于是，具身智能越来越火（新华网置顶推荐）。VLA、机器人数据、模仿学习、强化学习……各种技术名词进入视野，机器人作品也一个比一个惊艳。

对程序员来说，「具身智能」意味着什么？

具身智能这个赛道，特别值得软件开发者关注。如果你已经做过 LLM 应用、后端平台或者机器学习，其实并不需要把过去几年积累的东西全部推倒重来。

你熟悉的 Tool Schema，可以对应到机器人的 observation / action；Trace 的思路，可以迁移到 episode 日志；Eval，可以变成固定协议下的闭环测试；Guardrail，也可以落到限幅、急停和人工接管。

换句话说，你熟悉的 Agent 工程能力，现在有了一个新的转型方向。

过去，我们让 Agent 在屏幕里调用工具、操作软件；现在，它开始进一步感知环境、规划任务，再把决策变成真实世界里的动作。

所以程序员进入具身智能，并不是从零开始。真正需要补上的，是机器人这一侧的工程直觉：数据怎么采、动作怎么定义、真机怎么调、失败怎么定位，以及怎样证明一次实验真的有效。

这段距离，正是《具身智能从原理到真机实战》想带你走完的。课程由 Leo 老师主讲。他是某大厂 AI 大模型应用负责人，有 16 年软件工程经验，做过企业级智能体平台。接触具身智能后，他开始使用机械臂做演练、跑模型，完成了软件 Agent 转型具身智能开发的过程。

课程今天刚上线，立减 ¥30

扫码免费试读

课程主要讲什么？

从“模型能训练”到“机器人能稳定完成任务”，要补哪些知识、留下哪些证据，怎样排查失败，这个过程中存在一条高效的能力迁移路径，这门课分享的就是这条路径。课程共 23 讲，分成 5 个模块，从原理一路走到真机。

原理底座篇先回答“为什么”。你会用 MDP 看懂感知、决策和执行，分清模仿学习、强化学习与 VLA 的边界，再沿着协变量偏移理解单帧 BC 为什么一进闭环就容易崩，以及 ACT、Diffusion、Flow Matching 三类动作头分别在解决什么问题。

数据平台篇处理最容易被低估的一层。你会从一帧数据出发，读懂 LeRobot Dataset v3 的 Parquet、MP4、metadata 和 stats，随后把采集纪律、质检、加工、打标、轨迹还原与失败补采接成数据飞轮。你不只会“录数据”，还会判断一批数据为什么值得训练。

LeRobot 框架实践篇进入模型。先沿数据流和 processor 合同排查真机乱动，再建立 ACT 基线。随后再做 Diffusion 的公平对照和 SmolVLA 的参数高效微调，判断什么时候该换模型，什么时候应先修数据和执行链路。

真机机械臂篇把策略接到 SO-101。从电机、总线、标定和相机建立硬件心智模型，依次通过连通、安全、小步运动、遥操作、采集、回放、训练和评测。这里不会把真机当作最后一讲的彩蛋，安装、校准、遥操作和失败诊断本身就是主线。

工程交付篇把前面的能力组装起来。大模型提出计划，技能层限定任务范围，ACT 或 VLA 生成连续动作，再逐项接入限幅、停止、接管和运行记录。最终交付一份可用于面试求职的具身 Agent 作品集。

课程里有一个细节，我觉得很值得强调：出现数字，就要说清楚它从哪里来。

比如 30 次实验成功 29 次，可以算出 96.7%；但如果拿不出完整的 30 次实验记录，这个数字就不能被当作真机成绩。看起来有点较真，却恰恰是 Demo 和真正作品集之间的区别。

你最终留下来的，不只是一个“机械臂成功抓取”的练习，而是一套可以回放的数据、一组可复现的模型和实验记录，以及一份包含成功与失败的评测结果。

过去，程序员写下的代码，大多运行在服务器和屏幕里。现在，Agent 正在一点点走出去，开始控制摄像头、机械臂以及更多硬件设备。随之而来的，也不只是一个新的技术方向，而是一层新的工程问题：怎么让 AI 在真实世界里稳定地工作。

如果你想详细了解课程安排，可以放大看一下目录👇

写在最后

对于已经有 Agent、机器学习或软件工程经验的人来说，这或许正是值得关注具身智能的原因——你不必推倒重来，而是可以把已经掌握的东西，继续向真实世界延伸。

如果你也想亲手把一个 Agent 从代码里“搬”到真实世界，可以从一台低成本机械臂开始，完整跑通第一条可信的闭环。

早鸟价 69 元 · 9 月 16 日正式上线

扫码立即订阅 👆