一台人形机器人把杯子递给你，看似简单的动作，背后却需要视觉、语言理解、运动控制、身体感知和训练经验同时协作。更耐人寻味的是，当我们把Figure AI的Helix、英伟达GR00T等视觉语言行动模型拆开，会发现它们与一千五百年前世亲菩萨在《...