系列的行动线到此合流：第 9 篇让 Agent 在数字环境动手（工具、沙箱、环境回报），第 10 篇给它眼睛（视觉编码、模态融合）。缺的最后一环是身体------在物理世界里行动。本篇拆具身智能：为什么 LLM 的成功配方在机器人上逐条失效、VLA 如何把语言模型嫁接到本体上、数据从哪来，以及世界模型为什么是具身的"验证器替身"。
一、具身的不同物理学
Moravec 悖论是对这个领域最好的定场：对人难的（下棋、推理）对机器易，对人易的（走路、抓取）对机器难。原因不在算法在数据 ------第 16 篇说公开文本已到账面耗尽，而机器人面对的是更残酷的事实：物理交互数据的原料从未存在过。互联网是文明行为的免费副本，没有人给"怎么端起一杯水"建过对账语料。
| 维度 | 数字 Agent（第 9 篇） | 具身 Agent |
|---|---|---|
| 观察 | 文本/结构化返回 | 相机流（高维、连续、部分可观测） |
| 动作 | API 调用（离散） | 关节/末端指令（连续、低维） |
| 回报 | 测试通过/页面变化 | 任务成功（模糊、延迟） |
| 时延 | 秒级可容忍 | 硬实时（10--200Hz 控制回路） |
| 失败代价 | 重跑 | 摔碎的杯子、伤到的人 |
LLM 配方的四条支柱在具身世界逐条断裂：没有互联网规模语料、没有自监督标签（文本自己就是自己的标签，动作不是）、失败不可逆（幻觉文本可以重写，幻觉动作有物理代价）、且所有反馈回路都嵌在实时约束里。具身不是"LLM + 机械臂"，是一套不同的物理学。
二、VLA：把语言模型嫁接到身体上
嫁接方案收敛为 VLA（视觉-语言-动作）三段式：VLM 骨干承袭第 10 篇的全部资产（语义理解、指令跟随、视觉先验），动作端解决"连续动作怎么从语言模型里出来"------离散化成 token（RT-2 开山：动作即词）、或用扩散/流匹配头生成连续轨迹（π0 的动作专家）。Helix 的双系统给出了时延的工程答案：慢系统 （VLM，约 5--10Hz）管语义与规划，快系统（小型策略网络，约 200Hz）管实时控制------系统 2 想事，系统 1 干活，与第 8 篇的推理时计算、第 9 篇的"规划-执行分工"是同一张蓝图在物理世界的投影。
python
def vla_step(vlm, action_head, obs, instr, dt=0.005):
z = vlm.embed(obs.img, instr) # 慢系统: 语义嵌入 (第10篇资产)
a = action_head(z, obs.state) # 快系统: 流匹配出连续动作
return robot.execute(a) # 200Hz 控制回路, 无LLM参与嫁接的红利是真实的：语言条件化（听得懂"把能装水的东西拿过来"------语义泛化捡了互联网的便宜）、跨物体零样本、指令可组合。红利的边界也清晰：语言先验里没有力反馈------模型知道鸡蛋易碎这个事实，不等于握得住这颗鸡蛋；语义幻觉在这里升级为物理幻觉，且代价按第 14 篇的权限关卡逻辑必须硬件化（力矩限制、急停），软件喷漆拦不住真实的碰撞。
三、数据瓶颈：机器人的"第 16 篇问题"
真机数据的经济学令人绝望：遥操作（ALOHA 一系）产出的数据按小时计人力成本，Open X-Embodiment 聚合了百万级episode，跨 20 余种本体------可文本语料的量级是 10^13 token，动作数据差出六七个数量级，且本体间的标定差异让数据难以混用（每换一台机器人，矿山重开一次）。三条出路正在并行：
视频学习 ：互联网视频近乎无限，但没有动作标签------只能学"世界怎么动"（预测下一帧 = 隐式世界模型），动作要靠伪标签或潜空间推断补上。仿真与 sim2real ：物理引擎（Isaac、MuJoCo）无限量产精确标注，域随机化对冲分布偏移，但 sim2real gap 是 Goodhart 的物理版------仿真里学会的捷径，落地即穿帮。世界模型：学一个可滚动的预测器，在想象中训练策略------Dreamer 一系与 Genie/Sora 式视频生成正在汇流成"在梦境里练习一万次"：
python
def dream_train(policy, wm, steps=1000):
s = wm.reset_from_real() # 梦从真实数据起步
for t in range(steps):
a = policy(s)
s, r = wm.step(a) # 在想象中滚动, 物理零成本
policy.update(r, through_wm=False) # 梯度不穿世界模型数据金字塔由此成形：视频（10^9 小时，无标签）→ 仿真（10^7 小时，标签精确但分布偏）→ 遥操作真机（10^4 小时级，真实但贵）→ 部署闭环（真机自监督回流，任务成功即天然标注）------最后一环是胜负手：本体出货量 → 数据量 → 能力 → 出货量，机器人的预训练飞轮第一次转起来的位置。
四、世界模型：具身的验证器替身
第 8 篇说 RLVR 的瓶颈是验证器，具身把这个矛盾推到物理极限：任务成功（抓起了、插进了）客观可验证，但一次试错就是一次真实的物理损耗。世界模型的本质于是清楚------它是具身的验证器替身 ：让试错发生在想象里，物理成本归零。代价是第 13 篇的老问题换了肉身：模型保真度不足时，策略学会的是"梦里的成功"------在想象中钻了世界模型的空子，落地即碎。世界模型保真度之于机器人，就是基准质量之于评测：验证器的真假决定 RL 上限的真假。
部署后的完整回路与第 17 篇的睡眠巩固同构：白天在物理世界干活（真实回报回流外存），夜里在仿真与世界模型里 replay 蒸馏（离线更新策略），验证过的经验才允许改写控制权重------物理世界的权限关卡（第 14 篇）天然比文本严格，因为负空间会流血。
五、收束
具身是系列所有主题的极限测试场：数据（第 16 篇的原料从未存在）、验证器（第 8、13 篇的替身经济学）、分层控制（第 8 篇的双系统）、环境回报（第 9 篇）、模态融合（第 10 篇）、记忆巩固（第 17 篇）、物理安全（第 14 篇）。当前的位置判断：抓取与结构化场景（仓库、工厂）已在规模化前夜，通用灵巧操作与长程家庭任务仍隔着一个数量级的数据------飞轮转速，即本体部署量，是唯一的胜负变量。
一句话收束：互联网给了语言模型整个世界的影子，物理世界不给影子------每个动作都要亲自发生一次。所以具身的胜负手不是更大的模型，而是更便宜的动作数据：谁先把身体变成数据源，谁就拥有第二座矿山。