具身智能论文伴读-第一期

2026年07月17日09:29:52 实际上，在AI时代，我错误评价了这种伴读的作用，这个专栏远没有达到。但是加上自己本身也想好好再读读论文，所以当做自己阅读的随摘了，贡献不大，各位道友批评取之。

一、这个专栏我们打算怎么读

先说清楚我们要练的四件事,因为它们会贯穿每一篇精读:

读论文的方法——不是逐字翻译,而是学会"分层读"。第一遍读摘要和图,搞清楚"这篇解决什么问题、结论是什么";第二遍读方法,搞清楚"它怎么做的";第三遍才抠细节和数学。我们在专栏里会刻意示范这个过程。

英文科研写作——论文的每一句话都是"被设计过的"。作者用什么词表达自信、用什么结构组织逻辑、如何在一句话里既谦虚又强势,这些是你将来自己写paper要偷师的东西。我会带你看"人家为什么这么写"。

科研思维——一篇好论文本质是一条完整的论证链:现状有什么问题 → 我提出什么 → 凭什么相信我 → 它还能推广到哪。你要学会在读的时候不断问"作者下一句该说什么",慢慢你就有了研究者的直觉。

表达能力——能把一个复杂的东西讲得让外行听懂,是研究者最被低估的能力。我们每篇都会试着用一句大白话概括核心。

二、专栏路线图(初版,我们一边走一边调)

我按"打地基 → 建高楼 → 进你的方向"来排。你现在不需要都看懂,先知道地图长什么样:

第一阶段:深度学习的骨架(理解"网络是怎么学的")

• Attention Is All You Need（Transformer）—— 我们的第一篇,一切现代模型的起点
• ResNet（残差网络）—— “为什么深网络能训得动”
• BERT / GPT —— 预训练范式的两条路线

第二阶段:从文字到感知(理解"模型怎么看世界")

• ViT（Vision Transformer）—— Transformer 如何吃下图像
• CLIP —— 图文对齐,具身智能里视觉-语言的地基
• Diffusion Models（DDPM）—— 后面机器人动作生成会大量用到

第三阶段:决策与控制(理解"智能体怎么行动")

• DQN / PPO —— 强化学习的两块基石
• 模仿学习基础

第四阶段:进入具身智能(你的主场)

• RT-1 / RT-2 —— 机器人大模型的开创性工作
• Diffusion Policy —— 用扩散模型生成动作,当下的热门范式
• ACT（ALOHA 那篇）—— 低成本高精度操作
• OpenVLA 等 VLA 模型 —— 视觉-语言-动作一体化

这条线的设计逻辑是:Transformer 是发动机,视觉和扩散是感官和手脚,强化/模仿是大脑,最后在具身智能里把它们拼成一个完整的机器人。
让我们拭目以待吧