1.1 具身智能 (Embodied AI)

^ V ^2026-05-10 14:12

1.1 具身智能 (Embodied AI)

具身智能的定义、发展历程、核心理念与研究意义

目录

1.1.1 定义与发展历程

具身智能的概念起源

什么是具身智能？

具身智能 (Embodied Artificial Intelligence, Embodied AI) 是指通过物理身体（机器人）与环境进行交互，从而获得智能行为的人工智能系统。与传统的"离身智能"(Disembodied AI) 不同，具身智能强调智能来源于身体与环境的交互。

核心定义：具身智能是一种能够通过传感器感知环境、通过执行器作用于环境、并在与环境的持续交互中学习和适应的智能系统。

概念的学术起源

具身智能的概念可以追溯到多个学科交叉：

学科领域 代表人物/理论 核心贡献
认知科学 Rodney Brooks (1986) "智慧需要身体" - 行为主义机器人学
哲学 Maurice Merleau-Ponty 具身现象学
心理学 James Gibson 生态光学理论、可供性(Affordance)
神经科学 Antonio Damasio 躯体标记假说

Rodney Brooks 在其经典论文 "Elephants Don't Play Chess" (1990) 中提出：

"The key to intelligence is not in abstract reasoning, but in the ability to interact with the world through a body."

（智能的关键不在于抽象推理，而在于通过身体与世界交互的能力。）

发展时间线
相关论文推荐
  1. Brooks, R. A. (1991) . "Intelligence Without Representation" - MIT AI Lab
  2. Pfeifer, R., & Scheier, C. (1999). "Understanding Intelligence" - MIT Press
  3. Duan, J., et al. (2024) . "A Survey on Embodied AI" - arXiv

从符号AI到具身AI的范式转变

AI发展范式的演进

人工智能的发展经历了多次范式转变：

范式对比详解
维度 符号主义 AI 连接主义 AI 具身智能
知识表示 显式符号、规则 隐式权重、分布式表示 感知-行动经验
学习方式 人工设计规则 数据驱动学习 交互中学习
智能来源 逻辑推理 模式识别 身体-环境交互
与环境关系 隔离、抽象 数据接口 物理嵌入、实时交互
典型系统 专家系统、定理证明器 图像分类、语言模型 机器人、自动驾驶
局限性 脆弱、难以扩展 缺乏常识、无物理理解 数据稀缺、硬件限制
范式转变的动因

1. Moravec悖论的启示

Hans Moravec 在1988年提出著名的悖论：

"计算机在执行高级推理任务时表现出色，但在执行低级感知运动任务时却很困难。"

启示：真正的智能需要处理物理世界的复杂性，这推动了具身智能的发展。

2. 大模型的能力瓶颈

GPT-4等大语言模型展现出强大的语言理解和推理能力，但存在明显局限：

  • ❌ 无法理解物理常识（如"杯子掉落会碎"）
  • ❌ 无法在物理世界中执行任务
  • ❌ 缺乏空间推理和因果理解

解决方案：将大模型与物理身体结合，形成具身智能系统。

具身智能与传统AI的区别

核心差异对比
特性 传统AI (离身智能) 具身智能
存在形式 纯软件系统，无物理身体 软硬件结合，具有物理身体
交互方式 数据输入输出 感知-行动循环
学习来源 静态数据集 环境交互经验
目标导向 任务特定优化 生存与适应
错误代价 可修正、低风险 物理损坏、安全风险
泛化能力 数据分布内泛化 跨环境、跨任务泛化
架构对比图
数学形式化

传统AI的学习目标 ：
min ⁡ θ E ( x , y ) ∼ D [ L ( f θ ( x ) , y ) ] \min_{\theta} \mathbb{E}{(x,y) \sim \mathcal{D}} \left[ \mathcal{L}(f\theta(x), y) \right] θminE(x,y)∼D[L(fθ(x),y)]

其中 D \mathcal{D} D 是静态数据集， f θ f_\theta fθ 是神经网络， L \mathcal{L} L 是损失函数。

具身智能的学习目标 ：
max ⁡ π E τ ∼ π [ ∑ t = 0 T γ t r ( s t , a t ) ] \max_{\pi} \mathbb{E}{\tau \sim \pi} \left[ \sum{t=0}^{T} \gamma^t r(s_t, a_t) \right] πmaxEτ∼π[t=0∑Tγtr(st,at)]

其中 π \pi π 是策略， τ = ( s 0 , a 0 , s 1 , a 1 , ... ) \tau = (s_0, a_0, s_1, a_1, \ldots) τ=(s0,a0,s1,a1,...) 是轨迹， s t s_t st 是状态， a t a_t at 是动作， r r r 是奖励函数。

关键区别在于：具身智能需要在交互中学习，状态分布由策略本身决定，形成循环依赖。

代码示例：感知-行动循环
python 复制代码 
class EmbodiedAgent:
    """具身智能体的基本框架"""
    
    def __init__(self, sensors, actuators, policy_network):
        self.sensors = sensors          # 传感器 (相机、触觉等)
        self.actuators = actuators      # 执行器 (机械臂、轮子等)
        self.policy = policy_network    # 策略网络
        self.memory = []                # 经验记忆
        
    def perceive(self):
        """感知环境状态"""
        observations = {}
        for name, sensor in self.sensors.items():
            observations[name] = sensor.read()
        return observations
    
    def decide(self, observations):
        """决策：基于观测选择动作"""
        # 结合记忆进行决策
        state = self._fuse_observations(observations)
        action = self.policy(state)
        return action
    
    def act(self, action):
        """执行动作"""
        for name, actuator in self.actuators.items():
            actuator.execute(action[name])
    
    def learn(self, experience):
        """从交互中学习"""
        self.memory.append(experience)
        # 强化学习更新
        self.policy.update(experience)
    
    def step(self):
        """感知-决策-行动 循环"""
        # 1. 感知
        obs = self.perceive()
        
        # 2. 决策
        action = self.decide(obs)
        
        # 3. 行动
        self.act(action)
        
        # 4. 获取反馈并学习
        reward, next_obs, done = self.get_feedback()
        self.learn((obs, action, reward, next_obs, done))
        
        return done

1.1.2 核心理念

感知-决策-行动闭环

核心概念

感知-决策-行动闭环 (Perception-Decision-Action Loop) 是具身智能的基本运行模式，描述了智能体与环境持续交互的循环过程。

数学描述

感知-决策-行动闭环可以用马尔可夫决策过程 (MDP) 形式化：

MDP = ( S , A , T , R , γ ) \text{MDP} = (\mathcal{S}, \mathcal{A}, \mathcal{T}, \mathcal{R}, \gamma) MDP=(S,A,T,R,γ)

其中：

  • S \mathcal{S} S：状态空间 (环境所有可能状态)
  • A \mathcal{A} A：动作空间 (智能体可执行动作)
  • T : S × A → S \mathcal{T}: \mathcal{S} \times \mathcal{A} \rightarrow \mathcal{S} T:S×A→S：状态转移函数
  • R : S × A → R \mathcal{R}: \mathcal{S} \times \mathcal{A} \rightarrow \mathbb{R} R:S×A→R：奖励函数
  • γ \gamma γ：折扣因子

闭环动力学：

s t + 1 ∼ P ( s t + 1 ∣ s t , a t ) s_{t+1} \sim P(s_{t+1} | s_t, a_t) st+1∼P(st+1∣st,at)
a t ∼ π ( a t ∣ s t ) a_t \sim \pi(a_t | s_t) at∼π(at∣st)
r t = R ( s t , a t ) r_t = R(s_t, a_t) rt=R(st,at)

各组件详解

1. 感知 (Perception)

感知模块负责将原始传感器数据转换为有意义的状态表示：

z t = f ϕ ( sensor_data t ) z_t = f_\phi(\text{sensor\_data}_t) zt=fϕ(sensor_datat)

常见的感知模态：

感知模态 传感器 处理方法 输出表示
视觉 RGB相机、深度相机 CNN、ViT、SAM 图像特征、深度图
触觉 力传感器、触觉阵列 MLP、GNN 接触力、物体属性
听觉 麦克风阵列 音频编码器 声源定位、语音
本体感知 IMU、编码器 状态估计器 姿态、速度

代码示例：多模态感知融合

python 复制代码 
import torch
import torch.nn as nn

class MultimodalPerception(nn.Module):
    """多模态感知融合模块"""
    
    def __init__(self, 
                 visual_dim=512, 
                 tactile_dim=128, 
                 proprioceptive_dim=64,
                 fusion_dim=256):
        super().__init__()
        
        # 视觉编码器 (基于预训练的视觉模型)
        self.visual_encoder = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3),
            nn.ReLU(),
            nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1),
            nn.ReLU(),
            nn.AdaptiveAvgPool2d((1, 1)),
            nn.Flatten(),
            nn.Linear(128, visual_dim)
        )
        
        # 触觉编码器
        self.tactile_encoder = nn.Sequential(
            nn.Linear(100, 64),  # 假设触觉传感器有100个通道
            nn.ReLU(),
            nn.Linear(64, tactile_dim)
        )
        
        # 本体感知编码器 (关节角度、速度等)
        self.proprioceptive_encoder = nn.Sequential(
            nn.Linear(20, 32),  # 假设有20个关节状态
            nn.ReLU(),
            nn.Linear(32, proprioceptive_dim)
        )
        
        # 多模态融合
        self.fusion = nn.Sequential(
            nn.Linear(visual_dim + tactile_dim + proprioceptive_dim, 256),
            nn.ReLU(),
            nn.Linear(256, fusion_dim)
        )
        
    def forward(self, visual_input, tactile_input, proprioceptive_input):
        """融合多模态感知"""
        # 编码各模态
        v_features = self.visual_encoder(visual_input)
        t_features = self.tactile_encoder(tactile_input)
        p_features = self.proprioceptive_encoder(proprioceptive_input)
        
        # 拼接并融合
        combined = torch.cat([v_features, t_features, p_features], dim=-1)
        fused_state = self.fusion(combined)
        
        return fused_state

2. 决策 (Decision)

决策模块基于当前状态选择最优动作：

a t ∗ = arg ⁡ max ⁡ a Q ( s t , a ) a_t^* = \arg\max_a Q(s_t, a) at∗=argamaxQ(st,a)

决策方法分类：

3. 行动 (Action)

行动模块将决策转换为物理世界的具体操作：

τ ( t ) = g ( a t , robot_state ) \tau(t) = g(a_t, \text{robot\_state}) τ(t)=g(at,robot_state)

行动类型：

行动类型 描述 示例
离散动作 预定义的有限动作集合 移动方向(上/下/左/右)
连续动作 连续值动作空间 关节角度、速度
参数化动作 动作类型+参数 抓取(位置, 姿态, 力度)
层次化动作 高层任务→低层执行 "打开门"→导航→抓取→转动

具身认知理论

理论基础

具身认知 (Embodied Cognition) 是认知科学的核心理论，认为认知不仅发生在大脑中，而是身体、环境和大脑三者共同作用的结果。

具身认知的四个核心假设
假设 内容 具身智能启示
概念化假设 机体概念依赖身体结构 机器人的形态影响其认知
替代假设 认知过程中身体参与计算 传感器-执行器耦合设计
构成假设 认知延伸到环境 利用环境作为计算资源
时间动力学假设 认知在实时交互中发生 在线学习能力
可供性理论

可供性 (Affordance) 由心理学家 James Gibson 提出，是具身认知的核心概念：

定义：可供性是环境相对于智能体的行为可能性，它既取决于环境的物理属性，也取决于智能体的能力。

可供性的数学描述：

Affordance ( o , a ) = { ( b i , c i ) ∣ agent a can perform b i on object o with condition c i } \text{Affordance}(o, a) = \{(b_i, c_i) | \text{agent } a \text{ can perform } b_i \text{ on object } o \text{ with condition } c_i\} Affordance(o,a)={(bi,ci)∣agent a can perform bi on object o with condition ci}

代码示例：可供性检测网络

python 复制代码 
class AffordanceDetector(nn.Module):
    """可供性检测网络：预测物体相对于机器人的行为可能性"""
    
    def __init__(self, object_encoder, robot_encoder, num_affordances=10):
        super().__init__()
        
        self.object_encoder = object_encoder  # 物体特征编码器
        self.robot_encoder = robot_encoder    # 机器人能力编码器
        
        # 可供性预测头
        self.affordance_head = nn.Sequential(
            nn.Linear(object_encoder.dim + robot_encoder.dim, 256),
            nn.ReLU(),
            nn.Linear(256, num_affordances),
            nn.Sigmoid()  # 二分类：是否具有该可供性
        )
        
        # 可供性条件预测（执行条件）
        self.condition_head = nn.Sequential(
            nn.Linear(object_encoder.dim + robot_encoder.dim, 256),
            nn.ReLU(),
            nn.Linear(256, num_affordances * 4)  # 4个条件参数
        )
        
    def forward(self, object_obs, robot_state):
        """
        Args:
            object_obs: 物体观测 (点云、图像等)
            robot_state: 机器人状态 (能力、姿态等)
        Returns:
            affordances: 可供性概率
            conditions: 执行条件参数
        """
        obj_features = self.object_encoder(object_obs)
        robot_features = self.robot_encoder(robot_state)
        
        combined = torch.cat([obj_features, robot_features], dim=-1)
        
        affordances = self.affordance_head(combined)
        conditions = self.condition_head(combined)
        
        return affordances, conditions
    
    def get_available_actions(self, object_obs, robot_state, threshold=0.5):
        """获取可执行的动作列表"""
        affordances, conditions = self.forward(object_obs, robot_state)
        available = (affordances > threshold).nonzero()
        return [(a.item(), conditions[a.item()]) for a in available]

身体-环境交互的重要性

为什么身体-环境交互至关重要？

1. 智能的涌现

智能不是预先编程的，而是在与环境的交互中涌现 出来的。这被称为涌现智能 (Emergent Intelligence)。

2. 学习效率

通过与环境的交互，智能体可以获得即时反馈，比从静态数据集中学习更高效：

交互学习效率 ∝ 信息增益 交互成本 \text{交互学习效率} \propto \frac{\text{信息增益}}{\text{交互成本}} 交互学习效率∝交互成本信息增益

主动学习示例：智能体可以主动探索不确定的区域，获得更多信息。

3. 泛化能力

身体-环境交互提供了多模态、多任务的学习机会：

泛化能力 = f ( 交互多样性 , 任务相关性 , 适应速度 ) \text{泛化能力} = f(\text{交互多样性}, \text{任务相关性}, \text{适应速度}) 泛化能力=f(交互多样性,任务相关性,适应速度)

Sim-to-Real：交互学习的挑战与解决方案

由于真实世界交互成本高、风险大，通常需要在仿真环境中训练，然后迁移到真实世界。

代码示例：域随机化

python 复制代码 
import numpy as np
from dataclasses import dataclass

@dataclass
class DomainRandomizationConfig:
    """域随机化配置：在仿真中随机化各种参数以增强泛化能力"""
    
    # 物理参数随机化
    mass_range: tuple = (0.8, 1.2)      # 物体质量随机范围
    friction_range: tuple = (0.5, 1.5)   # 摩擦系数随机范围
    
    # 视觉参数随机化
    lighting_range: tuple = (0.3, 1.0)   # 光照强度
    color_jitter: float = 0.1           # 颜色抖动
    texture_randomize: bool = True       # 纹理随机化
    
    # 动力学参数随机化
    action_noise: float = 0.05           # 动作噪声
    observation_noise: float = 0.02      # 观测噪声

class DomainRandomizer:
    """域随机化器：在仿真训练时随机化环境参数"""
    
    def __init__(self, config: DomainRandomizationConfig):
        self.config = config
    
    def randomize_physics(self, object_props):
        """随机化物理参数"""
        randomized = object_props.copy()
        
        # 随机化质量
        randomized['mass'] *= np.random.uniform(*self.config.mass_range)
        
        # 随机化摩擦系数
        randomized['friction'] *= np.random.uniform(*self.config.friction_range)
        
        return randomized
    
    def randomize_visuals(self, image):
        """随机化视觉参数"""
        # 光照变化
        lighting = np.random.uniform(*self.config.lighting_range)
        image = image * lighting
        
        # 颜色抖动
        if self.config.color_jitter > 0:
            noise = np.random.randn(*image.shape) * self.config.color_jitter
            image = np.clip(image + noise, 0, 1)
        
        return image
    
    def add_noise_to_action(self, action):
        """添加动作噪声"""
        noise = np.random.randn(*action.shape) * self.config.action_noise
        return action + noise
    
    def add_noise_to_observation(self, observation):
        """添加观测噪声"""
        noise = np.random.randn(*observation.shape) * self.config.observation_noise
        return observation + noise

1.1.3 研究意义与应用价值

通用人工智能的必经之路

为什么具身智能是AGI的关键？

1. 物理常识的获取

真正的通用智能必须理解物理世界的基本规律：

物理常识 描述 具身学习的优势
重力 物体会下落 通过交互自然学习
碰撞 物体碰撞会反弹 主动探索学习
材质 软硬、轻重、粗糙光滑 触觉反馈学习
因果关系 推动导致移动 干预实验学习

2. 世界模型的构建

具身智能通过交互构建世界模型，这是AGI的核心能力：

世界模型 : s t + 1 = f ( s t , a t ) \text{世界模型}: s_{t+1} = f(s_t, a_t) 世界模型:st+1=f(st,at)

图灵奖得主Yann LeCun的观点：

"AI系统需要学习世界模型，而最好的方式是通过与世界的交互。具身智能是实现AGI的关键路径。"

3. 持续学习与适应

具身智能体能够在终身交互中持续学习：

θ t + 1 = θ t + α ∇ θ L ( s t , a t , r t , s t + 1 ) \theta_{t+1} = \theta_t + \alpha \nabla_\theta \mathcal{L}(s_t, a_t, r_t, s_{t+1}) θt+1=θt+α∇θL(st,at,rt,st+1)

这与人类的学习模式一致：学习即生存。

AGI时间线预测

工业自动化与机器人

应用场景
应用领域 具体场景 技术要求 代表产品
制造装配 零件装配、焊接、喷涂 高精度、高重复性 ABB、KUKA机械臂
物流仓储 分拣、码垛、搬运 动态环境适应 Amazon机器人
质量检测 缺陷检测、尺寸测量 视觉识别 工业视觉系统
柔性制造 多品种小批量生产 快速切换任务 自适应生产线
具身智能带来的变革
代码示例：工业机器人任务规划
python 复制代码 
class IndustrialRobotPlanner:
    """工业机器人任务规划器"""
    
    def __init__(self, robot_arm, vision_system):
        self.robot = robot_arm
        self.vision = vision_system
        self.world_model = WorldModel()
        
    def plan_assembly_task(self, task_specification):
        """规划装配任务"""
        # 1. 感知当前场景
        scene = self.vision.get_scene_point_cloud()
        objects = self.vision.detect_objects(scene)
        
        # 2. 理解任务目标
        goal_state = self.parse_task_goal(task_specification)
        
        # 3. 使用世界模型进行规划
        plan = self.world_model.plan(
            initial_state=objects,
            goal_state=goal_state,
            constraints=self.robot.get_constraints()
        )
        
        # 4. 生成轨迹
        trajectories = []
        for step in plan:
            traj = self.robot.generate_trajectory(
                start=step['start'],
                goal=step['goal'],
                obstacles=scene
            )
            trajectories.append(traj)
            
        return trajectories
    
    def execute_with_adaptation(self, trajectories):
        """带自适应的执行"""
        for traj in trajectories:
            for waypoint in traj:
                # 实时感知
                current_state = self.vision.get_current_state()
                
                # 检查是否需要调整
                if self.need_adaptation(current_state, waypoint):
                    # 在线重新规划
                    new_traj = self.replan(current_state, waypoint)
                    traj = self.merge_trajectories(traj, new_traj)
                
                # 执行
                self.robot.move_to(waypoint)
                
                # 获取反馈
                feedback = self.robot.get_feedback()
                self.world_model.update(feedback)

智能助手与服务机器人

应用场景分类

1. 家庭服务机器人

功能 描述 技术挑战
家务清洁 扫地、拖地、整理 复杂环境导航、物体识别
烹饪助手 食材准备、烹饪操作 精细操作、食谱理解
老人护理 监护、辅助移动、提醒 安全交互、情感支持
儿童陪伴 教育、娱乐、监护 个性化交互、安全约束

2. 商业服务机器人

代表性产品
产品 公司 功能 特点
Tesla Optimus Tesla 通用任务执行 大模型驱动、量产目标
Figure 01 Figure AI 工业与家庭服务 OpenAI合作、人形设计
Digit Agility Robotics 物流搬运 双足行走、商业化部署
Atlas Boston Dynamics 高动态运动 运动能力强、演示为主
Pepper SoftBank 商业接待 情感交互、已停产
CyberOne 小米 智能家居控制 小米生态整合
人机交互设计

具身智能服务机器人需要良好的人机交互能力：

python 复制代码 
class ServiceRobotHCI:
    """服务机器人人机交互模块"""
    
    def __init__(self):
        self.speech_recognizer = SpeechRecognizer()
        self.speech_synthesizer = SpeechSynthesizer()
        self.gesture_recognizer = GestureRecognizer()
        self.emotion_detector = EmotionDetector()
        self.dialog_manager = DialogManager()
        
    def interact(self):
        """主交互循环"""
        while True:
            # 多模态感知
            speech = self.speech_recognizer.listen()
            gesture = self.gesture_recognizer.detect()
            emotion = self.emotion_detector.detect()
            
            # 理解用户意图
            intent = self.dialog_manager.understand(
                speech=speech,
                gesture=gesture,
                emotion=emotion
            )
            
            # 生成响应
            response = self.dialog_manager.generate_response(intent)
            
            # 多模态输出
            self.speech_synthesizer.speak(response.text)
            self.display_expression(response.expression)
            self.execute_gesture(response.gesture)
            
            # 执行任务
            if intent.needs_action:
                self.execute_task(intent.action)

参考论文与资源

必读论文

  1. Brooks, R. A. (1991) . "Intelligence Without Representation" - MIT CSAIL

    • 具身智能的理论奠基之作

  2. Pfeifer, R., & Bongard, J. (2006). "How the Body Shapes the Way We Think" - MIT Press

    • 具身认知的全面介绍

  3. Duan, J., et al. (2024) . "A Survey on Embodied AI: Platforms, Datasets and Future Directions" - arXiv

    • 具身智能最新综述

  4. Brohan, A., et al. (2023) . "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control" - arXiv

    • 大模型驱动机器人的突破性工作

  5. Driess, D., et al. (2023) . "PaLM-E: An Embodied Multimodal Language Model" - arXiv

    • 多模态具身大模型

相关项目

  • Open X-Embodiment : GitHub - 开源机器人数据集
  • Isaac Sim : NVIDIA - 机器人仿真平台
  • Habitat : GitHub - 具身AI仿真平台
相关推荐
雪回1 小时前
基于 Stable Diffusion-WebUI 实现 LandPPT 本地模型绘图配置指南（SDWebUI ）
人工智能·深度学习·ai·ai作画·stable diffusion·ppt
薛定猫AI1 小时前
【深度解析】从 AI 超级应用到数字操作系统：基于大模型 API 构建可落地的 Agent 工作流
人工智能
captain_AIouo1 小时前
Captain AI以数据为核心，打造OZON智能决策引擎
大数据·人工智能·经验分享·aigc
ALINX技术博客2 小时前
AMD VU FPGA+NVIDIA Thor AI 超高性能异构平台 ALINX HEA13，支撑新一代边缘 AI 系统
人工智能·fpga开发
TENSORTEC腾视科技2 小时前
AI赋能 车行无忧｜腾视科技ES10终端，为车辆装上“智慧大脑”
人工智能·科技·ai·零售·无人叉车及智能调度系统解决方案
chatexcel2 小时前
AI PPT生成学术展演文稿实操教程：提示词设计与生成流程详解
人工智能·powerpoint
科研前沿2 小时前
实景像素级精准复刻，夯实动态真孪生底座——原生自研技术壁垒，领航视频孪生产业发展
人工智能·音视频
w1wi2 小时前
【Vibe Coding】TCP/UDP包篡改重放工具
人工智能·网络协议·tcp/ip·ai·udp·ai编程
ZPC82102 小时前
CPU 核心隔离 + 线程绑核 + 实时优先级 SCHED_FIFO
人工智能·算法·计算机视觉·机器人
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03零基础教你claude code 接入 deepseek V404CC-Switch & Claude 基于 Linux 服务器安装使用指南05要裂开了！ChatGPT要手机号验证了？注册Codex要求验证电话号码怎么办？2026年登陆Codex要手机号验证的解决办法06【AI】2026 年具身智能模型和世界模型总结07Dirtyfrag漏洞：我花了一下午搞清楚这个Linux内核提权漏洞到底在搞什么08Windows端Codex接入第三方模型（DeekSeek，BaiLian)09裂开！ChatGPT 居然开始要手机号验证，附详细解决方法102026年Codex如何解决手机号码登陆验证的问题？