文章指出机器人研发正处于开源红利期，个人开发者可借助成熟开源框架在数周内跑通从仿真训练到真机部署的完整闭环。作者按技术栈分层整理了经过工程验证的开源项目：足式强化学习（rsl-rl、AMP、TienKung-Lab、unitree_rl_gym）、模仿学习（ALOHA-ACT、Diffusion Policy）、VLA 具身大模型（OpenVLA、Octo、LingBot）、一站式框架 LeRobot、传统动力学求解库（Pinocchio、Acados）、MuJoCo 仿真模型库，以及 Awesome 学习资源清单，并给出四步最简上手顺序建议。
本文是 Saturday Robotics 读书会第33期的观点总结，主讲人 Tonghe Zhang（CMU）提出：当 GPT-6 Astra 等前沿语言模型能力'溢出'后，机器人学的经典瓶颈将不再是研究问题，而是编码智能体可解决的工程循环。文章总结12个核心观点：灵巧性本质是奖励问题、上下文学习免费获得、硬件即代码、Sim-to-Real 是优化问题、验证是关键货币、低层控制无需思维链等。核心论断是端到端方案在可行处总是胜出，结构化只是临时脚手架，语言模型将缓慢而突然地'吞噬'机器人学。
本文以'把文具放进笔筒'这一具体任务为例，手把手介绍机械臂模仿学习的完整流程：先通过主臂遥操作从臂完成示范，用 LeRobot 记录摄像头画面、关节状态和动作指令形成数据集；再检查数据质量，用 GR00T 等 VLA 模型训练，让机械臂根据视觉输入自主完成任务。文章还介绍了 Isaac Sim 仿真采集、Cosmos 视频增强、Sim-to-Real 迁移以及 Jetson 边缘部署等进阶内容，涵盖设备接线、软件安装、校准、录制等实操细节，是机器人入门的实用教程。
作者基于两年与机器人OEM合作部署的经验，讨论人形机器人从演示走向真实商业部署的差距。作者指出，演示视频只能证明可能性，而真实部署需要可靠性、速度和成本达标；许多场景下四足机器人或成熟专用方案比人形机器人更实际。文章区分了模块化技术栈与VLA通用模型、POC验证与商业交付，并以Skild AI突破1亿美元ARR为例，强调部署应纳入研究反馈循环，通过真实环境的评估数据推动通用机器人模型迭代，最终实现规模化。
本文是一份详细的 Microduck 双足机器人 DIY 复刻教程。Microduck 高约 25cm，由 15 个 Dynamixel 舵机驱动，步态通过 MuJoCo 仿真器中强化学习训练后部署到真机，以 50Hz 频率运行 ONNX 神经网络实现闭环平衡控制。文章系统讲解了系统架构与控制链、舵机与关节顺序、61 维观测与 ONNX 部署契约、材料与工具清单、仿真环境搭建与训练流程等内容，分八个阶段指导读者完成从固定源码版本、跑通仿真、CAD 重建、硬件搭建到分级真机调试的完整复刻过程。
Microduck 是 Hugging Face 旗下 Poollen Robotics 推出的迷你双足具身智能开发平台，高约 25cm、重 800g，配备 15 个舵机和 RK3566 主控。其动态行走、自起、拾物、踢球、前滚翻及轮滑等动作均基于强化学习训练：使用 MuJoCo 仿真平台和 PPO 算法，结合域随机化建模齿隙、电压衰减与控制延迟，实现 Sim2Real 迁移，策略以 ONNX 导出端侧部署。软件采用 Rust 微服务守护进程架构，通过 Unix Socket + JSON-RPC 通信，robotd 独占底层控制并执行安全校验，updaterd 提供带签名校验与健康检查的自愈型 OTA 更新机制。
文章作者以其公司 microagi 计划部署十亿台机器人为引，探讨机器人普及将带来物质极大丰裕的"富足世界"，从根本上消除经济学赖以成立的资源稀缺假设。但同时指出，通用机器人将取代大量体力劳动岗位，若经济制度不变，数百万人将失去收入、地位与人生意义。作者认为机器人界回避了这一困境：若不解决分配问题，公众与政府将联合阻止机器人部署，富足将无法实现。文章回顾机器人技术的快速进展（Figure AI、Generalist、Gemini Robotics 等），并指出当前可验证任务最易被自动化，最后以欧洲为焦点讨论三种未来路径。
作者用 5 张地图对比了硅谷与北上杭深的机器人产业格局：硅谷 67 家、深圳 36 家、北京 32 家、上海 25 家、杭州 25 家。各城市产业结构差异明显：北京依托高校与 AI 公司，具身智能和人形机器人集中；上海偏工业与制造，国际厂商与本土公司并存；杭州生态集中、产品化速度快；深圳覆盖从零部件到整机的完整链条，人形机器人公司数量国内最高。硅谷擅长定义未来，中国城市正以不同方式把未来造出来。
作者整理了一份美国机器人公司的物理地图和市场地图，按业务类别系统梳理了约40家机器人公司的进展，包括人形/通用机器人与基础模型类（Figure、1X、Physical Intelligence、Skild AI等）、自动驾驶/移动机器人类（Tesla、Waymo、Zoox、Skydio等）、工业/物流/仓储机器人类（NVIDIA、Dexterity、Nimble等）、农业/建筑/专业场景类以及平台/软件/硬件类。每家公司附带融资规模、估值、CEO及官方X账号等信息，方便跟踪研究美国机器人行业的发展动态。
作者整理了一份利用斯坦福免费公开课程资源、历时6个月成为机器人学习工程师的自学路径。斯坦福将大量机器人学课程发布在YouTube上，讲师包括NVIDIA自动驾驶研究高级总监、Physical Intelligence联合创始人及Tesla Optimus AI负责人。该路径包含7门课程共119讲、约95小时视频、2本免费教材、6个可在家用笔记本上完成的练习项目，以及可选的122美元机械臂。学习顺序遵循斯坦福正式课程体系：先数学基础（线性代数），再机器人物理结构、感知、规划，最后是学习方法，避免了自学时无序观看导致的低效问题。
本文以 Asimov 1 DIY 人形机器人套件为例，系统介绍在家从零搭建人形机器人的完整流程。机器人高1.2米、重35公斤、25个自由度，售价2万美元。文章涵盖工具准备、机械/电子/Linux与Python三大基础能力要求、零件制造工艺（CNC铝合金、金属3D打印、尼龙打印）、CAN总线接线与电机ID设置等难点，并深入讲解仿真到实际（Sim-to-Real）迁移的核心问题：时序匹配、CAN包顺序、欠阻尼振荡的成因与解决方法，以及强化学习运动策略如何只用真实可用的传感器数据训练以确保部署成功。适合想从看视频走向真正动手的机器人开发者。
RoboDojo 团队对 GPT-6 Astra 作为具身智能体进行了全面评测，涵盖 RoboDojo 仿真与真实环境（对比 GPT-5.5 和 DeepSeek-Flash）、人形机器人高层控制、灵巧钢琴演奏（RoboPianist）以及上下文学习（ICL）的系统性研究。关键结论：GPT-6 Astra 展现出极强的语义与空间理解能力以及出色的上下文适应能力，但物理常识仍是明显瓶颈，揭示了理解世界与真正推理物理规律之间的重要差距。完整报告与演示发布于 robodojo-benchmark.com。
Reward AI（脱胎于斯坦福 DexCap 项目）发布机器人基础模型 OM-1，核心创新是仅从人类操作数据中学习，无需遥操作和机器人专属数据。通过 7 自由度可穿戴设备 Omnibody Hand 采集视觉、触觉、力度等多模态数据，训练后可直接部署到桌面机械臂、工业机械臂和人形机器人，无需针对硬件微调。这与 π0、Helix 等依赖遥操作数据的主流方案路线不同，大幅降低数据采集成本。演示显示 OM-1 能完成四臂协作包装手机、调酒、叠衣、拔网线等精细任务，学习新任务仅需不到 30 分钟人类演示数据，并展现自发补偿与重试行为。目前处于研发展示阶段。
