Malik 三层拆解机器人操作：语言模型停在顶层，卡在力与扭矩

le_james94 · x · 2026-10-13

lejames94 系列首帖：Jitendra Malik 在 ETH 具身智能讲座中把机器人操纵分为三层，各以一位思想家命名——目标与计划（亚里士多德，如「我想做个煎蛋卷」，语言模型就活在这层）、轨迹（欧几里得，同一动词 pickup 在糖块与重托盘上的动作毫无相似）、力与扭矩（牛顿，握力/摩擦/重力/接触，真正的硬骨头）。

结论：语言模型能写出煎蛋食谱，但机器人卡在下两层——打蛋要在不同地点、物体与杂物环境下做到 99.99% 成功。配图还给出三大机器人问题现状：导航接近解决（GOAT 在 9 个陌生家庭 83% 成功）、运动快速推进（VideoMimic：人类视频→仿真→真机）、操纵仍然大开放（需要多指手与触觉）。