2026年，AI在"大脑"（认知）上突飞猛进——GPT-5可以解IMO（国际数学奥林匹克）数学题，AlphaFold可以预测所有蛋白质结构，Claude可以写出一部中篇小说。但AI在"小脑"（运动控制）上仍然步履蹒跚——机器人走路还是会摔倒，跑步还是像"僵尸"，上下楼梯还是需要扶手。
金句：AI的"大脑"已经超越了人类，但"小脑"还不如一个3岁小孩。不是大脑不重要，而是小脑更难。
为什么走路这么难？
第一，双足行走是"不稳定的动力学系统"。 一个人走路，每一步都是"受控的跌倒"——身体前倾，脚迈出，接住身体，重复。这个过程中，每一步都在"不稳定"的边缘。如果计算稍有偏差，就会摔倒。机器人需要"每秒1000次"的计算来维持平衡，而人类的小脑"自动"完成这些计算，不需要"思考"。
第二，环境是"不可预测"的。 地面可能是平的、斜的、滑的、软的，可能有障碍物（石头、台阶、玩具），可能有外力（风、人推、物体碰撞）。机器人需要"实时"适应这些变化，而不是"提前规划"。
第三，能耗是"瓶颈"。 人类走路，每公里消耗约50千卡能量。机器人走路，每公里消耗约500-1000瓦时电能（相当于人类跑步的能耗）。电池续航，是双足行走的"最大限制"。2026年，大多数人形机器人的续航时间不超过2小时。
金句：双足行走是"反常识"的难题——看起来简单（人每天走几千步），做起来极难（机器人走几步就摔）。
2026年的技术进展
进展一：强化学习（RL）取代模型预测控制（MPC）。 传统双足行走用MPC（模型预测控制），需要精确的物理模型。2026年，强化学习（RL）成为主流——让机器人在仿真中"试错"几百万次，学会走路。RL的优势是"不需要物理模型"，劣势是"仿真到真实"的迁移不稳定。
进展二：Sim-to-Real突破。 2026年，NVIDIA的Isaac Sim和ETH Zurich的RaiSim等仿真平台，在"Sim-to-Real"迁移上取得了突破。机器人在仿真中学会走路，迁移到真实环境后，成功率从2024年的50%提升到了2026年的85%。
进展三：“被动动力学"回归。 2026年，学术界开始重新关注"被动动力学”——利用机器人的"自然动力学"走路，而不是"主动控制每一步"。被动动力学的优势是"低能耗"（类似人类走路），劣势是"适应性差"（只能在平坦地面走路）。
金句：双足行走的"终极方案"，可能不是"更聪明的控制"，而是"更自然的运动"。像人一样走路，而不是像机器一样走路。
结语
2026年，具身智能的"小脑"问题，是AI领域最被低估的难题。“大脑"的进步让AI可以"思考”，但"小脑"的滞后让AI无法"行动"。一个只会思考不会行动的AI，不叫"具身智能"。