感知—思考—行动：一台具身系统的三件套

前情提要：上接系列第 3 篇《莫拉维克悖论：为什么走路比下棋难》。那一篇讲了一个反直觉的事实——让机器下赢围棋不难，让机器稳稳走两步路却难得多；难就难在"身体技能"：感知、平衡、发力这些靠身体完成的事，恰恰是人工智能最不擅长的地方。本篇不再纠结"为什么难"，而是给你一张总地图：把任何一台具身系统都拆成感知、思考、行动三块，后面每一篇，都只是把其中一块放大细看。

一、拆开一台机器人，里面其实很朴素

很多人觉得具身智能（能看能想能动手的 AI）很神秘，好像肚子里塞满了黑科技。其实你把它拆开，最核心的零件就三样，跟人没什么两样：

• 感知：它靠各种传感器"看"和"摸"世界，相当于眼睛、耳朵、皮肤。
• 思考：它用算法和模型决定"下一步该干嘛"，相当于大脑。
• 行动：它靠电机、关节、轮子去"动"，相当于手和脚。

别被花哨的外形骗了。无论是一台扫地机器人、一只机械臂，还是波士顿动力会翻跟头的机器狗，本质上都是"感知—思考—行动"这三件套在反复循环。理解这三块，你就拿到了理解整门学科的钥匙。

二、感知：机器人靠什么"看"世界

感知模块解决的是一句话："现在外面是什么情况？"

人的眼睛看见光，皮肤感到温度和压力，耳朵听见声音。机器人没有生物感官，就用电子元件来代替：

• 相机代替眼睛，把画面变成数字图像；
• 激光雷达、深度相机代替距离感，测出"前面那面墙离我半米"；
• 力矩、触觉传感器代替皮肤，知道"我抓这个杯子用了多大劲"；
• 麦克风代替耳朵，听懂人说话或识别环境声音。

但感知不只是"装个相机"那么简单。原始数据是一片噪点、模糊、抖动的混乱，得经过一整套处理，机器才可能"看懂"——比如认出那是把椅子而不是一团黑影。这部分我们会在后面专门讲"看世界"的那一篇展开。

三、思考：藏在身体里做决定的"大脑"

光看清楚还不够，机器得知道"看清了之后怎么办"。这就是思考模块的职责：把感知到的信息，变成下一步的行动方案。

你可以把它理解成司机的大脑：眼睛看到红灯（感知），大脑判断"该刹车"（思考），脚踩下去（行动）。在具身系统里，这个"大脑"可能是：

• 一套写死的规则（"看到障碍就停下"）；
• 一个训练出来的模型（从海量经验里学会"这种情况该怎么做"）；
• 现在最火的"具身大模型"——让会聊天的大语言模型来指挥身体。

思考模块的任务是做选择：往左还是往右？抓还是不抓？用多大力？想得对不对，直接决定机器人是灵活聪明的伙伴，还是撞墙的傻大个。

四、行动：让身体真正动起来的执行器

想好了不去做，等于零。行动模块就是把"想法"变成真实物理动作的那一半，靠的是执行器：

• 电机和关节让机械臂弯曲、让机器狗迈腿；
• 轮子让底盘移动；
• 夹爪、吸盘让手去抓、去放。

行动的关键难点在于"力度和精度"。人随手拿个鸡蛋不会捏碎，机器人却常常一抓就碎——因为它既感知不到"多轻"，也控制不好"多柔"。行动不是开关灯那样非 0 即 1，而是要在连续的力量与位置上反复微调。

五、三者怎么连成一个闭环

单独的感知、思考、行动都谈不上智能，真正的魔法发生在它们循环起来的时候：

看一遍这个环：机器人先用传感器感知到"前面有墙"；思考模块判断"得绕开"；行动模块转动轮子拐弯；拐完弯，传感器又感知到新环境——于是下一轮思考、行动再次启动。一次动错不要紧，只要这个环一直转，机器就能在不断试错里越做越好。后面我们讲"学习行动"和"世界模型"时，说的其实就是怎么把这一圈转得更聪明。

六、本篇是后面所有文章的地图

你说，这一篇信息量好像也不小？别急，它真正的身份是地图。后面我们会沿着这三块，一层一层往下钻：

• 感知（看世界）：专门讲相机、雷达怎么把物理世界变成机器能读的数据，也就是刚才说的"看懂椅子"。
• 世界模型（在脑中演练）：讲思考模块怎么在动手之前，先在脑子里模拟"如果我这么做会怎样"，少撞几次墙。
• 学习行动（怎么学会动）：讲机器怎么从一次次的感知—思考—行动闭环里，慢慢练出稳准狠的身体本领。
• 具身大模型（让大模型指挥身体）：讲我们熟悉的语言大模型，怎样从"动嘴"升级到"动手"，成为真正能指挥身体的大脑。
• 硬件（身体本身）：回头看行动那一块，讲电机、关节、材料这些"身体零件"是怎么被造出来的。
• 应用与未来：把三件套合起来，看具身智能会在工厂、家庭、医院里变成什么样子。

所以记住一句话：所有具身系统，都是"看清楚—想明白—动起来"的循环。后面每一篇，不过是把这块或那块拆开给你看个够。

七、合上地图，我们出发

讲到这儿，你已经有了整张蓝图。与其在总览里越说越细，不如挑最贴近直觉的一块先钻进去。

下一篇《机器人怎样"看"世界：相机与视觉管线入门》：你会看到，机器人的"眼睛"和你的眼睛完全不同——它没有瞳孔和晶状体，只有一排会数光的像素点。我们会从一张照片是怎么被相机变成数字网格讲起，一路走到机器如何识别"这是椅子、那是人"，把感知这块彻底讲透。准备好了，就从"看"开始。

读后小测

3 句话复述

1. 任何具身系统都能拆成感知、思考、行动三块，分别对应看世界、做决定、动身体。 2. 三块不是各干各的，而是感知交给思考、思考指挥行动、行动改变世界后又被感知，形成一个不停转动的闭环。 3. 本篇是整张地图，后面每篇文章只是把感知、世界模型、学习行动、具身大模型、硬件、应用中的某一块放大细看。

1 件动手小事

找一样家里的小东西（比如一个纸杯），闭上眼睛，只用一只手去拿起它再轻轻放下，全程不要偷看。你会立刻体会到"行动"有多依赖"感知"——看不见时，你的手指会不停试探杯壁的软硬、位置和轻重，这就是你身体里那个感知—思考—行动闭环在高速运转。睁开眼再试一次，对比两次用力的差别，你就能直观感受到机器人"看清楚"和"摸黑动"之间隔着多大一条沟。