#案例：计算1-100之间所有偶数的和

i=1
#定义一个变量sum为0，用来存放和
sum=0
while i<=100:
	#每次sum和i相加
	if i%2==0:
		sum+=i
	i+=1
#执行完之后，打印sum的值
print("1-100之间偶数和是%d"%sum)

运行结果：
在这里插入图片描述

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

万字综述｜具身智能多元范式：从 VLA 大模型到本能驱动的工业落地探索

本文系统梳理具身智能现有技术体系，从基础概念出发，解析分层决策、端到端VLA两大主流范式，对比具身学习、世界模型的实现逻辑，同时引入。人类在现实环境掌握技能，通常依靠书本学习、示范观摩，遇到陌生场景会评估环境、规划方案、在脑中推演，再动手执行，最后根据结果修正自身行为。具身智能（EmbodiedAI）是人工智能与机器人工程交叉领域，智能体搭载物理本体置身真实动态环境，完成感知、推理、行动、反馈闭环

avatar DAMO开发者矩阵

具身智能 2026 全解：基础概念、技术路线与产业落地全景

具身智能是依托物理载体在真实物理环境完成感知‑行动闭环的智能系统，2026年行业显著变化在于工业落地加速，除主流数据驱动路线之外，触觉感知导向的本能驱动技术开始进入量产工厂。本文从基础概念、发展演进、核心技术体系、产业链格局、现存挑战与未来趋势展开，补充国内工业落地企业实践，文末设置关键问答复盘核心知识点。本能驱动以触觉物理反馈作为核心输入，不需要海量前置训练数据集，部署之后依靠端侧实时物理交互完

avatar DAMO开发者矩阵

海量轨迹之外：重新审视2026具身智能的数据范式之争

该路线产出一批代表性数据集，覆盖家庭、办公、部分工业原型场景，能够支撑通用具身模型的训练迭代，但规模化复制到工业生产环境成本压力巨大。这条范式并不否定轨迹数据的价值，而是重新定义数据的使用方式：不再把海量历史轨迹作为模型训练的先决条件，更多依靠作业现场实时物理交互完成适配，以此适配离散制造高频换产的生产特征，该方案已经在真实工厂完成落地验证。遥操作、仿真合成、多源融合三类主流数据范式各有所长，在实

avatar DAMO开发者矩阵