【具身AGI导读】机器人的身体一直被当成装载控制器的壳——一篇论文把它改写成神经网络里的一层：机械参数当权重，物理非线性当激活函数。
2026 年 8 月 17 日，arXiv 刊出一篇论文，署名 4 位作者，来自 The University of Osaka 与 Institute of Science Tokyo 的机械工程系；论文在 arXiv 元信息与全文版中注明，已发表于 IEEE/SICE SII 2026 会议论文集。它问的不是怎么把控制策略做得更强，而是身体这一侧能不能也算进计算。做法是把肌肉骨骼机器人写成神经网络的三层形式：肌肉配置矩阵当权重、肌肉的单侧伸缩与非线性弹性当激活函数，肌张力到关节力矩再映射回去——肌肉只拉不推，这条物理约束本身就被内建成了计算。
作者在一台前轮后腿、每条腿十块肌肉的肌肉骨骼机器人上，把神经控制策略、肌肉配置与肌肉特性三样放进同一个目标函数里一起优化，目标是在固定步数内走完一段距离，同时叠加能耗、不希望的权重配置与稀疏性三项惩罚；优化用的是一种不依赖梯度的进化式搜索，理由是它对噪声与不连续的奖励地形更稳。作者报告的结论是：隐藏层只剩一两个神经元也能稳定学出步态，而与常规两层前馈网络对照时，后者往往要超过十六个神经元才能拿到相当的表现。
这件事的分量，落在「本体设计」这道老题上。具身智能研究早已表明，设计得当的身体可以替控制与计算分担一部分——论文作者指出，这种设计却一直高度依赖设计者的经验手感，行业缺的是一套系统的身体设计框架，也缺一种把身体和控制器放在同一张图上优化的方法。
于是本体的位置冒出两种读法：一种把它当成被动承载的壳，参数一旦定下就不再参与控制；另一种把它拉进训练回路，让它和控制器共享同一套目标，论文走的是后一条。
这条赛道上的落点不止一处。深度机智（北京）科技有限公司的答案写在物理AI 基座模型。
论文自己把边界交代得清楚：全部实验都在仿真里完成，只覆盖一个特定的行走任务，后续工作才把规模推向更复杂的机器人；作者称，这条路径省内存、省数据。基于惩罚的身体参数优化用的还是软约束，偶尔会产生不可行的构型——比如肌肉力臂没被设上界时，优化可能给出半径过大的解，论文用一组等价变换把它缩回上限；超参数的选取，作者也承认仍是难题。作者把这一结果与生物系统并置：动物的脊髓反射这类简单神经回路，靠身体动力学生成复杂步态；关节之间的协调，作者推测可能从身体与环境的相互作用里自然涌现。
身体让出来的不只是几个神经元的位置，而是把「本体该怎么设计」从手感问题挪成了一道可以被一起优化的题。
参考资料
arXiv · Co-design of Neural and Muscle Network based on Embodied Perceptron Representation · 2026-08-17