Charles's Castle

这篇文章只回答一个问题：为什么视觉模型曾经长期依赖卷积，以及卷积到今天仍然是理解 U-Net、扩散模型、视觉编码器和机器人感知的基础。 图像不是一串彼此无关的数字。相邻像素通常属于同一条边缘、同一个纹理或同一个物体部件；同一种局部模式也可能出现在画面的任何位置。卷积正是把这两个假设写进网络结构： 局部连接 让模型先看附

这篇文章只回答一个问题：为什么训练一个模型时，显存不只是装下权重就够了。 推理只要把输入一路算到输出。训练不同，它还要知道“每个参数应该往哪边改”。这意味着框架不仅要执行 forward，还要为 backward 留下足够的信息：哪些算子参与了计算、哪些张量在反向公式里会被再次用到、梯度要累积到哪些参数上。自动微分让这

具身智能不是某一个模型名字，而是一套闭环系统。VLA、world model、WAM、planner、controller、safety filter 和 data engine 各负责一部分；把它们混成“一个大模型”会让系统边界和失败归因都变得模糊。 这页只回答一个问题：这些模块分别负责什么，彼此怎么接。 一条闭环链

VLA 不是“给机器人接一个大 VLM”这么简单。真正难的是把视觉、语言、机器人状态、动作、接触、任务进度和失败原因记录到同一条时间轴上。否则模型看起来在学动作，实际只是在拟合不同数据源之间的噪声。 这页只回答一个问题：机器人 VLA 数据该怎样组织，才足够支撑动作学习、世界模型训练和闭环评测。 图源：Wikimedi

具身智能不是单一任务，而是一整套任务族谱。把机械臂抓取、移动机器人导航、家庭服务、工业装配、人机协作都放在一起时，很容易陷入一种错觉：只要有一个统一模型，问题就算被解决了。实际上，不同任务对感知、记忆、规划、控制、安全与数据的要求差异极大。理解这些差异，是选择 Benchmark、设计训练数据和解释实验结果的前提。 任

Sim2Real 不是把仿真画面调得像照片。真实机器人失败时，问题往往不是“照片不像”，而是夹爪摩擦不对、透明包装反光、相机外参漂了、桌面被遮挡、控制器延迟、物体比仿真更软、或者人突然把目标物挪走。 这篇只回答一个问题： 怎样让仿真、真实日志和评测 hard set 形成闭环，让每轮真实失败都变成下一轮训练资产？ 结论

这篇回答的问题。 如何理解“Rerun”背后的核心机制、适用边界和下一步阅读路径。 Rerun 不是一个 VLA 模型，也不是仿真器。它更像具身智能系统里的 黑盒飞行记录仪 + 可视化回放器 + 可查询数据层 ：把相机、深度、点云、机器人位姿、动作、文本、标量和模型输出放到同一条时间线上，让你能复盘“机器人到底在什么时

具身智能最容易被误解成“给机器人一个更聪明的大脑”。现实里，机器人失败常常不是因为它不会理解指令，而是因为它没有及时刹住、没有在几毫米误差内插进孔、没有在遮挡或接触变化时重新规划。 这页只回答一个问题：为什么 VLA/WAM 输出动作后，仍然需要 planner、controller 和 safety filter。

做具身智能数据引擎时，Isaac Sim、RoboTwin、planner 和 success checker 经常被放在同一个句子里讨论，但它们其实处在不同层级。先把分工摆清楚，后面才不会把“仿真平台”“任务组织”和“轨迹生成”混成一个工具。 它们不是同一层工具，不能横向比较。一个完整数据生成系统通常会把它们接起来。

具身智能一旦进入真实环境，就很少是“机器人单独干活”。它往往需要与人共享空间、共享任务，甚至共享决策。于是问题不再只是机器人能否完成动作，而是它能否让人愿意与它一起工作、信任它、理解它，并在必要时安全接管。人机协作与交互评测，正是把具身智能从纯控制问题提升为社会技术系统问题的关键环节。 图源：Physical Inte