30-day learning path — 零基础上手具身 AI

这页为谁设计

你是大一/大二/转方向的本科生，知道 Python 但没接触过具身 AI；你愿意每天花 30-60 分钟系统读一段时间。

如果你符合这两条，按这页走就行。每天的论文已经按"前一篇是后一篇的前置"排好了。

如果你已经懂 transformer，可以跳过 Week 1，从 Week 2 开始。

Week 1 · 把视觉和语言连起来

具身 AI 的所有模型都建在"视觉 + 语言"的基座上。先把这部分搞清楚。

Day	论文	学到
1	CLIP	怎么把图和文塞进同一个坐标系
2	BLIP	自举：弱标注 + 自我清洗
3	BLIP-2	Q-Former 桥接冻结的视觉 + 冻结的 LLM
4	LLaVA	一层 MLP 把视觉特征注入 LLM
5	Flamingo	交错图文 + Perceiver Resampler
6	SigLIP	sigmoid 损失替换 softmax
7	复习 + 看 Glossary	整理自己的术语笔记

Week 1 收获：你能解释"为什么所有 VLA 都先有一个 VLM"。

Week 2 · 看懂 VLA 的进化

VLA = 视觉-语言-动作。这周读完你能讲清"机器人怎么从看图直接出关节速度"。

Day	论文	学到
8	RT-1	把动作 token 化，让 transformer 当策略
9	SayCan	LLM 给候选 + 可行性打分相乘
10	Code-as-Policies	让 LLM 直接写 Python 调机器人 API
11	RT-2	把网络知识从 VLM 转到 robot policy
12	OpenVLA	完全开源的 VLA 民主化
13	π0	VLM + flow matching head 通用基础模型
14	复习 + 看 VLA topic page	整理 VLA 路线

Week 2 收获：你能比较 RT-1/RT-2/OpenVLA/π0 四条不同技术路径。

Week 3 · 数据、模仿、扩散

VLA 的瓶颈不是模型而是数据。这周读模仿学习 + 扩散策略。

Day	论文	学到
15	DAgger	模仿学习的误差累积 + 解决方案
16	ACT/ALOHA	双臂遥操作 + action chunking
17	UMI	手持夹爪 + GoPro 采野外数据
18	Open X-Embodiment	22 家机构数据合一
19	Diffusion Policy	把'选动作'变'去噪'
20	3D Diffusion Policy	加 3D 点云做眼睛
21	复习 + 看 Imitation topic	整理数据采集思路

Week 3 收获：你能跟人说清"为什么 Diffusion Policy 在 manipulation 上赢了 transformer"。

Week 4 · 周边生态

VLA 不是孤岛。这周读世界模型、仿真器、感知扩展。

Day	论文	学到
22	World Models	在脑子里预演
23	Dreamer V3	跨域固定超参的世界模型
24	Genie	从无标签视频学潜在动作
25	Habitat	室内仿真器照片级
26	Isaac Gym	GPU 并行物理仿真
27	ImageBind	六模态通过图像作锚点联通
28	Whisper	弱标注 + 大规模 = 零样本 ASR
29-30	复习 + 看 Compare + 写一篇自己的 review	输出验证收获

Week 4 收获：你已经具备"读 2026 年新论文 abstract 不发蒙"的能力。

30 天后你能做什么

• 读 NeurIPS/CoRL 任意一篇具身 AI 论文，看懂大体在干啥
• 知道自己接下来该深挖哪个分支（按兴趣选 topic）
• 能跟实验室同学讨论 RT-2 vs π0 这种话题
• 能自己挑论文读，不再依赖别人推荐

验证：每周末做一次

挑当周读过的 1 篇，关掉笔记尝试给同学/室友讲清楚（< 5 分钟）。讲不通的部分回去重读那部分。

卡住怎么办

• 数学公式看不懂 → 去 Math Primer 查符号
• 术语不认识 → 去 Glossary
• 想看可视化关系 → 去 Graph
• 不确定哪篇先读 → 这页就是答案

不要做什么

• 不要囤积笔记 app：你的笔记就是这站，你的标记就是 ✓ 已读
• 不要追新：30 天内别看微信推送的 2026-08 论文。先读完路径
• 不要跳读：第 1 周看着简单，但是后面所有内容的根基

---

◼ End of 30-day path. 走完一遍欢迎回来开第二遍——会比第一遍快很多。