端侧 AI 与具身智能

具身智能 = 拥有身体的 AI。它让模型不再隔着屏幕“回答”，而是直接理解环境并操作真实世界。

一、为什么要把 AI 放到端侧

延迟与隐私是机器人场景的两道硬门槛：抓取指令晚 100ms 可能就碰不到目标；工厂数据也不允许全部上云。端侧推理用轻量模型（量化后几 GB）跑在机器人的 Jetson / 开发板上。

二、感知—决策—执行的闭环

1. 感知：相机看到桌面，视觉语言模型（VLM）识别物体与指令
2. 决策：拆解任务“把红色杯子放到托盘”，规划动作序列
3. 执行：机械臂 / 底盘按轨迹运动，传感器实时反馈修正

三、技术栈参考

感知层：OpenCV / YOLO / VLM（如 Qwen2-VL 的端侧版）
框架层：ROS 2 + MoveIt（机械臂规划）+ Nav2（移动）
算力层：Jetson Orin 系列 + TensorRT 加速

四、主流路线

• 视觉语言动作模型（VLA）：端到端“看图直接出动作”
• 模仿学习：录几段示教，让模型学着做
• 强化学习：在仿真里疯狂试错，再迁到真机

五、现实预期

真机数据贵、仿真到现实的鸿沟大，具身智能仍处于早期。但把大模型接到机器人的整条链路已经通顺——这也是「机器人 + AI」这条路线存在的意义。