imcuer 的矩阵

机器人手记：给硅基生命造一具躯体

Mon, 19 Oct 2026 06:40:00 +0800

为什么机器人比纯软件难一个数量级

写软件时，世界是离散的、确定的、可回滚的——git reset --hard 能解决大部分人生难题。

机器人不一样：

电机有惯性，地面有摩擦，传感器有噪声
没有 Ctrl+Z。机械臂撞到人，就是撞到了
宇宙不会抛出异常，它直接抛出你的机器人

物理世界是最严格的代码审查员。

运动学：机器人的"几何直觉"

正运动学（FK）：已知各关节角度，求末端在哪里。

$$\mathbf{x} = f(\boldsymbol{\theta}), \quad \boldsymbol{\theta} = [\theta_1, \theta_2, \dots, \theta_n]^T$$

逆运动学（IK）才是硬菜：已知想让末端去 $\mathbf{x}$，反求各关节该转多少。

$$\boldsymbol{\theta} = f^{-1}(\mathbf{x})$$

问题在于 $f^{-1}$ 通常没有解析解，甚至有无穷多解——你的手可以伸到同一个杯子，肘部却可以摆出完全不同的姿势。机器人得自己"决定"怎么动，这里面全是优化问题。

一个两轮小车的速度分解

差速驱动是入门第一课。左轮 $v_l$、右轮 $v_r$、轮距 $L$：

$$v = \frac{v_r + v_l}{2}, \qquad \omega = \frac{v_r - v_l}{L}$$

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


import math

def diff_drive(v_l, v_r, L, x=0.0, y=0.0, theta=0.0, dt=0.1):
 """一步航位推算：由轮速更新位姿"""
 v = (v_r + v_l) / 2.0
 w = (v_r - v_l) / L
 theta += w * dt
 x += v * math.cos(theta) * dt
 y += v * math.sin(theta) * dt
 return x, y, theta

看着简单？等轮胎打滑、编码器丢脉冲、地面有个 2° 的斜坡，你就明白为什么机器人博士要读五年。

ROS2：机器人的神经系统

把机器人拆成节点（Node），节点之间用话题（Topic）发消息：

1

[摄像头节点] --/image_raw--> [视觉节点] --/cmd_vel--> [底盘节点] --> 电机

ROS2 相比 ROS1 的杀手锏是 DDS 通信——去中心化的发布订阅，天生为分布式实时系统而生。之前 ROS1 那个 roscore 单点故障，终于进了历史垃圾堆。

物理彩蛋：倒立摆

机器人学的"Hello World"不是走路，是倒立摆——一根杆子立在移动小车上不许倒。

它是不稳定平衡点问题：$\theta = 0$ 处势能最高，任何微扰都会发散，必须持续反馈控制。这和人生一样——所谓稳定，不过是持续的主动纠偏。

折腾清单

攒一台差速底盘，跑通 SLAM（gmapping → Cartographer）
给机械臂写 IK 求解器，先数值解再解析解
倒立摆实物：电位器测角度 + PID 调参地狱
终极目标：把 LLM 接上机器人，让它听懂"帮我把桌上的可乐拿过来"

AI 笔记：大模型是如何「思考」的

Mon, 19 Oct 2026 06:30:00 +0800

一切始于预测下一个词

大语言模型（LLM）的本质朴素得令人失望：给定上文，预测下一个 token 的概率分布。

$$P(x_t \mid x_1, x_2, \dots, x_{t-1})$$

就这么简单。但当你把这个目标放在万亿级语料、千亿级参数上反复优化，奇迹发生了——涌现（Emergence）。模型开始展现出训练目标里从未明确要求的能力：推理、翻译、写代码，甚至冷幽默。

这让我想起物理学里的相变：水分子只是水分子，但量变引起质变，0°C 时突然结成冰。智能，也许也是一种相变。

Transformer：注意力的胜利

2017 年的《Attention Is All You Need》改写了历史。核心公式：

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

用大白话说：每个词都环顾四周，决定该"关注"哪些别的词，然后加权吸收它们的信息。就是这样一层层堆叠，语义在向量空间里被折叠、变换、提纯。

一个极简的自注意力直觉

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


import numpy as np

def softmax(x):
 e = np.exp(x - x.max(axis=-1, keepdims=True))
 return e / e.sum(axis=-1, keepdims=True)

# Q: 我在找什么 K: 我是什么 V: 我携带的信息
def attention(Q, K, V):
 scores = Q @ K.T / np.sqrt(Q.shape[-1])
 return softmax(scores) @ V

四行代码，就是千亿美金产业的数学内核。

哲学角落：它在"理解"吗？

中文房间思想实验（Searle, 1980）说：一个不懂中文的人按规则手册操作符号，屋外的人以为他懂中文。LLM 是那个房间里的人吗？

我的立场：这个问题可能问错了。当行为上不可区分时，“理解"的定义本身就需要升级。毕竟——

神经元也只是在按电化学规则"操作符号”
我们无法证明彼此有意识，只能靠行为推断（他心问题）

也许智能不在于"有没有灵魂"，而在于结构的复杂度是否越过了某个阈值。

备忘清单

手撕一遍微型 GPT（nanoGPT 级别）
精读《Attention Is All You Need》原文
搞懂 RLHF 里的 PPO 到底在优化什么
思考：如果把我的全部文章喂给模型，微调出的"数字我"算是我吗？

你好，世界

Mon, 19 Oct 2026 06:00:00 +0800

这是我的第一篇文章，站点基于 Hugo + Stack 主题 搭建。

Markdown 示例

支持加粗、斜体、行内代码。

代码块

1
2


def hello():
 print("Hello, Hugo!")

列表

第一项
第二项
第三项

引用

学如逆水行舟，不进则退。