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 NeedTransformer—— 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)ViTVision 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 ModelsDDPM—— 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ACTALOHA 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