机器人 AI 为什么更难？

核心笔记

1. 机器人控制可以先看成一个函数：输入摄像头像素、关节角度、触觉/阻力等观测，输出电机位置、力矩或下一步动作。难点在于输入和输出都会跟着真实世界实时变化。1
2. 现代机器人模型常拆成「慢大脑 + 快小脑」：VLM 负责理解图像、语言和场景，动作专家负责把理解结果细化成可执行的控制指令，代表方向包括 NVIDIA GR00T N1 和 Physical Intelligence π₀。1
3. 动作生成不再只做「一步一步预测」。ACT 动作分块一次预测一小段未来动作，原文称这种做法能减少误差累积，并在精细任务中用约 10 分钟示教数据达到 80%–90% 成功率。1
4. 延迟是机器人 AI 的硬约束。原文举例称，π₀.₅ 在高端 GPU 上完成一次感知—动作循环约 274ms，而 3Hz 控制循环的边缘设备单周期约 330ms，留给模型的余量非常窄。1
5. 数据瓶颈不是「再爬一点互联网」就能解决。原文把路径分成遥操作、仿真/世界模型、第一视角视频、人在回路纠错和部署中学习等方向，并提到 Ego4D 3000+ 小时第一视角视频与 GR00T 混入合成数据后性能提升 40% 的说法。1

图片顺序

1. 机器人 AI 为什么更难：物理世界不会等模型想完。
2. 控制函数：观测进来，动作出去。
3. VLA 双系统：慢大脑理解世界，快小脑立刻动起来。
4. 动作分块与延迟：一次预测一段动作，但实时周期仍很紧。
5. 数据瓶颈：机器人数据是群岛，部署训练才跨过演示鸿沟。