你不知道的具身智能：从小机器狗到 Optimus

具身智能要真正走进现实，关键不在炫技，而在把「感知、空间、动作、力矩」一层层打通。从一台两百多块拼起来的小机器狗开始，指令要一路变成结构化意图、动作序列和电机 PWM，任何一个环节的延迟、噪声或供电问题都会暴露出来。让机器人知道自己在哪儿，需要深度相机、IMU 和 SLAM 构建可更新的三维世界模型，再在其上做路径规划和避障。进一步的 VLA 模型尝试把视觉、语言和动作统一到一个网络里，从离散动作 token、action chunk，到扩散和流匹配策略，再配合大脑、小脑、肢体这种分层控制结构，在不同时间尺度上平衡理解和稳定性。特斯拉 Optimus 提供了一个工程样本：复用 FSD 的纯视觉栈、自研执行器和灵巧手，在工厂场景中迭代采集接触数据，同时被电机成本、能耗、可靠性和供应链卡脖子。不同公司在端到端智能、通用平台和高性价比硬件之间下注，但真正的难度，终究落在如何用真实场景中的失败样本持续改进模型与结构，并在可控的时间、能耗和制造成本内闭环。