这本书不从“机器人会不会取代人”开始，也不从某家公司发布了哪台人形机器人开始。那些问题太热闹，反而容易遮住真正的难点。
我们先从一只手拿杯子开始。
人拿杯子时，几乎不会思考。眼睛扫一下，手伸过去，手指自然收紧，杯子滑了就补一点力，杯子满了就放慢动作。可是把这件小事拆开，你会发现里面有感知、三维定位、接触力、摩擦、重心、反馈控制、动作经验和安全判断。所谓具身智能，就是智能不再只处理屏幕里的符号，而是进入这个会反作用、会惩罚错误的物理世界。
这本书要回答一个问题：为什么一个会聊天、会看图、会写计划的 AI，离一个能可靠干活的人形机器人还很远？
答案不是“模型还不够大”这么简单。大模型确实重要，它让机器更懂人话、更懂常识，也更会拆任务。但机器人真正难的部分常常发生在语言之后：杯子到底在哪里，手该从哪个角度过去，碰到以后用多大力，失败后怎样恢复，旁边有人时怎样保证安全。
如果你有软件工程背景，可以把机器人想成一个极端难调试的系统：输入有噪声，执行有延迟，硬件会磨损，环境不可控，错误还有物理代价。它不是一次推理结束，而是一条永远在线的闭环。
后面的章节会按这条闭环往下走：先讲身体为什么不是外设，再讲感知、手、控制、学习、人形结构、硬件约束、安全和商业落地。读完以后，你未必会预测哪家公司赢，但你应该能看懂一段人形机器人演示视频里，哪些是真进步，哪些只是舞台布置。