无尘阁日记

无尘阁日记

一本书讲透具身智能:为什么轮式给了 13 屏,人形只给 3 屏?
silcano

微信读书《一本书讲透具身智能:技术、应用、商业与未来》(孔祥战)· 本次逐页翻阅 404 屏,从版权信息读到「后记 在碳基文明与硅基文明之间」,11 章 153 节全部覆盖,抓取标记为全书读完(end=last_page),耗时 335 秒。
说明:书名里写着「技术、应用、商业与未来」四件事,所以我用篇幅去对账——它说重视什么,和它实际写了多少,是不是一回事。

404 屏,11 章。平均每章 37 屏。

先给结论:这本书用 13 屏写轮式机器人,用 3 屏写人形机器人;它最厚的一章是「身体」,最薄的一章是「社会」。

这不是随手排的。把各章屏数摆开看,会看到一条很清楚的线:凡是能拆成硬件清单的东西,作者就写得厚;凡是只能讲道理和讲愿景的东西,作者就写得薄。他是在用篇幅投票,投给「这个东西现在能不能造出来、卖给谁」。

这个立场让这本书在同类里有了辨识度。市面上讲具身智能的书,大多从大模型、从 VLA、从「机器人的 GPT 时刻」讲起;这本反过来,先从 206 块骨头和 600 多块肌肉讲起,讲到 EPS 电动助力转向和 PCIe 4.0 的读写速度。第一次翻开的时候我以为是买错了书,读下去才明白:作者是个做硬件和做产业的人,他关心的是这东西的 BOM 能不能压下来,不是它的智能能不能涌现。

一、404 屏的账:身体 59、商业 43、社会 18

逐章统计,屏数和占比是这样的:

文前(版权、文前、6 屏赞誉、4 屏前言)、11 个章扉页和后记,合计 46 屏,占 11.4%。

第 1 章「为什么说具身智能是人工智能的终极形态」26 屏(6.4%);第 2 章「打破『梦境之脑』」21 屏(5.2%);第 3 章「人体带给具身智能的启示」26 屏(6.4%);第 4 章「具身智能的『大脑』」42 屏(10.4%);第 5 章「具身智能的『身体』形态」59 屏(14.6%),全书最厚;第 6 章「工业领域的应用」33 屏(8.2%);第 7 章「服务行业的应用」35 屏(8.7%);第 8 章「产业链的全球争夺战」31 屏(7.7%);第 9 章「商业化生与死」43 屏(10.6%),全书第二厚;第 10 章「将重构社会形态」18 屏(4.5%),全书最薄;第 11 章「人类 2.0 进化论」24 屏(5.9%);后记 7 屏。

11 章合计 358 屏,加文前、章扉页与后记的 46 屏,正好 404 屏,数对得上。

这个分布读起来有三处值得说。

第一处:身体 59 屏,比大脑 42 屏多出 17 屏。而且这 42 屏的大脑海,还要扣掉三个案例(4.1.3 波士顿动力 Atlas 5 屏、4.2.4 特斯拉 Optimus 5 屏、4.3.3 Figure 02 5 屏)——真正讲算法和模型的只有 27 屏。一本讲「具身智能」的书,把最多的篇幅给了身体,第二多给了生意,给「智能」的不到 7%。

这跟书名有点错位,但不一定是缺点。因为具身智能这个领域,真正卡住产业的确实不是算法——VLA 的路线 2023 年就基本统一了,全行业都在 RT-2 那条路上往前推;卡住的是关节模组的成本、灵巧手的寿命、电池的能量密度、以及「卖给谁、卖多少钱」。

第二处:第 9 章「商业化生与死」43 屏,比第 8 章产业链还厚 12 屏。这一章是全书的重心所在,也是它跟其他具身智能书最大的区别。别的书写产业链、写技术路线、写未来愿景,这本写的是「技术人员创业会死在哪一步」。

第三处:第 10 章和第 11 章加起来 42 屏,占 10.4%,全是推演。「消失岗位的清单」「幸存职业的特征」「崛起的新职业族群」「人类 2.0」「硅基人口爆炸」「碳硅双螺旋」——这些标题都很抓人,但它们跟「讲透具身智能」没什么关系,属于另一种文体:未来学。全书最薄的一章也在这一块(第 10 章 18 屏),说明作者自己也不太有底气,写到这里已经没什么可给的材料了,只能推。

把这三处连起来看,这本书的真实重心是:身体怎么造(59 屏)→ 造出来卖给谁(43 + 68 屏应用)→ 怎么活下来(43 屏商业化)→ 世界会变成什么样(42 屏推演)。这是一条从车间通往客厅、再通往哲学的路,越往后越虚,作者也没打算藏。

二、13 屏对 3 屏,这个比例说明什么

第 5 章的内部结构,是全书最能说明作者立场的地方。

5.1「下半身形态」17 屏,下面分三节:5.1.1 轮式机器人 13 屏、5.1.2 足式机器人 9 屏、5.1.3 轮足结合式 2 屏。

5.2「上半身形态」8 屏:多关节工业机械臂 2 屏、双臂协作机器人 3 屏、灵巧手 2 屏、带灵巧手的双臂协作 2 屏。

5.3「上下半身组合形态」6 屏:轮式底盘拟人形 2 屏、人形机器人 3 屏。

5.4 其他仿生机器人 2 屏。

轮式 13 屏,人形 3 屏。这是全书最刺眼的一组数字。2025 年的具身智能,人形机器人是绝对主角——融资、发布会、政策文件、社交媒体,全在这个词上。可这本书给它 3 屏,还不如给轮式的一个零头。

为什么?我把 5.1.1 那 13 屏翻完,答案很直接:因为轮式机器人可以拆成一套完整的硬件栈来讲。

那 13 屏里讲的东西是这个:专用集成电路(ASIC),特斯拉 FSD 芯片集成神经网络处理单元、Mobileye EyeQ 系列采用单指令多数据(SIMD)架构优化视觉处理;现场可编程门阵列(FPGA),Intel FPGA 集成 ARM 处理器核做异构计算、Xilinx 自适应计算加速平台(ACAP)融合处理器与可编程逻辑;内存与存储,DDR4/DDR5 高带宽访问、ECC 错误纠正、PCIe 4.0 接口 SSD 提供超过 7GB/s 读写;执行硬件,电动助力转向(EPS)取代液压助力、无刷直流电机、减速齿轮、转向角度传感器闭环控制。

这是标准的硬件工程语言,一行一行都是采购清单上的东西。轮式底盘是过去二十年 AGV/AMR 产业积累下来的成熟货,供应链齐、标准多、每一层都有人做,所以能一页一页地讲。

人形机器人拆不出这套东西。它的关节模组还没有统一规格,灵巧手没有统一接口,电池和散热是一体设计的,每一个部件都跟整机绑死。没有通用件,就没有通用的技术语言,也就写不出 13 屏。

所以这个 13 比 3,不是作者觉得轮式更重要,而是只有轮式经得起这样写。他在 5.3.2 那 3 屏里给了一句解释:「人形机器人是具身智能产业的终极形态」,然后立刻转去讲成本——「当前样机成本在 10 万美元以上,可靠性和安全性距离家庭部署仍有差距」。

这句话是全书最诚实的一句。它把话说白了:人形机器人的问题不在技术路线,在 10 万美元和「还不能放心让孩子靠近」。

《一本书讲透具身智能》核心知识图谱
11 章屏数分布、13 屏对 3 屏的反差、能直接打分的 2C 矩阵,以及三条短板

三、那 3 屏其实一点不虚

我原本准备把「人形只给 3 屏」写成一条短板,翻完那 3 屏之后改了主意——它是全书密度最高的 3 屏。

3 屏里塞了这些东西:

运动控制。MIT 的仿人机器人在模拟器里训练神经网络策略,经历 1000 万次虚拟摔倒后,学会在碎石路面上稳定行走。策略网络输入本体感觉和视觉信息,输出各关节目标扭矩,端到端学习替代了复杂的运动学建模。

仿真到现实的迁移(Sim-to-Real)。用域随机化方法增强鲁棒性,让机器人能适应地面摩擦系数变化和负载扰动。这一步是整个行业的关键工艺:仿真里跑通的策略,搬到真机上十次有九次会崩,域随机化就是让策略在仿真里先见够各种「不标准」的地面和负载。

操作。双目相机测距精度 1 厘米,识别目标物体后规划抓取轨迹。灵巧手指尖嵌入触觉传感器,接触瞬间反馈压力分布,控制系统调整抓取力度——例如提取鸡蛋时指尖力量不超过 0.5 牛顿。多模态 Transformer 模型融合视觉、触觉、本体感觉,预测操作成功率,失败后自动调整策略重试。

然后是那个数字:Figure 01 在工厂环境中完成零件分拣和组装任务,操作成功率达到 85%。

85% 这个数,比很多宣传稿里的 99% 诚实得多。它意味着每 20 次操作要错 3 次。在一个节拍 30 秒的产线上,这个错误率还不能替人。

所以作者不是不重视人形机器人,是他认为该说的已经说完了:路线是端到端 + 多模态 + Sim-to-Real,瓶颈是成本、可靠性和成功率,剩下的都是工程活和时间问题。这话说得对不对可以争,但它是一种有观点的省略,不是偷懒。

反过来看第 2 章「打破『梦境之脑』」——那是全书的理论地基,讲纯算法为什么理解不了物理世界、讲具身认知三定律(身体化、情境化、行动导向)、讲「机器婴儿通过玩耍学习物理规律」的实验。这一章只有 21 屏,全书第二薄。

把这两件事放在一起,这本书的取舍就清楚了:理论讲薄,实物讲厚。它假定读者不需要被说服「具身智能为什么重要」,只需要知道「现在能做到什么程度、要花多少钱」。

四、全书最好的一段:5000 万台与 899 美元

第 9 章 9.2.3 的案例部分,我读了两遍。它把两个消费级机器人放在一起,一个活了一个死了,然后把死因说得毫不留情。

活的那个是 Roomba。书的原话大意是:定价在 800~1000 美元区间,通过持续的技术迭代——从随机碰撞到系统化导航(激光与视觉),从单一吸尘到扫拖一体、自动集尘——不断巩固体验壁垒;截至 2022 年,其全球累计销量已突破 5000 万台。作者给的结论是:它把「一项刚需功能做到极致」,并持续优化体验与成本,才支得起一个庞大的消费品牌。

死的那个是 Jibo。书的判断很重:「伪需求」与「错位商业模式」的典型教材。它定位为家庭社交伴侣,主打情感连接,但核心功能——信息查询、音乐播放、定时提醒、拍照——与当时已经快速成熟的智能音箱严重同质化;899 美元的定价,对比几十到两百美元的智能音箱,毫无竞争力;更关键的是,它承诺的「情感陪伴」价值既难以量化,也未能通过持续的内容更新和交互升级形成深度依赖。消费者在新鲜感过去后,使用频率急剧下降。

然后是最狠的一句:「当一款高价硬件产品的核心功能可被廉价替代品覆盖 80% 时,其附加的情感价值便极为脆弱。它未能通过『每日使用』的考验,根本原因在于没有构建出软件、内容或社交关系上的持续锁定效应,导致硬件本身沦为一次性消费的『电子摆设』。」

这段话值这本书的价钱。它给了一把尺子,而且这把尺子能用在今天所有的具身智能产品上:

第一,你的核心功能有没有被便宜十倍的东西覆盖 80%?如果一台陪伴机器人最常用的功能是放音乐和设闹钟,那它就是在跟 99 块的音箱竞争,卖 899 美元必死。

第二,你有没有「每日使用」的通道?不是每周体验一次的新鲜感,是每天都得开机的理由。扫地机有(地面每天脏),陪伴机器人没有(人不是每天都想聊天)。

第三,你的锁定效应建在哪儿?软件、内容、还是社交关系?硬件本身锁不住人——它只会折旧。

这三问,比书里任何一张技术架构图都有用。而且它不依赖任何技术判断,只依赖商业常识,所以不会过时。

唯一遗憾的是,作者没有把这三问做成一个可以自查的清单,而是埋在案例分析里。这也是这本书的通病:好判断常常是好句子,不是好工具。

五、它给了一张能打分的表,但只给了一张

9.2 节的结构是:9.2.1 讲商业化的底层逻辑 1 屏,9.2.2「2B 市场的评估维度」4 屏,9.2.3「2C 市场的评估维度」4 屏,9.2.5「评估矩阵与案例应用」5 屏。

表 9-2 是 2C 市场评估矩阵量化表。它把「这个产品该不该做」拆成五个指标,每个指标给权重,每个指标按高低分三档打分,最后加权求和:

需求刚性与使用频次,权重 35%。高(9~10 分):解决高频刚需,用户每天或每周使用;中(5~8 分):中频需求,每月使用数次;低(1~4 分):低频需求或可选消费,使用频次不确定。

价格竞争力,权重 25%。高:定价在目标用户月收入的 5% 以内,性价比明显;中:5%~10%,需要一定的购买决策时间;低:超过 10%,属于奢侈消费。

渠道可达性,权重 20%。高:可通过主流电商平台、线下连锁渠道快速覆盖目标用户;中:需建立专属渠道或体验店,覆盖速度较慢;低:渠道建设成本高,难以快速触达。

品牌溢价空间,权重 10%。高:产品具有强烈情感属性或社交属性,用户愿为品牌支付溢价;中:品牌有一定影响力,但用户主要关注功能和性价比;低:产品同质化严重,品牌溢价空间有限。

迭代响应速度,权重 10%。高:可通过软件升级持续优化,硬件迭代周期在 1 年以内;中:硬件迭代周期 1~2 年;低:超过 2 年。

判定线给得很干脆:总分 7 分以上适合 2C 市场,5~7 分需谨慎评估,5 分以下不建议进入。

我喜欢这张表的地方在于它敢给权重,也敢给阈值。市面上讲「怎么选赛道」的内容,九成停在「要综合考虑需求、价格、渠道」这种话上;这张表把它变成 35、25、20、10、10 和 7 分、5 分。一旦有了数字,它就可以被反驳——而能被反驳的东西才有用。

但只有一张表,这是它的问题。9.2.2 讲 2B 市场的评估维度,四屏,我没在里面找到一张同规格的量化表;9.2.5「评估矩阵与案例应用」五屏里,落到实处的也只有 2C 这张。

而 2B 恰恰是具身智能现在唯一能出货的市场——第 6、7 章那些案例(汽车厂的人形机器人探索、3C 的双臂协作、四足巡检、电力无人机巡检、仓储物流、酒店餐饮医疗)全是 2B。书里 68 屏讲 2B 应用,却只给 2C 一张评估矩阵。这个错位很可惜:读者最需要的,是在决定「做工业巡检还是做家用陪护」时能算一笔账的工具,而那笔账只有 2C 那一半。

六、技术章是真技术,但一条论文都没给

第 4 章把「大脑」分成三种路线,一种配一个案例,结构整齐:

分层具身大模型(4.1,17 屏),案例是波士顿动力 Atlas(5 屏)。核心技术在 4.1.2 那 6 屏:规划层要处理空间路径和时间调度,空间路径用动态窗口法(DWA)在障碍物密集的环境里短时间重算一组不碰撞的速度指令;时间调度要把工序的时间约束和任务优先级排进去。控制执行层直接跟物理世界打交道,把规划层的指令转成驱动单元的信号——逆运动学求解关节角度、动力学计算预测负载变化对运动的影响(抓起沉重物体时提前增加驱动力矩)、PID 做速度与位置的稳定控制、更高层级用模型预测控制(MPC)考虑未来一段时间。

端到端具身大模型(4.2,18 屏),案例是特斯拉 Optimus(5 屏)。核心在 4.2.3 那 5 屏:模仿学习(IL)从专家示范里学策略,行为克隆(BC)直接学「状态到动作」的映射但容易受分布偏移影响——训练和测试的状态分布不一致就会掉性能;逆强化学习(IRL)或对抗式模仿学习(GAIL)反过来推断专家行为背后的奖励函数,泛化性更好;强化学习那边,深度强化学习(DRL)是主流,深度确定性策略梯度(DDPG)、近端策略优化(PPO)、软演员-评论家(SAC)都被广泛用,难点在奖励函数设计、样本效率低、训练不稳定。

混合具身大模型(4.3,10 屏),案例是 Figure 02(5 屏)。

术语是准的,缩写给全了,优缺点也点了——「分布偏移」「样本效率低」这两个词,是真正做过这件事的人才会顺手写出来的。这一点比很多「AI + 机器人」的书强。

但它有一个硬伤:全书没有一条论文引用。

4.2.2「端到端具身大模型的发展历程」那 4 屏里,讲到 RT-2 是「里程碑事件」:2023 年 Google 的 DeepMind 团队开始用互联网数据训练视觉-语言模型(VLM),再在机器人操作任务上微调,提出 RT-2;关键技术之一是「动作空间的自然语言索引机制」,机器人在训练中学会将抽象语义与动作参数匹配;随后 VLA 技术成为新焦点,把视觉、语言、动作三者的关系建模作为统一任务处理,相比早期直接预测动作序列的方式,VLA 引入更灵活的中间表示。

这段讲得对,也讲清楚了。但读者拿到「RT-2」「VLA」这两个词之后,没有任何东西可以追。没有 arXiv 编号,没有第一作者,没有会议。想去查原文的人,只能自己去搜——而搜出来的可能是二手解读。

一本技术书的引用不是为了显摆,是为了让读者能自己判断作者说得对不对。这本书把这条路堵死了:所有技术判断都只能用「作者说的」来背书。

更麻烦的是,具身智能这个领域变得太快。2023 年的 RT-2 是里程碑,到 2025 年已经有一批更新的工作在它上面改了又改。没有引用,读者就分不清哪句话是哪一年的共识,哪句话是作者自己的判断。

七、它的短板

把问题收一收,五条。

第一条,第一章的标题和内容对不上。1.2 节的标题是「具身智能是人工智能发展的第三个里程碑」,给了 9 屏,是第 1 章里最长的一节。但这 9 屏实际写的是:AlphaGo 怎么下围棋(策略网络、价值网络、蒙特卡洛树搜索)、ChatGPT 怎么诞生(大模型+大数据+大算力、微软整合进必应和 Office、谷歌推出 Bard、百度做文心一言)、Optimus 发布意味着什么、各国开始评估监管框架。

「三个里程碑」这个论点,被写成了「三个事件的新闻综述」。里程碑之所以是里程碑,要看它改变了什么,而不是它发布了什么。这 9 屏里没有一句回答「为什么是第三个,而不是第二个的延伸」。

第二条,一条论文都没有。RT-2、VLA、DWA、GAIL、DDPG 全是名字,没有出处。这一条前面说过,但它值得单列,因为它是「讲透」这个书名最过不去的一道坎。

第三条,所有「取代」的判断都不给证据。第 10 章 10.2.1「消失岗位的清单」2 屏,写得很有劲:收银员被自助结账系统替代,快餐店员工、酒店前台、银行柜员、加油站服务员这些「流程高度程式化」的岗位面临严峻挑战,麦当劳的自助点餐机、酒店的自助入住系统、银行的智能柜员机已经分流了大量业务;矿工、高空作业、核电检修、消防员会被接管,「机器人不怕辐射、不惧高温、不会疲劳」;钟表维修、精密仪器装配、珠宝加工这些「极高手眼协调」工种,「在稳定性和精度上已经超越人类」;护士的部分工作、基层诊所的常规诊断、影像科和病理科医生的阅片工作,「人工智能的准确率已经达到甚至超越人类水平」。

最后这一句是全书最需要引用的地方,也是最缺引用的一页。哪一类影像?什么数据集?跟谁比?什么条件下?三个问题一个都没答。而这句话的分量,是在宣告一批人的职业终点。

第四条,最后两章 42 屏在写另一种书。「硅基人口爆炸」「碳硅双螺旋」「文明临界点:人类 2.0 之后」——这些标题属于未来学,不属于技术书。它们的问题不是错,是不可证伪。作者自己也写不出材料,第 10 章只有 18 屏,全书最薄。

第五条,编校上有几处没兜住。目录里 1.4 之后直接是 1.4.2(缺 1.4.1),8.3 之后是 8.3.2 和 8.3.4(缺 8.3.1 和 8.3.3),9.2.3 之后直接跳到 9.2.5(缺 9.2.4)。四处跳号,全书没有一句说明。这可能是纸书排版时就漏了,也可能是电子版转换的问题,但读者拿到的是这个版本,跳号就是跳号。

还有一处小的:1.2 节里写「微软、谷歌、百度、阿里等企业纷纷布局大模型……移动互联网行业进入『百模大战』时代」。百模大战是 2023 年大模型行业的事,跟移动互联网不是一回事。这种句子不影响理解,但它说明这本书的编辑流程里,没有人逐句核过。

八、一句话

这本书的真正价值,不在它把具身智能讲「透」了——它在理论上只给了 21 屏,在技术上也确实没给一条引用;它的价值在于把「能不能卖出去」这件事摆到了跟「能不能做出来」同等的位置:59 屏身体、68 屏应用、43 屏商业化,加起来 170 屏,占全书四成。

如果你是想搞懂具身智能的技术路线,这本书不够;如果你手上有一个机器人项目,正在纠结做轮式还是人形、做 2B 还是 2C、卖硬件还是做 RaaS,那第 9 章那 43 屏值得单独读一遍——尤其是 Roomba 与 Jibo 那一段,它给的三把尺子,比任何一张架构图都耐用。

阅读记录:《一本书讲透具身智能:技术、应用、商业与未来》,孔祥战著,微信读书 404 屏,11 章 153 节,2026-11-17 逐页读完(end=last_page,335 秒)。文中屏数为逐页统计的实际值:11 章合计 358 屏(26/21/26/42/59/33/35/31/43/18/24),加文前、章扉页与后记 46 屏,合计 404 屏,与总数核对一致。

关于作者 · 江天(楠哥)
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。