汽车工厂机器人#
核心：预设计并计算轨迹，随后只是重放轨迹，实际上是不断 “重放”
问题：
- 部署耗时
- 无法灵活处理多任务
如果想要足够通用，则需要像人，才能实现 “通用机器人”（Task generalists），能够形成 perception-action loop（感知 - 动作循环）。
实际上是形成了一个神经网络：
输入：本体状态、控制信息、环境信息 输出：下一步的关节控制
VLA（Vision Language Action Model）#
神经网络：
- 输入：V (vision) + L (language)，现在有 VLM 模型
- 输出：A (action)
思维活动：
- 快系统（Faster system）：动作生成
- 慢系统（Slower system）：复杂推理
人脑：
- 大脑进行感知
- 小脑控制动作
观点：没有具身智能，就没有 AGI。
困境#
具身智能最大的问题：缺少真实数据，不能满足 Scaling Law 所需的数据量。
和智能驾驶不一样，在真实世界中快速采集到所需数据是几乎不可能的。
神经网络还有一个问题，就是泛化性，因为在真实世界中数据的分布可能会与训练集的分布不一致。
可能的解决方法：合成数据。
优点：
- 无需注释
- 高效节约时间
- 可转移到现实世界