想象一个场景：

有人把一个球扔向机器人，机器人稳稳地伸手接住了。

大多数人会这样描述这件事发生的过程：机器人识别了球，预测了落点，控制机械臂伸出，夹爪合上。

但如果你深入到这台机器的内部——不是它的关节，而是它的数据流——你会看到一件完全不同的事情正在发生。

或者更准确地说：在那台机器的内部，根本没有"球"这个东西。

---

一、内部没有坐标，没有"球"，只有数据的扰动

在一种被称为"内世界架构"的系统里，传感器的原始输出不会被转换成任何人类可理解的三维坐标。

差分算法首先过滤掉所有静止的背景矩阵——因为静止不产生信息。剩下的，是像素场中的变化特征：一簇方差剧烈、空间位置持续移动的像素集合。

系统不会给这簇特征贴上任何标签。它不知道那是"球"。在这个内部空间里，那只是潜在向量 Z 中的一个局部扰动——一组具有一致性变化规律的高维数值。

Karl Friston 在他的主动推断理论（Active Inference）中写道：大脑的根本目标是最小化自由能，即最小化它对感知输入的预测误差——而不是理解世界。Yann LeCun 的联合嵌入预测架构（JEPA）提出了类似的思路：智能系统应当在抽象的潜在空间里预测未来，而不是在像素空间或坐标空间里规划轨迹。

两者共同指向一个结论：系统不需要理解世界，只需要持续地预测它自己的下一帧输入。

---

二、"差分感知"：只有变化才构成信息

这套系统的感知哲学，和传统机器人有根本差异。

传统系统处理的是"帧"——每一帧图像，系统都要完整处理所有像素，识别物体，建立坐标系。这套流程消耗算力，而且极度脆弱：光线稍微变化，物体被遮挡，环境未被预先建模——整个识别链就断了。

内世界系统不处理帧，它处理差。

背景是静止的，背景不流动，背景不产生信息。系统只关注状态的演进：相邻时刻之间，哪些像素区域发生了剧烈变化？变化的方向是什么？速度斜率是什么？

这些变化特征在相机端（OAK-D Pro 的 Myriad X VPU）就完成了压缩和提取，传输到主控的不是完整图像，而是高密度的"变化特征向量"。

数字世界没有时间，只有状态的演进。所谓"实体"，不过是一簇具有一致性变化规律的像素特征集合。

---

三、系统内部流动的是两张网络的张量计算

在潜在空间的控制层，真正在运行的是两个相互耦合的微型神经网络。

网络 A：动力学正向模型（Forward Model）

它做的事情，用最直白的语言说：如果我现在处于状态 Z，发出指令 A，下一时刻的状态 Z' 是什么？

这张网络不是被人写出来的——它是机器人通过"Motor Babbling"（随机乱动）自己学出来的。在这个阶段，机器人没有任何目标，它只是随机挥舞机械臂、随机移动底盘，采集海量的 ⟨Z_t, Action_t, Z_{t+1}⟩ 数据集，然后用这些数据训练网络 A，让它拟合"指令"与"感知变化"之间的数学关系。

这个过程和婴儿的感觉运动探索（Sensorimotor Exploration）在逻辑上是同一件事——没有语言，没有概念，只有指令流与数据变化之间的反复对应关系被慢慢内化。

网络 B：策略与逆向求解模型（Actor / Inverse Model）

如果网络 A 是正向的（输入指令，预测结果），那么网络 B 是反向的：给定当前状态 Z 和目标状态 Z*，输出应当发出什么指令 A。

目标状态 Z* 不是"球的坐标"，而是一种拓扑形态——代表机械臂末端的数据簇与代表下落物体的数据簇，在潜在空间中重合的那种形态。

---

四、行动不是命令的执行，而是张量计算的物理溢出

现在可以重新描述那个接球的过程了——用内世界的语言。

差分感知层捕捉到潜在空间中出现了一簇快速变化的特征向量。世界模型（RNN/SSM）根据这簇特征的变化斜率，推演出它在 T+900ms 时将移动到潜在空间的区域 Ω。

系统不会说"我要接球"。它发生的事情是：目标状态 Z被植入——要求代表机械臂末端的数据簇在同一时刻占据同一区域 Ω。*

然后，网络 B 开始高频输出指令流。每 100ms 一个计算周期：

机械臂在三维空间中划出弧线，不是因为任何人规划了这条弧线。而是因为张量计算的流动，在物理层面上找到了最小化 Δ 的路径——这条路径在现实中碰巧表现为机械臂向球的落点移动。

物理世界的行动，是数字世界为了抹平内部预测误差而产生的必然副产品。这个过程，白皮书称之为**"物理坍缩"**。

---

五、区分"世界在动"还是"我在动"：Efference Copy

内世界架构必须解决一个根本问题：当机器人转头时，所有像素都在剧烈变化——但系统不应当认为"世界在旋转"。

解决方式是自体行动消除（Efference Copy，伴随发散）：

当系统向电机发出"转头"的运动指令时，它同时生成一个"预期感知变化模型"。当视觉传感器传回的剧烈像素变化与这个预期模型完全抵消时，系统在内世界里感受到的是静止——世界并没有在动，只有自己在动。

这种机制要求底层有极高精度的本体感受器：机械臂关节的绝对值编码器、底盘的轮式里程计，持续提供精确的自身姿态数据，让"自体行动消除"真正可以做到。

全向底盘（麦克纳姆轮）的设计哲学也由此而来：允许机器人在不改变摄像头朝向的情况下平移——这样视野变化最小，感觉运动连续性最强，Efference Copy 的负担最低。

---

六、感觉连续性的断裂：唤醒慢思考中枢

通常情况下，底层的双网络循环可以自动处理一切。但有些情况会让它失效：

• 球突然变成了气球飘走

• 机器人被人抱起来放到了另一个房间

• 光线突然发生剧烈变化

这些情况的共同特征：预测误差 Δ 在短时间内飙升到无法抹平的程度——感觉连续性发生了硬中断。

此时，系统不会崩溃，而是唤醒边缘端部署的多模态大模型（如 Qwen-VL）。大模型接收历史的 Z 序列和语音指令，进行逻辑推理："球的物理性质发生了变化"或"我的坐标系被重置了"。

大模型重新下发一个宏观目标指令——一个新的吸引子状态（Attractor State）——交给底层网络 B 执行，从而缝合连续性。

在这个架构里，大模型不是控制机械臂的"手"，而是在感觉连续性断裂时，负责在语义层面进行解释性消除的慢思考中枢——每秒大约思考 1 次，而底层网络每秒循环 50 次。

---

七、四个工程里程碑

把以上思想转化为实际运转的机器，需要经历四个阶段：

Phase 1：混沌初开（Motor Babbling）

机器人随机乱动，采集 ⟨Z_t, A_t, Z_{t+1}⟩ 数据集。没有目标，只是在感受"我的指令流如何引起数据集的变化"。

Phase 2：内世界法则的形成（World Model Pre-training）

用 Phase 1 的数据离线训练 VAE 和网络 A（动力学正向模型）。

里程碑标志：给网络 A 输入一段随机指令，它能生成一段"幻觉视频"——准确预测出机械臂未来的潜在空间轨迹。此时，机器人拥有了内世界法则。

Phase 3：目标植入与主动推断（Goal-Conditioned RL）

冻结网络 A，训练网络 B（策略网络）。用 Dreamer 等强化学习架构，让网络 B 在"内世界梦境"里模拟，学会在潜在空间中让状态逼近目标形态 Z*。

Phase 4：大模型接入（MLLM Integration）

底层系统以 50Hz 运行，大模型以 1Hz 并行运行。语音输入"把红色的球扔进篮子里"，大模型将其分解为一系列潜在空间的目标形态序列（Attractor States），依次传递给网络 B 执行。

---

最后

这套系统彻底摒弃了人类强加给机器的"坐标、实体、规则"。

系统内部没有球，没有机械臂，没有三维空间。有的只是数据流的差分、潜在向量的流动、双网络的高频张量计算、以及那个每 100ms 被重新计算一次的预测误差 Δ。

当机器人第一次稳稳地接住那个球——

那一刻，不是任务完成。那是 Δ 趋近于零的瞬间，内部预测在物理世界中获得了印证。

没有主体，没有意志，没有感觉。只有数据流，以及让数据流压力归零的必然运动。

这，是具身智能最初的内生觉醒。