 的市占率、38% 的份额、六七十万的成本、10 万亿的市场规模，唯独没有给一台整机的成本拆分：减速器占多少、伺服占多少、电池占多少、传感器占多少，卖多少钱、多久回本。而这本书的书名里有「从虚拟到现实」，现实的核心就是这本账。没有 BOM 的产业分析，本质上还是行业综述。

第二，未来段落是清单，不是预测。移动酒店、移动影院、移动 KTV、移动按摩店、环卫车、消防车、巡逻警车、移动储能车——一口气列了八种。清单越全，越像招商 PPT 的最后一页。真正的预测应该可证伪：说清楚哪一种会先起来、为什么是它、谁付钱、单价多少。书里没有一条这样的判断，全是「可能会」「将迎来」。

第三，结构像两本书拼起来。前三章讲的是「感知—认知—行动」这套框架，第三章还在讲智能体与 AIGC 怎么给它装脑子；第四章突然整体切到自动驾驶，前面那套框架一次都没回收。自动驾驶当然是具身智能最大的应用，但它应该作为「行动」那一环的案例，而不是另起一章重讲一遍技术史。读者读完会有一种感觉：前一半是教科书，后一半是行业报告，中间少了一页过渡。

第四，时间表不可证伪。全书反复出现「未来 10 年」「十年后」「必将」这类表述，但没有给出任何一个能被打脸的里程碑——没有说哪一年哪类场景的机器人出货量会到多少台，没有说哪一年单台成本会降到多少万。这不是苛刻：1977 年那台日本试验车跑到 30 公里/小时，到今天的无人出租车用了将近五十年；一个行业如果连「明年要发生什么」都不敢写，那它对「十年后」的描绘就只是抒情。

第五，推荐人和数据之间有点微妙。p0003 那页推荐语，署名的是凌迪科技创始人兼 CEO、进化智能合伙人、灵心巧手联合创始人——都在具身智能这条链上。这不影响书的价值，但影响你对某些句子的折扣：全书对国产替代的叙述是乐观的，而作者自己给出的 70% 和 38%，恰恰说明核心零部件还在外资手里。数据是诚实的，语气是乐观的，这两者之间的落差，读者得自己补。

七、给三种人的读法

你是做硬件或供应链的：直接读第二章，p0024 的厂商表（智元、达闼、傅利叶、宇树、逐际动力、蔚蓝智能，成立时间与业务定位都列了）和 p0027 的减速器份额，这两页能省你两天调研。第一章可以跳。

你是做算法或模型的：第一章的感知那节（p0010、p0013）和第三章的 Sim2Real（p0043）值得读，但别指望它讲清 sim-to-real gap，那里它只给了个概念。真要动手，去看仿真器文档比看这本书快。

你是想搞明白这波热闹到底靠不靠谱的：只读 p0006 和 p0024。前者告诉你这件事难在哪，后者告诉你它贵在哪。「难」和「贵」这两件事叠在一起，基本就能判断一个具身智能项目能走多远。

最后说句公道话。这本书的定位是「从虚拟 AI 到现实 AI」，它确实把「现实」那一半的物理世界讲清楚了——传感器怎么配、减速器谁在做、政策怎么给、模拟器怎么用。这些是很多同类书懒得写的脏活。它的问题不在不懂硬件，在于它太想让读者相信这件事快了。而 65 屏读下来，我看到的恰恰相反：技术路线清楚了，成本账还没算，时间表是愿望。

如果要给它一个准确的位置：它是一本合格的「具身智能入门读物」，不是一本合格的「具身智能投资指南」。这两者的区别在于，前者负责让你听懂，后者负责让你下判断。这本书做到了前者，而且做得比市面上多数同类书干净——它至少敢把 70% 和 38% 这两个数字写出来。但它没做到后者，因为它回避了所有会让人犹豫的东西：谁在亏钱、哪条路线会死、这一轮热潮和上一轮的机器人热潮有什么不同。

一句话收尾：它讲清了机器人的身体，没算清它的账——前半本可以当工具书，后半本只能当愿景书。

阅读记录
书名：具身智能：从虚拟 AI 到现实 AI　|　作者：杜雨、张孜铭　|　平台：微信读书　|　翻阅：65 屏（未读完，止于第四章第三节「自动驾驶技术的应用前景」）
章块：前言 + 四章（探索具身智能的奥秘 / 具身智能机器人 / 具身智能与 AIGC 智能体 / 自动驾驶）　|　有效截图 59 张，空白 6 张（章节切换瞬间的加载画面，未采用）
抽读核对页：p0006 前言「理论家与实干家」/ p0010 火腿肠的三个维度 / p0013 视觉与听觉感知 / p0019 具身认知 / p0024 CyberOne 成本与厂商表 / p0027 减速器份额 / p0030 政策表 / p0035 AIGC 与多模态 / p0040 智能体与明斯基 / p0043 Sim2Real 与 AI2-Thor / p0052 自动驾驶技术史 / p0060 十年后的街景
说明：抓取期间有并行进程占用同一浏览器页面，阅读位置被重置回卷首，故本轮止于 65 屏；本篇结论只覆盖上述页面，不引用书外材料。